Hvala za obisk Nature.com. Različica brskalnika, ki ga uporabljate, ima omejeno podporo CSS. Za najboljše rezultate priporočamo uporabo novejše različice vašega brskalnika (ali izklopite način združljivosti v Internet Explorerju). Medtem za zagotovitev stalne podpore prikazujemo spletno mesto brez oblikovanja ali javascripta.
Uporaba klinične umetne inteligence (AI) hitro rastejo, vendar obstoječi učni načrti medicinske šole ponujajo omejeno poučevanje, ki pokriva to področje. Tu opisujemo tečaj usposabljanja za umetno inteligenco, ki smo ga razvili in dostavili študentom kanadskih medicine, in dajemo priporočila za prihodnje usposabljanje.
Umetna inteligenca (AI) v medicini lahko izboljša učinkovitost na delovnem mestu in pomaga pri kliničnem odločanju. Za varno usmerjanje uporabe umetne inteligence morajo zdravniki nekaj razumeti umetno inteligenco. Številni komentarji zagovarjajo poučevanje konceptov AI, na primer razlago AI modelov in procesov preverjanja2. Vendar je bilo izvedenih le malo strukturiranih načrtov, zlasti na nacionalni ravni. Pinto dos Santos et al.3. 263 študentov medicine je bilo anketiranih, 71% pa se je strinjalo, da potrebujejo usposabljanje za umetno inteligenco. Poučevanje umetne inteligence medicinskemu občinstvu zahteva skrbno zasnovo, ki združuje tehnične in netehnične koncepte za študente, ki imajo pogosto veliko predhodno znanje. Opisujemo svoje izkušnje, da bi trem skupinam študentov medicine predstavili vrsto AI delavnic in dajali priporočila za prihodnje medicinsko izobraževanje v AI.
Naš pettedenski uvod v delavnico umetne inteligence v medicini za študente medicine je potekal trikrat med februarjem 2019 in aprilom 2021. Razpored za vsako delavnico s kratkim opisom sprememb tečaja je prikazan na sliki 1. Naš tečaj ima Trije cilji primarnega učenja: Študenti razumejo, kako se podatki obdelujejo v aplikacijah za umetno inteligenco, analizirajo literaturo o umetni inteligenci za klinične aplikacije in izkoristijo priložnosti za sodelovanje z inženirji, ki razvijajo umetno inteligenco.
Modra je tema predavanja in svetlo modra je interaktivno obdobje vprašanj in odgovorov. Siv razdelek je v središču kratkega pregleda literature. Oranžni odseki so izbrane študije primerov, ki opisujejo modele ali tehnike umetne inteligence. Green je vodeni programski tečaj, namenjen poučevanju umetne inteligence za reševanje kliničnih težav in ocenjevanje modelov. Vsebina in trajanje delavnic se razlikujeta glede na oceno potreb študentov.
Prva delavnica je potekala na Univerzi v Britanski Kolumbiji od februarja do aprila 2019, vseh 8 udeležencev pa je dalo pozitivne povratne informacije4. Zaradi Covid-19 je bila druga delavnica potekala skoraj od oktobra-novembra 2020, pri čemer se je registriralo 222 študentov medicine in 3 prebivalce iz 8 kanadskih zdravstvenih šol. Predstavni diapozitivi in koda so bili naloženi na spletno mesto z odprtim dostopom (http://ubcaimed.github.io). Ključne povratne informacije iz prve iteracije so bile, da so bila predavanja preveč intenzivna, material pa tudi teoretičen. Služenje šest kanadskih različnih časovnih pasov predstavlja dodatne izzive. Tako je druga delavnica vsako sejo skrajšala na 1 uro, poenostavila gradivo tečaja, dodala več študij primerov in ustvarila programe kotla, ki so udeležencem omogočili dokončanje odrezkov kode z minimalnim odpravljanjem napak (polje 1). Ključne povratne informacije iz druge iteracije so vključevale pozitivne povratne informacije o programskih vajah in zahtevo za prikaz načrtovanja projekta strojnega učenja. Zato smo v naši tretji delavnici, ki je bila marca 2021 praktično za 126 študentov medicine, vključili bolj interaktivne vaje za kodiranje in seje povratnih informacij projektov, da bi pokazali vpliv uporabe konceptov delavnice na projekte.
