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 bi zagotovili stalno podporo, spletno mesto prikazujemo brez stilov ali JavaScripta.
Uporaba klinične umetne inteligence (UI) hitro narašča, vendar obstoječi učni načrti medicinskih fakultet ponujajo omejeno poučevanje na tem področju. Tukaj opisujemo tečaj usposabljanja za umetno inteligenco, ki smo ga razvili in izvedli za kanadske študente medicine, ter podajamo priporočila za prihodnje usposabljanje.
Umetna inteligenca (UI) v medicini lahko izboljša učinkovitost delovnega mesta in pomaga pri kliničnem odločanju. 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 pa je bilo izvedenih le malo strukturiranih načrtov, zlasti na nacionalni ravni. Pinto dos Santos et al.3. Anketiranih je bilo 263 študentov medicine, 71 % pa se jih je strinjalo, da potrebujejo usposabljanje na področju umetne inteligence. Poučevanje umetne inteligence medicinske publike zahteva skrbno zasnovo, ki združuje tehnične in netehnične koncepte za študente, ki imajo pogosto obsežno predznanje. Opisujemo naše izkušnje z izvajanjem serije delavnic o umetni inteligenci za tri skupine 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 med februarjem 2019 in aprilom 2021 izvedena trikrat. Razpored posameznih delavnic s kratkim opisom sprememb tečaja je prikazan na sliki 1. Naš tečaj ima tri glavne učne cilje: študenti 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 barva je tema predavanja, svetlo modra pa interaktivni čas za vprašanja in odgovore. Sivi del je osrednja tema kratkega pregleda literature. Oranžni deli so izbrane študije primerov, ki opisujejo modele ali tehnike umetne inteligence. Zelena barva je voden tečaj programiranja, namenjen učenju umetne inteligence za reševanje kliničnih problemov in vrednotenje 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 podalo pozitivne povratne informacije4. Zaradi COVID-19 je bila druga delavnica izvedena virtualno v oktobru in novembru 2020, na kateri se je prijavilo 222 študentov medicine in 3 specializanti z 8 kanadskih medicinskih fakultet. Predstavitveni diapozitivi in koda so bili naloženi na spletno mesto z odprtim dostopom (http://ubcaimed.github.io). Ključne povratne informacije iz prve ponovitve so bile, da so bila predavanja preintenzivna in snov preveč teoretična. Delo v šestih različnih časovnih pasovih Kanade predstavlja dodatne izzive. Zato so na drugi delavnici vsako sejo skrajšali na 1 uro, poenostavili snov tečaja, dodali več študij primerov in ustvarili standardne programe, ki so udeležencem omogočili dokončanje delčkov kode z minimalnim odpravljanjem napak (Okvir 1). Ključne povratne informacije iz druge ponovitve so vključevale pozitivne povratne informacije o programskih vajah in prošnjo za demonstracijo načrtovanja projekta strojnega učenja. Zato smo v našo tretjo delavnico, ki je bila izvedena virtualno za 126 študentov medicine v marcu in aprilu 2021, vključili več interaktivnih vaj kodiranja in sej za povratne informacije o projektih, da bi prikazali vpliv uporabe konceptov delavnic na projekte.
Analiza podatkov: Področje študija statistike, ki prepoznava pomembne vzorce v podatkih z analizo, obdelavo in sporočanjem podatkovnih vzorcev.
Rudarjenje podatkov: postopek identifikacije in ekstrakcije podatkov. V kontekstu umetne inteligence je to pogosto veliko, z več spremenljivkami za vsak vzorec.
Zmanjšanje dimenzionalnosti: Postopek preoblikovanja podatkov z veliko posameznimi značilnostmi v manj značilnostmi, hkrati pa ohranja pomembne lastnosti prvotnega nabora podatkov.
Značilnosti (v kontekstu umetne inteligence): merljive lastnosti vzorca. Pogosto se uporabljajo sopomenko za »lastnost« 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 prepoznavanje območij podatkov ali slik, ki so zelo napovedna.
Standardni model: Obstoječi model umetne inteligence, ki je bil predhodno 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 podatkov in rezultatov modelu, tako da model prilagodi svoje notranje parametre za optimizacijo svoje sposobnosti izvajanja nalog z uporabo novih podatkov.
