Hvala, ker ste obiskali Nature.com.Različica brskalnika, ki jo uporabljate, ima omejeno podporo za CSS.Za najboljše rezultate priporočamo uporabo novejše različice brskalnika (ali izklop načina združljivosti v Internet Explorerju).Medtem, da zagotovimo stalno podporo, spletno mesto prikazujemo brez oblikovanja ali JavaScripta.
Uporaba klinične umetne inteligence (AI) hitro narašča, vendar obstoječi učni načrti medicinskih šol ponujajo omejeno poučevanje, ki pokriva to področje.Tukaj opisujemo tečaj usposabljanja za umetno inteligenco, ki smo ga razvili in izvedli kanadskim študentom medicine, in podajamo priporočila za prihodnje usposabljanje.
Umetna inteligenca (AI) v medicini lahko izboljša učinkovitost na delovnem mestu in pomaga pri sprejemanju kliničnih odločitev.Za varno vodenje uporabe umetne inteligence morajo zdravniki imeti nekaj razumevanja umetne inteligence.Številni komentarji zagovarjajo poučevanje konceptov umetne inteligence1, kot je razlaga modelov umetne inteligence in postopkov preverjanja2.Vendar je bilo izvedenih le malo strukturiranih načrtov, zlasti na nacionalni ravni.Pinto dos Santos et al.3.Anketiranih je bilo 263 študentov medicine in 71 % se jih je strinjalo, da potrebujejo usposabljanje na področju umetne inteligence.Poučevanje umetne inteligence za medicinsko občinstvo zahteva skrbno zasnovo, ki združuje tehnične in netehnične koncepte za študente, ki imajo pogosto obsežno predznanje.Opisujemo naše izkušnje z izvajanjem serije delavnic umetne inteligence trem skupinam študentov medicine in podajamo priporočila za prihodnje medicinsko izobraževanje na področju umetne inteligence.
Naša pettedenska delavnica Uvod v umetno inteligenco v medicini za študente medicine je bila izvedena 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 glavni učni cilji: študentje razumejo, kako se podatki obdelujejo v aplikacijah umetne inteligence, analizirajo literaturo o umetni inteligenci za klinične aplikacije in izkoristijo priložnosti za sodelovanje z inženirji, ki razvijajo umetno inteligenco.
Modra je tema predavanja, svetlo modra pa interaktivno obdobje za vprašanja in odgovore.Sivi del je središče kratkega pregleda literature.Oranžni deli so izbrane študije primerov, ki opisujejo modele ali tehnike umetne inteligence.Green je vodeni tečaj programiranja, namenjen učenju umetne inteligence za reševanje kliničnih problemov in ocenjevanje modelov.Vsebina in trajanje delavnic se spreminjata glede na oceno potreb študentov.
Prva delavnica je potekala na Univerzi Britanske Kolumbije od februarja do aprila 2019 in vseh 8 udeležencev je dalo pozitivne povratne informacije4.Zaradi COVID-19 je bila druga delavnica izvedena virtualno v oktobru in novembru 2020, pri čemer se je prijavilo 222 študentov medicine in 3 stanovalci iz 8 kanadskih medicinskih šol.Predstavitveni diapozitivi in koda so bili naloženi na mesto z odprtim dostopom (http://ubcaimed.github.io).Ključna povratna informacija iz prve ponovitve je bila, da so bila predavanja preveč intenzivna in snov preveč teoretična.Oskrba s šestimi različnimi časovnimi pasovi Kanade predstavlja dodatne izzive.Tako je druga delavnica vsako sejo skrajšala na 1 uro, poenostavila gradivo tečaja, dodala več študij primerov in ustvarila okvirne programe, ki so udeležencem omogočili dokončanje odrezkov kode z minimalnim odpravljanjem napak (okvir 1).Ključne povratne informacije iz druge ponovitve so vključevale pozitivne povratne informacije o vajah programiranja in zahtevo za prikaz načrtovanja za projekt strojnega učenja.Zato smo v naši tretji delavnici, ki smo jo virtualno izvedli za 126 študentov medicine marca in aprila 2021, vključili več interaktivnih vaj kodiranja in povratnih informacij o projektu, da bi prikazali vpliv uporabe konceptov delavnice na projekte.
Analiza podatkov: študijsko področje statistike, ki identificira pomembne vzorce v podatkih z analizo, obdelavo in sporočanjem podatkovnih vzorcev.
Podatkovno rudarjenje: proces identifikacije in pridobivanja podatkov.V kontekstu umetne inteligence je to pogosto veliko, z več spremenljivkami za vsak vzorec.