Analiza podatkov: Študijsko polje v statistiki, ki z analizo, obdelavo in sporočanjem vzorcev podatkov opredeljuje smiselne vzorce podatkov.
Rudarjenje podatkov: postopek prepoznavanja in pridobivanja podatkov. V okviru umetne inteligence je to pogosto veliko, z več spremenljivkami za vsak vzorec.
Zmanjšanje dimenzij: Proces preoblikovanja podatkov s številnimi posameznimi lastnostmi v manj značilnosti, hkrati pa ohranja pomembne lastnosti izvirnega nabora podatkov.
Značilnosti (v okviru umetne inteligence): merljive lastnosti vzorca. Pogosto se uporablja zamenljivo s "lastnostjo" ali "spremenljivko".
Zemljevid aktivacije gradienta: tehnika, ki se uporablja za razlago modelov umetne inteligence (zlasti konvolucijskih nevronskih omrežij), ki analizira postopek optimizacije zadnjega dela omrežja, da prepozna območja podatkov ali slik, ki so zelo napovedni.
Standardni model: obstoječi AI model, ki je bil predhodno usposobljen za opravljanje podobnih nalog.
Testiranje (v okviru umetne inteligence): opazovanje, kako model opravlja nalogo z uporabo podatkov, s katerimi se še ni srečal.
Izobraževanje (v okviru umetne inteligence): zagotavljanje modela s podatki in rezultati, tako da model prilagodi svoje notranje parametre, da optimizira svojo sposobnost izvajanja nalog z uporabo novih podatkov.
Vektor: niz podatkov. Pri strojnem učenju je vsak element matrike običajno edinstvena značilnost vzorca.
V tabeli 1 so navedeni najnovejši tečaji za april 2021, vključno z ciljnimi učnimi cilji za vsako temo. Ta delavnica je namenjena tistim, ki so novi na tehnični ravni in ne zahteva nobenega matematičnega znanja, ki presega prvo leto dodiplomskega medicinskega diplome. Tečaj je razvilo 6 študentov medicine in 3 učitelji z napredno diplomo iz inženirstva. Inženirji razvijajo teorijo umetne inteligence, študenti medicine pa se učijo klinično pomembnega gradiva.
Delavnice vključujejo predavanja, študije primerov in vodeno programiranje. V prvem predavanju pregledamo izbrane koncepte analize podatkov v bioostatistiki, vključno z vizualizacijo podatkov, logistično regresijo in primerjavo opisne in induktivne statistike. Čeprav je analiza podatkov temelj umetne inteligence, izključujemo teme, kot so rudarjenje podatkov, testiranje pomena ali interaktivna vizualizacija. To je bilo posledica časovnih omejitev in tudi zato, ker so se nekateri dodiplomski študenti predhodno usposabljali iz biostatistike in so želeli pokriti bolj edinstvene teme strojnega učenja. Naslednje predavanje uvaja sodobne metode in razpravlja o formulaciji problemov AI, prednosti in omejitvah modelov AI ter testiranju modela. Predavanja dopolnjujejo literaturo in praktične raziskave obstoječih naprav za umetno inteligenco. Poudarjamo veščine, potrebne za oceno učinkovitosti in izvedljivosti modela za reševanje kliničnih vprašanj, vključno z razumevanjem omejitev obstoječih naprav za umetno inteligenco. Študente smo na primer prosili, naj razlagajo smernice o poškodbah pediatrične glave, ki jih je predlagal Kupperman in sod., 5, ki je izvajal algoritem drevesa drevesa odločitve o umetni obveščevalni strani, da bi ugotovili, ali bo CT skeniranje koristno na podlagi zdravnikovega pregleda. Poudarjamo, da je to pogost primer AI, ki zagotavlja napovedno analitiko, ki jo zdravniki lahko razlagajo, namesto da bi nadomestili zdravnike.
