Hvala vam što ste posjetili prirodu.com. Verzija pretraživača koju koristite ima ograničenu podršku CSS-a. Za najbolje rezultate, preporučujemo upotrebu novije verzije vašeg pretraživača (ili isključivanje načina kompatibilnosti u Internet Exploreru). U međuvremenu, kako bi se osigurala stalna podrška, mi prikazujemo web mjesto bez oblikovanja ili JavaScript-a.
Primjene kliničke umjetne inteligencije (AI) brzo rastu, ali postojeći nastavni programi medicinske škole nude ograničeno podučavanje koje pokrivaju ovo područje. Ovdje opisamo tečaj za obuku umjetnog inteligencije koju smo razvili i dostavljali u kanadske medicine i dali preporuke za buduću obuku.
Umjetna inteligencija (AI) u medicini može poboljšati efikasnost radnog mjesta i donošenje kliničkog odluka. Da bi sigurno vodio upotrebu umjetne inteligencije, ljekari moraju imati neko razumijevanje umjetne inteligencije. Mnogi komentari zagovaraju podučavanje AI koncepta1, poput objašnjenja AI modela i procesa verifikacije2. Međutim, provedeno je nekoliko strukturiranih planova, posebno na nacionalnom nivou. Pinto dos Santos et al.3. Anketirano je 263 studenata medicine i 71% se složilo da im treba obuku u umjetnoj inteligenciji. Podučavanje umjetne inteligencije medicinskoj publici zahtijeva pažljiv dizajn koji kombinuje tehničke i netehničke koncepte za studente koji često imaju veliku prethodno znanje. Opisujemo naše iskustvo pružajući niz radionica AI tri skupine medicinskih studenata i daju preporuke za buduće medicinsko obrazovanje u AI.
Naš petonedeljni uvod u veštačku inteligenciju u radionici za medicinu održana je tri puta između februara 2019. i 2021. aprila. Raspored za svaku radionicu, sa kratkim opisom promjena tečaja, prikazan je na slici 1. Naš kurs ima Tri ciljeva učenja: Studenti razumiju kako se podaci obrađuju u umjetnim obavještajnim primjenama, analiziraju literaturu umjetne inteligencije za kliničke aplikacije i iskorištavaju mogućnosti suradnjom sa inženjerima koji razvijaju umjetnu inteligenciju.
Plava je tema predavanja i svijetloplave je interaktivno razdoblje pitanja i odgovora. Sivi dio je fokus kratkog pregleda literature. Narančasti dijelovi odabrane su studije slučaja koje opisuju modele ili tehnike umjetne inteligencije. Zelena je vođeni program za programiranje dizajniran za podučavanje umjetne inteligencije za rješavanje kliničkih problema i procjene modela. Sadržaj i trajanje radionica variraju na osnovu procjene potreba za studentima.
Prva radionica održana je na Britanskoj univerzitetu od februara do aprila 2019. godine, a svih 8 učesnika dalo je pozitivne povratne informacije4. Zbog CoviD-19, druga radionica održana je gotovo u oktobru - novembar 2020., sa 222 studenta medicine i 3 stanovnika iz 8 kanadskih medicinskih škola. Prezentacijski tobogani i kod preneseni su na web mjesto otvorenog pristupa (http://ubcaimed.github.io). Ključne povratne informacije iz prve iteracije bili su da su predavanja bila previše intenzivna i materijal previše teoretski. Posluživanje Šest različitih vremenskih zona Kanade predstavlja dodatne izazove. Stoga je druga radionica skratila svaku sesiju u 1 sat, pojednostavio je materijal za tečaj, dodao više studija slučaja i kreirao programe kotlova koji su omogućili sudionicima da ispune kodijske isječke s minimalnim pogreškom kodova (kutija 1). Ključne povratne informacije iz druge iteracije uključuju pozitivne povratne informacije o programskim vježbama i zahtjevu za demonstriranje planiranja programa mašinskog učenja. Stoga, u našoj trećoj radionici, virtualno za 126 studenata medicine u martu - april, uključili smo više interaktivnih vježbi kodiranja i zasjedanja za projekte za demonstriranje utjecaja korištenja koncepata radionica na projekte.
Analiza podataka: polje studija u statistici koje identificira smislene obrasce u podacima analizom, obradom i komunikacijskim obrascima podataka.
Rudarstvo podataka: proces identifikacije i izdvajanja podataka. U kontekstu umjetne inteligencije, to je često veliko, s više varijabli za svaki uzorak.