Zmanjšanje dimenzionalnosti: Postopek preoblikovanja podatkov s številnimi posameznimi značilnostmi v manjše število funkcij ob ohranjanju pomembnih lastnosti izvirnega niza podatkov.
Značilnosti (v kontekstu umetne inteligence): merljive lastnosti vzorca.Pogosto se uporablja zamenljivo z "lastnostjo" ali "spremenljivko".
Gradientni aktivacijski zemljevid: Tehnika, ki se uporablja za interpretacijo modelov umetne inteligence (zlasti konvolucijskih nevronskih mrež), ki analizira proces optimizacije zadnjega dela omrežja za identifikacijo regij podatkov ali slik, ki so zelo predvidljive.
Standardni model: obstoječi model AI, ki je bil vnaprej usposobljen za izvajanje podobnih nalog.
Testiranje (v kontekstu umetne inteligence): opazovanje, kako model izvaja nalogo z uporabo podatkov, s katerimi se še ni srečal.
Usposabljanje (v kontekstu umetne inteligence): Zagotavljanje modela s podatki in rezultati, tako da model prilagodi svoje notranje parametre za optimizacijo svoje sposobnosti izvajanja nalog z uporabo novih podatkov.
Vektor: niz podatkov.Pri strojnem učenju je vsak element niza običajno edinstvena lastnost vzorca.
Tabela 1 navaja najnovejše tečaje za april 2021, vključno s ciljnimi učnimi cilji za vsako temo.Ta delavnica je namenjena začetnikom na tehnični ravni in ne zahteva nikakršnega matematičnega znanja po prvem letniku dodiplomskega študija medicine.Tečaj je razvilo 6 študentov medicine in 3 učitelji z višjo diplomo inženirja.Inženirji razvijajo teorijo umetne inteligence za poučevanje, 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 biostatistiki, vključno z vizualizacijo podatkov, logistično regresijo ter primerjavo deskriptivne in induktivne statistike.Čeprav je analiza podatkov temelj umetne inteligence, izključujemo teme, kot so podatkovno rudarjenje, testiranje pomembnosti ali interaktivna vizualizacija.Razlog za to so bile časovne omejitve in tudi zato, ker so nekateri dodiplomski študenti imeli predhodno usposabljanje iz biostatistike in so želeli obravnavati bolj edinstvene teme strojnega učenja.Sledeče predavanje predstavi sodobne metode in razpravlja o oblikovanju problema AI, prednostih in omejitvah modelov AI ter testiranju modelov.Predavanja dopolnjuje literatura in praktične raziskave obstoječih naprav umetne inteligence.Poudarjamo veščine, potrebne za oceno učinkovitosti in izvedljivosti modela za obravnavo kliničnih vprašanj, vključno z razumevanjem omejitev obstoječih naprav umetne inteligence.Študente smo na primer prosili, naj interpretirajo smernice za pediatrične poškodbe glave, ki so jih predlagali Kupperman et al., 5 ki so implementirali algoritem drevesa odločanja umetne inteligence, da bi na podlagi zdravniškega pregleda ugotovili, ali bi bil CT koristen.Poudarjamo, da je to običajen primer umetne inteligence, ki zagotavlja napovedno analitiko, ki jo zdravniki razlagajo, namesto da nadomešča zdravnike.
V razpoložljivih odprtokodnih primerih zagonskega programiranja (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) prikazujemo, kako izvajati raziskovalno analizo podatkov, zmanjšanje dimenzij, nalaganje standardnega modela in usposabljanje .in testiranje.Uporabljamo prenosne računalnike Google Colaboratory (Google LLC, Mountain View, CA), ki omogočajo izvajanje kode Python iz spletnega brskalnika.Na sliki Slika 2 prikazuje primer vaje programiranja.Ta vaja vključuje napovedovanje malignomov z uporabo Wisconsin Open Breast Imaging Dataset6 in algoritma odločitvenega drevesa.
Ves teden predstavljajte programe o povezanih temah in izberite primere iz objavljenih aplikacij AI.Elementi programiranja so vključeni le, če se štejejo za pomembne za zagotavljanje vpogleda v prihodnjo klinično prakso, na primer, kako oceniti modele, da se ugotovi, ali so pripravljeni za uporabo v kliničnih preskušanjih.Ti primeri dosegajo vrhunec v celoviti aplikaciji od konca do konca, ki razvršča tumorje kot benigne ali maligne na podlagi parametrov medicinske slike.