Vektor: matrika podatkov. V strojnem učenju je vsak element matrike običajno edinstvena značilnost vzorca.
V tabeli 1 so navedeni najnovejši tečaji za april 2021, vključno s 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 študija medicine. Tečaj je razvilo 6 študentov medicine in 3 učitelji z višjo izobrazbo iz inženirstva. Inženirji razvijajo teorijo umetne inteligence za poučevanje, študenti medicine pa se učijo klinično relevantne snovi.
Delavnice vključujejo predavanja, študije primerov in vodeno programiranje. V prvem predavanju bomo pregledali izbrane koncepte analize podatkov v biostatistiki, vključno z vizualizacijo podatkov, logistično regresijo in primerjavo deskriptivne in induktivne statistike. Čeprav je analiza podatkov temelj umetne inteligence, izključujemo teme, kot so rudarjenje podatkov, testiranje pomembnosti ali interaktivna vizualizacija. To je bilo posledica časovnih omejitev in tudi zato, ker so nekateri dodiplomski študenti že imeli predhodno usposabljanje na področju biostatistike in so želeli obravnavati bolj edinstvene teme strojnega učenja. Naslednje predavanje predstavlja sodobne metode in razpravlja o formulaciji problemov umetne inteligence, prednostih in omejitvah modelov umetne inteligence ter testiranju modelov. Predavanja dopolnjujejo literatura in praktične raziskave o obstoječih napravah umetne inteligence. Poudarjamo veščine, potrebne za oceno učinkovitosti in izvedljivosti modela za reševanje 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 in sod.,5 ki so implementirale algoritem odločitvenega drevesa umetne inteligence, da bi ugotovile, ali bi bil CT-pregled uporaben na podlagi zdravniškega pregleda. Poudarjamo, da je to pogost primer, ko umetna inteligenca zagotavlja napovedno analitiko za zdravnike za interpretacijo, namesto da bi nadomestila zdravnike.
V razpoložljivih primerih odprtokodnega programiranja z zagonskim zagonom (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) prikazujemo, kako izvesti raziskovalno analizo podatkov, zmanjšanje dimenzionalnosti, nalaganje standardnega modela ter učenje in testiranje. Uporabljamo zvezke Google Colaboratory (Google LLC, Mountain View, CA), ki omogočajo izvajanje kode Python iz spletnega brskalnika. Slika 2 prikazuje primer programerske vaje. Ta vaja vključuje napovedovanje malignomov z uporabo nabora podatkov Wisconsin Open Breast Imaging Dataset6 in algoritma odločitvenega drevesa.
Predstavljajte programe ves teden o sorodnih temah in izberite primere iz objavljenih aplikacij umetne inteligence. Programski elementi so vključeni le, če se štejejo za pomembne za vpogled v prihodnjo klinično prakso, na primer kako oceniti modele, da se ugotovi, ali so pripravljeni za uporabo v kliničnih preskušanjih. Ti primeri se zaključijo s celovito aplikacijo, ki razvršča tumorje kot benigne ali maligne na podlagi parametrov medicinske slike.
Heterogenost predhodnega znanja. Naši udeleženci so se razlikovali po stopnji matematičnega znanja. Na primer, študenti z naprednim inženirskim znanjem iščejo poglobljeno snov, na primer kako izvesti lastne Fourierjeve transformacije. Vendar pa razprava o Fourierjevem algoritmu v razredu ni mogoča, ker zahteva poglobljeno znanje obdelave signalov.
Odliv udeležbe. Udeležba na nadaljnjih sestankih se je zmanjšala, zlasti v spletnih oblikah. Rešitev je lahko sledenje udeležbi in izdajanje potrdila o zaključku. Medicinske fakultete so znane po tem, da priznavajo prepise študentskih zunajšolskih akademskih dejavnosti, kar lahko študente spodbudi k nadaljevanju študija.