V razpoložljivih primerih programiranja odprtokodnih zagonov (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) prikazujemo, kako izvajati raziskovalno analizo podatkov, zmanjšanje dimenzij, nalaganje standardnih modelov in usposabljanje . in testiranje. Uporabljamo Google Colaboratory prenosnike (Google LLC, Mountain View, CA), ki omogočajo izvajanje kode Python iz spletnega brskalnika. Na sliki Slika 2 prikazuje primer programske vaje. Ta vaja vključuje napovedovanje malignosti z uporabo nabora podatkov o prsih Wisconsin Open dojke in algoritma dreves.
V celotnem tednu predstavite programe o povezanih temah in izberite primere objavljenih aplikacij AI. Programski elementi so vključeni le, če se štejejo za pomembne za zagotavljanje vpogleda v prihodnjo klinično prakso, na primer, kako oceniti modele, da ugotovijo, ali so pripravljeni na uporabo v kliničnih preskušanjih. Ti primeri se končajo v popolni do končni aplikaciji, ki tumorje razvrsti kot benigne ali maligne na podlagi parametrov medicinske slike.
Heterogenost predhodnega znanja. Naši udeleženci so se razlikovali po svoji stopnji matematičnega znanja. Na primer, študenti z naprednim inženirskim ozadjem iščejo bolj poglobljeno gradivo, na primer, kako izvajati svoje Fourierove preobrazbe. Vendar razprava o algoritmu Fourierja v razredu ni mogoča, ker zahteva poglobljeno znanje o obdelavi signalov.
Odliv za udeležbo. Udeležba na nadaljnjih sestankih se je zmanjšala, zlasti v spletnih oblikah. Rešitev je lahko spremljanje udeležbe in zagotovitev potrdila o zaključku. Znano je, da medicinske šole priznavajo prepise študentskih izvenšolskih akademskih dejavnosti, ki lahko študente spodbudijo k diplomi.
Oblikovanje tečaja: Ker AI obsega toliko podfi polj, je izbira temeljnih konceptov ustrezne globine in širine lahko izziv. Na primer, neprekinjenost uporabe orodij AI iz laboratorija do klinike je pomembna tema. Medtem ko zajemamo predhodno obdelavo podatkov, gradnjo modelov in potrjevanje, ne vključujemo teme, kot so analitika velikih podatkov, interaktivna vizualizacija ali izvajanje kliničnih preskušanj AI, namesto tega se osredotočamo na najbolj edinstvene koncepte AI. Naše vodilno načelo je izboljšati opismenjevanje in ne na veščine. Na primer, razumevanje, kako model obdeluje vhodne značilnosti, je pomembno za razlago. Eden od načinov za to je uporaba zemljevidov za aktivacijo gradienta, ki lahko vizualizirajo, katera območja podatkov so predvidljiva. Vendar to zahteva multivariatni računanje in ga ni mogoče uvesti88. Razvoj skupne terminologije je bil izziv, ker smo poskušali razložiti, kako delati s podatki kot vektorji brez matematičnega formalizma. Upoštevajte, da imajo različni izrazi enak pomen, na primer v epidemiologiji je "značilnost" opisana kot "spremenljivka" ali "atribut."
Zadrževanje znanja. Ker je uporaba AI omejena, je še treba videti, v kolikšni meri ohranijo znanje. Učni načrti medicinske šole se pogosto zanašajo na razmaknjeno ponavljanje, da okrepijo znanje med praktičnimi rotacijami, 9, ki jih je mogoče uporabiti tudi za izobraževanje AI.