Heterogenost predznanja.Naši udeleženci so bili različni po stopnji znanja matematike.Na primer, študenti z naprednim inženirskim znanjem iščejo bolj poglobljeno gradivo, na primer, kako izvesti lastne Fourierove transformacije.Vendar razprava o Fourierjevem algoritmu v razredu ni mogoča, ker zahteva poglobljeno znanje obdelave signalov.
Odliv obiska.Udeležba na nadaljnjih srečanjih je upadla, zlasti v spletnih oblikah.Rešitev je lahko sledenje prisotnosti in predložitev potrdila o zaključku.Znano je, da medicinske šole priznavajo prepise izvenšolskih akademskih dejavnosti študentov, kar lahko študente spodbudi k pridobitvi diplome.
Zasnova tečaja: Ker AI obsega toliko podpolj, je izbira temeljnih konceptov ustrezne globine in širine lahko izziv.Na primer, pomembna tema je kontinuiteta uporabe orodij AI od laboratorija do klinike.Čeprav pokrivamo predhodno obdelavo podatkov, gradnjo modelov in validacijo, ne vključujemo tem, kot so analitika velikih podatkov, interaktivna vizualizacija ali izvajanje kliničnih preskušanj AI, namesto tega se osredotočamo na najbolj edinstvene koncepte AI.Naše vodilo je izboljšanje pismenosti, ne veščin.Na primer, razumevanje, kako model obdeluje vhodne funkcije, je pomembno za interpretabilnost.Eden od načinov za to je uporaba gradientnih aktivacijskih zemljevidov, ki lahko vizualizirajo, katera področja podatkov so predvidljiva.Vendar to zahteva multivariatni račun in ga ni mogoče uvesti8.Razvijanje skupne terminologije je bilo zahtevno, 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 umetne inteligence omejena, je treba še videti, v kolikšni meri udeleženci ohranijo znanje.Učni načrti medicinskih šol se pogosto zanašajo na ponavljanje v razmiku, da utrdijo znanje med praktičnim kroženjem,9 kar je mogoče uporabiti tudi pri izobraževanju z umetno inteligenco.
Strokovnost je pomembnejša od pismenosti.Globina gradiva je zasnovana brez matematične strogosti, kar je bila težava pri uvedbi kliničnih tečajev umetne inteligence.V primerih programiranja uporabljamo predlogo programa, ki udeležencem omogoča, da izpolnijo polja in zaženejo programsko opremo, ne da bi morali ugotoviti, kako nastaviti celotno programsko okolje.
Obravnavani pomisleki glede umetne inteligence: Obstaja splošno razširjena zaskrbljenost, da bi umetna inteligenca lahko nadomestila nekatere klinične naloge3.Da bi rešili to težavo, pojasnjujemo omejitve umetne inteligence, vključno z dejstvom, da skoraj vse tehnologije umetne inteligence, ki so jih odobrili regulatorji, zahtevajo zdravniški nadzor11.Poudarjamo tudi pomen pristranskosti, ker so algoritmi nagnjeni k pristranskosti, zlasti če nabor podatkov ni raznolik12.Posledično se lahko določena podskupina nepravilno modelira, kar vodi do nepoštenih kliničnih odločitev.
Viri so javno dostopni: Ustvarili smo javno dostopne vire, vključno z diapozitivi predavanj in kodo.Čeprav je dostop do sinhrone vsebine omejen zaradi časovnih pasov, je odprtokodna vsebina priročna metoda za asinhrono učenje, saj strokovno znanje o AI ni na voljo na vseh medicinskih fakultetah.
Interdisciplinarno sodelovanje: Ta delavnica je skupni podvig, ki so ga sprožili študenti medicine za načrtovanje tečajev skupaj z inženirji.To kaže na priložnosti za sodelovanje in vrzeli v znanju na obeh področjih, kar udeležencem omogoča razumevanje potencialne vloge, ki jo lahko prispevajo v prihodnosti.
Določite ključne kompetence AI.Opredelitev seznama kompetenc zagotavlja standardizirano strukturo, ki jo je mogoče integrirati v obstoječe medicinske kurikulume, ki temeljijo na kompetencah.Ta delavnica trenutno uporablja ravni učnih ciljev 2 (razumevanje), 3 (uporaba) in 4 (analiza) Bloomove taksonomije.Imeti vire na višjih ravneh klasifikacije, kot je ustvarjanje projektov, lahko dodatno okrepi znanje.To zahteva sodelovanje s kliničnimi strokovnjaki, da bi ugotovili, kako je mogoče teme umetne inteligence uporabiti v kliničnih potekih dela in preprečiti poučevanje ponavljajočih se tem, ki so že vključene v standardne medicinske učne načrte.