Zasnova tečaja: Ker umetna inteligenca zajema toliko podpodročij, je lahko izbira ključnih konceptov ustrezne globine in širine izziv. Pomembna tema je na primer kontinuiteta uporabe orodij umetne inteligence od laboratorija do klinike. Čeprav obravnavamo predobdelavo podatkov, gradnjo modelov in validacijo, ne vključujemo tem, kot so analitika velikih podatkov, interaktivna vizualizacija ali izvajanje kliničnih preskušanj umetne inteligence, temveč se osredotočamo na najbolj edinstvene koncepte umetne inteligence. Naše vodilno načelo je izboljšanje pismenosti, ne veščin. Na primer, razumevanje, kako model obdeluje vhodne značilnosti, je pomembno za interpretabilnost. Eden od načinov za to je uporaba gradientnih aktivacijskih zemljevidov, ki lahko vizualizirajo, katera območja podatkov so predvidljiva. Vendar to zahteva večvariatni račun in ga ni mogoče uvesti8. 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«.
Ohranjanje znanja. Ker je uporaba umetne inteligence omejena, bomo še videli, v kolikšni meri si bodo udeleženci znanje ohranili. Učni načrti medicinskih fakultet se pogosto zanašajo na razmaknjeno ponavljanje za utrjevanje znanja med praktičnimi rotacijami,9 kar je mogoče uporabiti tudi za izobraževanje na področju umetne inteligence.
Profesionalnost je pomembnejša od pismenosti. Globina snovi je zasnovana brez matematične strogosti, kar je bila težava pri uvajanju kliničnih tečajev umetne inteligence. V programskih primerih uporabljamo predlogo programa, ki udeležencem omogoča izpolnjevanje polj in zagon programske opreme, ne da bi morali ugotoviti, kako nastaviti celotno programsko okolje.
Obravnava pomislekov glede umetne inteligence: Obstaja široko razširjena zaskrbljenost, da bi umetna inteligenca lahko nadomestila nekatere klinične naloge3. Da bi obravnavali to vprašanje, pojasnjujemo omejitve umetne inteligence, vključno z dejstvom, da skoraj vse tehnologije umetne inteligence, ki jih odobrijo regulatorji, zahtevajo zdravniški nadzor11. Poudarjamo tudi pomen pristranskosti, ker so algoritmi nagnjeni k pristranskosti, zlasti če nabor podatkov ni raznolik12. Posledično je lahko določena podskupina napačno modelirana, kar vodi do nepoštenih kliničnih odločitev.
Viri so javno dostopni: Ustvarili smo javno dostopne vire, vključno s predavanji in kodo. Čeprav je dostop do sinhronih vsebin omejen zaradi časovnih pasov, je odprtokodna vsebina priročna metoda za asinhrono učenje, saj strokovno znanje o umetni inteligenci ni na voljo na vseh medicinskih fakultetah.
Interdisciplinarno sodelovanje: Ta delavnica je skupni projekt študentov medicine za načrtovanje tečajev skupaj z inženirji. Delavnica prikazuje možnosti sodelovanja in vrzeli v znanju na obeh področjih, udeležencem pa omogoča razumevanje potencialne vloge, ki jo lahko prispevajo v prihodnosti.
Definirajte ključne kompetence umetne inteligence. Definiranje seznama kompetenc zagotavlja standardizirano strukturo, ki jo je mogoče vključiti v obstoječe medicinske učne načrte, ki temeljijo na kompetencah. Ta delavnica trenutno uporablja ravni učnih ciljev 2 (razumevanje), 3 (uporaba) in 4 (analiza) Bloomove taksonomije. Z viri na višjih ravneh klasifikacije, kot je ustvarjanje projektov, se lahko znanje še dodatno okrepi. To zahteva sodelovanje s kliničnimi strokovnjaki, da se ugotovi, kako se lahko teme umetne inteligence uporabijo v kliničnih potekih dela, in prepreči poučevanje ponavljajočih se tem, ki so že vključene v standardne medicinske učne načrte.
Ustvarite študije primerov z uporabo umetne inteligence. Podobno kot klinični primeri lahko učenje na podlagi primerov okrepi abstraktne koncepte s poudarjanjem njihove relevantnosti za klinična vprašanja. Na primer, ena od delavnic je analizirala Googlov sistem za odkrivanje diabetične retinopatije, ki temelji na umetni inteligenci, 13 da bi prepoznala izzive na poti od laboratorija do klinike, kot so zahteve za zunanjo validacijo in poti regulativne odobritve.