Profesionalnost je pomembnejša od pismenosti. Globina gradiva je zasnovana brez matematične strogosti, kar je bil problem pri zagonu kliničnih tečajev umetne inteligence. V primerih programiranja uporabljamo program predloge, ki udeležencem omogoča, da izpolnjujejo polja in zaženejo programsko opremo, ne da bi morali ugotoviti, kako nastaviti celotno programsko okolje.
Skrb za umetno inteligenco, ki je bila obravnavana: Obstaja široka zaskrbljenost, da bi umetna inteligenca lahko nadomestila nekatere klinične dolžnosti3. Za reševanje tega vprašanja razložimo omejitve AI, vključno z dejstvom, da skoraj vse tehnologije AI, ki jih odobrijo regulatorji, zahtevajo nadzor nad zdravnikom11. Poudarjamo tudi pomen pristranskosti, ker so algoritmi nagnjeni k pristranskosti, še posebej, če nabor podatkov ni raznolik12. Posledično se lahko določena podskupina modelira nepravilno, kar vodi do nepoštenih kliničnih odločitev.
Viri so javno dostopni: ustvarili smo javno dostopne vire, vključno s predavanji in kodo. Čeprav je dostop do sinhrone vsebine omejen zaradi časovnih pasov, je odprtokodna vsebina priročna metoda za asinhrono učenje, saj strokovno znanje AI ni na voljo na vseh medicinskih šolah.
Interdisciplinarno sodelovanje: Ta delavnica je skupno podjetje, ki ga študenti medicine sprožijo za načrtovanje tečajev skupaj z inženirji. To kaže na priložnosti za sodelovanje in vrzeli v znanju na obeh področjih, kar omogoča udeležencem, da razumejo potencialno vlogo, ki jo lahko prispevajo v prihodnosti.
Določite AI temeljne kompetence. Določitev seznama kompetenc zagotavlja standardizirano strukturo, ki jo je mogoče vključiti v obstoječe medicinske učne načrte, ki temeljijo na kompetencah. Ta delavnica trenutno uporablja učne ravni ravni 2 (razumevanje), 3 (aplikacija) in 4 (analiza) Bloomove taksonomije. Sredstva na višjih stopnjah klasifikacije, kot je ustvarjanje projektov, lahko še okrepi znanje. To zahteva delo s kliničnimi strokovnjaki, da ugotovi, kako je mogoče uporabiti AI teme za klinične tokove dela in preprečevanje poučevanja ponavljajočih se tem, ki so že vključene v standardne medicinske učne načrte.
Ustvari študije primerov z uporabo AI. Podobno kot klinični primeri, lahko tudi učenje na podlagi primerov okrepi abstraktne koncepte s poudarjanjem njihovega pomena za klinična vprašanja. Na primer, ena študija delavnice je analizirala Googlov sistem za odkrivanje diabetične retinopatije na osnovi AI, da bi ugotovila izzive na poti od laboratorija do klinike, kot so zahteve za zunanjo potrjevanje in poti za regulativno odobritev.
Uporabite izkustveno učenje: Tehnične spretnosti zahtevajo osredotočeno prakso in večkratno uporabo za mojster, podobno kot vrteči se učni izkušnji kliničnih pripravnikov. Ena od potencialnih rešitev je model preusmeritve v učilnico, za katerega so poročali o izboljšanju zadrževanja znanja v inženirskem izobraževanju14. V tem modelu študenti pregledajo teoretično gradivo neodvisno in čas pouka je namenjen reševanju problemov s študijami primerov.
Skatenje za multidisciplinarne udeležence: Predvidevamo, da je sprejetje AI, ki vključuje sodelovanje v več disciplinah, vključno z zdravniki in zavezniškimi zdravstvenimi delavci z različnimi stopnjami usposabljanja. Zato bo morda treba razviti učne načrte v posvetovanju s fakulteto iz različnih oddelkov, da bi svojo vsebino prilagodili različnim področjem zdravstvene oskrbe.