Ustvarite študije primerov z AI.Podobno kot klinični primeri lahko učenje na podlagi primerov okrepi abstraktne koncepte s poudarjanjem njihove pomembnosti za klinična vprašanja.Ena študija na delavnici je na primer analizirala Googlov sistem za odkrivanje diabetične retinopatije 13, ki temelji na umetni inteligenci, da bi identificiral izzive na poti od laboratorija do klinike, kot so zunanje zahteve za validacijo in regulativne odobritvene poti.
Uporabite izkustveno učenje: Tehnične veščine zahtevajo osredotočeno prakso in ponavljajočo se uporabo za obvladovanje, podobno kot pri krožečih učnih izkušnjah kliničnih pripravnikov.Ena možna rešitev je model obrnjene učilnice, za katerega so poročali, da izboljšuje ohranjanje znanja v inženirskem izobraževanju14.Pri tem modelu študenti samostojno ponavljajo teoretično snov, čas pouka pa je namenjen reševanju problemov s pomočjo študij primerov.
Prilagoditev za multidisciplinarne udeležence: Predvidevamo, da bo umetna inteligenca vključevala sodelovanje med več disciplinami, vključno z zdravniki in sorodnimi zdravstvenimi delavci z različnimi stopnjami usposabljanja.Zato bo morda treba razviti učne načrte v posvetovanju s profesorji iz različnih oddelkov, da se njihova vsebina prilagodi različnim področjem zdravstvenega varstva.
Umetna inteligenca je visokotehnološka in njeni ključni koncepti so povezani z matematiko in računalništvom.Usposabljanje zdravstvenega osebja za razumevanje umetne inteligence predstavlja edinstvene izzive pri izbiri vsebine, klinični pomembnosti in metodah dostave.Upamo, da bodo vpogledi, pridobljeni na delavnicah AI in Education, pomagali bodočim učiteljem sprejeti inovativne načine za integracijo AI v medicinsko izobraževanje.
Skript Google Collaboratory Python je odprtokoden in na voljo na: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG in Khan, S. Ponovno razmišljanje o medicinskem izobraževanju: poziv k ukrepanju.Akkad.zdravilo.88, 1407–1410 (2013).
McCoy, LG itd. Kaj morajo študenti medicine res vedeti o umetni inteligenci?Številke NPZh.Medicina 3, 1–3 (2020).
Dos Santos, DP, et al.Odnos študentov medicine do umetne inteligence: multicentrična 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.učiti.54, 1042–1043 (2020).
Cooperman N, et al.Prepoznavanje otrok z zelo nizkim tveganjem za klinično pomembno možgansko poškodbo po poškodbi glave: prospektivna kohortna študija.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH in Mangasarian, OL.Ekstrakcija jedrskih značilnosti za diagnozo tumorja dojke.Biomedicinska znanost.Obdelava slik.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 mrež prek gradientne lokalizacije.Zbornik mednarodnih konferenc IEEE o računalniškem vidu, 618–626 (2017).
Kumaravel B, Stewart K in Ilic D. Razvoj in vrednotenje spiralnega modela za ocenjevanje z dokazi temelječih medicinskih kompetenc z uporabo OSCE v dodiplomskem medicinskem izobraževanju.BMK Medicina.učiti.21, 1–9 (2021).
Kolachalama VB in Garg PS Strojno učenje in medicinsko izobraževanje.Številke NPZh.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 Visoko zmogljiva medicina: konvergenca človeške in umetne inteligence.Nat.zdravilo.25, 44–56 (2019).
Bede, E. et al.Na človeka osredotočeno vrednotenje sistema globokega učenja, uporabljenega na kliniki za odkrivanje diabetične retinopatije.Zbornik konference CHI 2020 o človeških dejavnikih v računalniških sistemih (2020).
Kerr, B. Obrnjena učilnica v inženirskem izobraževanju: pregled raziskave.Zbornik mednarodnih konferenc o interaktivnem sodelovalnem učenju 2015 (2015).
Avtorji se zahvaljujejo Danielle Walker, Timu Salcudinu in Petru Zandstri iz raziskovalnega grozda biomedicinskega slikanja in umetne inteligence na Univerzi Britanske Kolumbije 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 primerov programiranja.KYF, OY, MT in PW so bili odgovorni za logistično organizacijo projekta in analizo delavnic.RH, OY, MT, RS so bili odgovorni za izdelavo slik in tabel.Za pripravo in urejanje dokumenta so bili odgovorni RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS.
Communication Medicine se zahvaljuje Carolyn McGregor, Fabiu Moraesu in Adityi Borakati za njihove prispevke k pregledu tega dela.
Čas objave: 19. februarja 2024