Uporabljajte izkustveno učenje: Tehnične veščine zahtevajo osredotočeno prakso in ponavljajočo se uporabo za obvladovanje, podobno kot izkušnje izmeničnega učenja kliničnih pripravnikov. Ena od možnih rešitev je model obrnjene učne ure, za katerega so poročali, da izboljšuje ohranjanje znanja v inženirskem izobraževanju14. V tem modelu študenti samostojno pregledajo teoretično snov, čas pouka pa je namenjen reševanju problemov s študijami primerov.
Prilagoditev za multidisciplinarne udeležence: Predvidevamo, da bo uvedba umetne inteligence vključevala sodelovanje med več disciplinami, vključno z zdravniki in drugimi zdravstvenimi delavci z različnimi stopnjami usposobljenosti. Zato bo morda treba učne načrte razviti v posvetovanju s fakulteto z različnih oddelkov, da se njihova vsebina prilagodi različnim področjem zdravstvenega varstva.
Umetna inteligenca je visokotehnološko področje, njeni temeljni koncepti pa so povezani z matematiko in računalništvom. Usposabljanje zdravstvenega osebja za razumevanje umetne inteligence predstavlja edinstvene izzive pri izbiri vsebin, kliničnem pomenu in načinih izvajanja. Upamo, da bodo spoznanja, pridobljena na delavnicah o umetni inteligenci v izobraževanju, pomagala bodočim pedagogom pri sprejemanju inovativnih načinov vključevanja umetne inteligence v medicinsko izobraževanje.
Skript Google Colaboratory za Python je odprtokoden in na voljo na: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG in Khan, S. Ponovni razmislek o medicinski izobrazbi: poziv k dejanju. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG itd. Kaj morajo študenti medicine resnično vedeti o umetni inteligenci? Številke NPZh. Medicina 3, 1–3 (2020).
Dos Santos, DP in sod. Odnos študentov medicine do umetne inteligence: večcentrična raziskava. EURO. sevanje. 29, 1640–1646 (2019).
Fan, KY, Hu, R. in Singla, R. Uvod v strojno učenje za študente medicine: pilotni projekt. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N in sod. Prepoznavanje otrok z zelo nizkim tveganjem za klinično pomembno poškodbo možganov po poškodbi glave: prospektivna kohortna študija. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH in Mangasarian, OL. Ekstrakcija jedrnih značilnosti za diagnozo tumorjev 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 zdravstvo. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Vizualna interpretacija globokih omrežij z gradientno lokalizacijo. Zbornik prispevkov mednarodne konference IEEE o računalniškem vidu, 618–626 (2017).
Kumaravel B, Stewart K in Ilic D. Razvoj in vrednotenje spiralnega modela za ocenjevanje kompetenc medicine, ki temelji na dokazih, z uporabo OSCE v dodiplomskem medicinskem izobraževanju. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB in Garg PS Strojno učenje in medicinska vzgoja. Številke NPZh. medicina. 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. EURO. sevanje. 31, 3797–3804 (2021).
Topol, EJ Visokozmogljiva medicina: konvergenca človeške in umetne inteligence. Nat. medicine. 25, 44–56 (2019).
Bede, E. et al. Človeku osredotočena ocena sistema globokega učenja, uporabljenega v kliniki za odkrivanje diabetične retinopatije. Zbornik prispevkov s konference CHI o človeških dejavnikih v računalniških sistemih 2020 (2020).
Kerr, B. Obrnjena učilnica v inženirskem izobraževanju: pregled raziskav. Zbornik prispevkov z mednarodne konference o interaktivnem sodelovalnem učenju 2015 (2015).
Avtorji se zahvaljujejo Danielle Walker, Timu Salcudinu in Petru Zandstri iz raziskovalnega grozda za biomedicinsko slikanje in umetno inteligenco 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 programskih primerov. KYF, OY, MT in PW so bili odgovorni za logistično organizacijo projekta in analizo delavnic. RH, OY, MT in RS so bili odgovorni za izdelavo slik in tabel. RH, KYF, PP, ZH, OY, MY, PW, TL, MA in RS so bili odgovorni za pripravo in urejanje dokumenta.
Komunikacijska medicina se zahvaljuje Carolyn McGregor, Fabiu Moraesu in Adityi Borakatiju za njihov prispevek k pregledu tega dela.
Čas objave: 19. februar 2024