Umetna inteligenca je visokotehnološka, njegovi temeljni koncepti pa so povezani z matematiko in računalništvom. Usposabljanje zdravstvenega osebja za razumevanje umetne inteligence predstavlja edinstvene izzive pri izbiri vsebine, kliničnega pomena in metod dostave. Upamo, da bodo vpogledi, pridobljeni z AI v izobraževalnih delavnicah, bodočim učiteljem pomagali sprejeti inovativne načine za vključitev AI v medicinsko izobraževanje.
Skript Python Google Colaboratory je odprtokodna in je na voljo na naslovu: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG in Khan, S. Premišljevanje medicinske izobrazbe: poziv k ukrepanju. Akkad. zdravilo. 88, 1407–1410 (2013).
McCoy, LG itd. Kaj morajo študenti medicine resnično vedeti o umetni inteligenci? NPZH številke. Medicina 3, 1–3 (2020).
Dos Santos, DP in sod. Odnos študentov medicine do umetne inteligence: večcentrična raziskava. Evro. sevanje. 29, 1640–1646 (2019).
Fan, KY, Hu, R. in Singla, R. Uvod v strojno učenje za študente medicine: pilotni projekt. J. med. učite. 54, 1042–1043 (2020).
Cooperman N et al. Prepoznavanje otrok z zelo majhnim tveganjem za klinično pomembne možganske poškodbe po poškodbi glave: potencialna kohortna študija. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH in Mangasar, ol. Ekstrakcija jedrske značilnosti za diagnozo tumorja dojke. Biomedicinska znanost. Obdelava slike. Biomedicinska znanost. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. in Peng, L. Kako razviti modele strojnega učenja za zdravstveno varstvo. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-Cam: Vizualna interpretacija globokih omrežij z lokalizacijo na osnovi gradienta. Zbornik mednarodne konference IEEE o računalniškem vidu, 618–626 (2017).
Kumaravel B, Stewart K in Ilic D. Razvoj in vrednotenje spiralnega modela za oceno dokazov, ki temeljijo na medicinskih kompetencah, ki uporabljajo OVSE v dodiplomskem medicinskem izobraževanju. BMK Medicina. učite. 21, 1–9 (2021).
Strojno učenje in medicinsko izobraževanje Kolachalama VB in Garg PS. NPZH številke. zdravilo. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. in De Rooy, M. Umetna inteligenca v radiologiji: 100 komercialnih izdelkov in njihovi znanstveni dokazi. Evro. sevanje. 31, 3797–3804 (2021).
Topol, EJ visokozmogljiva medicina: konvergenca človeške in umetne inteligence. Nat. zdravilo. 25, 44–56 (2019).
Bede, E. et al. Ocenjevanje sistema globokega učenja, osredotočenega na človeka, ki je bil nameščen na kliniki za odkrivanje diabetične retinopatije. Zbornik konference o človeških dejavnikih leta 2020 v računalniških sistemih (2020).
Kerr, B. Prevrnjena učilnica iz inženirskega izobraževanja: pregled raziskav. Zbornik mednarodne konference o interaktivnem sodelovanju v letu 2015 (2015).
Avtorji se zahvaljujejo Danielle Walker, Timu Salcudinu in Petru Zandstra iz skupine Biomedical Imaging and Artfifical Intelligence Research na Univerzi v Britanski Kolumbiji za podporo in financiranje.
RH, PP, ZH, RS in MA so bili odgovorni za razvoj učne vsebine delavnice. RH in PP sta bila odgovorna za razvoj primeri programiranja. KYF, OY, MT in PW so bili odgovorni za logistično organizacijo projekta in analizo delavnic. RH, OY, MT, Rs so bili odgovorni za ustvarjanje figur in tabel. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS so bili odgovorni za pripravo in urejanje dokumenta.
Komunikacijska medicina hvala Carolyn McGregor, Fabio Moraes in Aditya Borakati za prispevek k pregledu tega dela.
Čas objave: februar-19-2024