Smanjenje dimenzionalnosti: Proces transformacije podataka s mnogim pojedinim značajkama u manje funkcija, istovremeno čuvajući važna svojstva izvornog skupa podataka.
Karakteristike (u kontekstu umjetne inteligencije): mjerljiva svojstva uzorka. Često se koristi naizmjenično sa "imovinom" ili "varijablom".
Mapa gradijentne aktivacije: tehnika koja se koristi za tumačenje umjetnih inteligencijskih modela (posebno konvolucione neuronske mreže), koje analizira proces optimizacije posljednjeg dijela mreže za identifikaciju regija podataka ili slika koje su visoko prediktivne.
Standardni model: postojeći AI model koji je unaprijed obučen za obavljanje sličnih zadataka.
Ispitivanje (u kontekstu umjetne inteligencije): Promatranje načina na koji model obavlja zadatak koristeći podatke koji se prije nisu naišli.
Trening (u kontekstu umjetne inteligencije): pružanje modela sa podacima i rezultatima tako da model prilagodi svoje unutarnje parametre za optimiziranje njegove sposobnosti za obavljanje zadataka koristeći nove podatke.
Vektor: niz podataka. U mašinskom učenju svaki je element niza obično jedinstvena karakteristika uzorka.
Tablica 1 navodi najnovije kurseve za april 2021., uključujući ciljane ciljeve učenja za svaku temu. Ova radionica namijenjena je onim novim na tehničkom nivou i ne zahtijeva matematičko znanje izvan prve godine dodiplomskog medicinskog stepena. Kurs je razvio 6 medicinskih studenata i 3 nastavnika sa naprednim stupnjevima u inženjerstvu. Inženjeri razvijaju teoriju umjetne inteligencije za podučavanje, a medicinski studenti uče klinički relevantni materijal.
Radionice uključuju predavanja, studije slučaja i vođene programiranje. U prvom predavanju pregledavamo odabrane koncepte analize podataka u biostatistiku, uključujući vizualizaciju podataka, logističku regresiju i usporedbu opisnih i induktivnih statistika. Iako je analiza podataka temelj umjetne inteligencije, isključujemo teme poput rudarstva podataka, testiranje značajnosti ili interaktivne vizualizacije. To je bilo zbog vremenskih ograničenja i zato što su neki preddiplomski studenti imali prethodnu obuku u biostatistiku i željeli su pokriti više jedinstvenih tema za mašinsko učenje. Naknadno predavanje uvodi moderne metode i raspravlja o AI problematičnoj formulaciji, prednostima i ograničenjima AI modela i testiranja modela. Predavanja se nadopunjuju literaturom i praktičnim istraživanjem na postojećim umjetnim inteligencijskim uređajima. Naglašavamo vještine potrebne za procjenu učinkovitosti i izvodljivosti modela za rješavanje kliničkih pitanja, uključujući razumijevanje ograničenja postojećih umjetnih inteligencije. Na primjer, zamolili smo studente da tumače smjernice povreda po pedijatrijskoj glavi koje su predložili Kupperman i sur., 5 koji su implementirali umjetni algoritam stabla obavještajne službe kako bi utvrdio da li bi CT skeniranje bilo korisno na ispitivanju liječnika. Naglašavamo da je to uobičajen primjer AI koji pruža prediktivnu analitiku za ljekare da tumače, a ne zamjenjuju ljekara.
U raspoloživom primeru za programiranje otvorenog koda (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demonstriramo kako izvoditi istraživačku analizu podataka, smanjenje dimenzionalnosti, opterećenje standardnog modela i obuku . i testiranje. Koristimo Google Colabroratory bilježnice (Google LLC, pogled na planinu, CA), koji omogućavaju da se Python kod izvršava iz web pretraživača. Na slici 2 daje primjer programiranja vježbe. Ova vježba uključuje predviđanje maligna koristeći viskonzin dataset za obradu grudi6 i algoritam stabla odluke.
Prezentirati programe tokom cijele sedmice na srodnim temama i odaberite primjere iz objavljenih aplikacija AI. Programski elementi su uključeni samo ako se smatraju relevantnim za pružanje uvida u buduću kliničku praksu, poput ocijeni modela kako bi se utvrdilo da li su spremni za upotrebu u kliničkim ispitivanjima. Ovi primjeri kulminiraju u potpunom preplavljenom krajnjoj aplikaciji koja klasificira tumore kao benignu ili malignu na osnovu parametara medicinskih slika.
Heterogenost prethodnog znanja. Naši sudionici varirali su u svom nivou matematičkog znanja. Na primjer, studenti sa naprednim inženjerskim pozadinama traže više detaljnijeg materijala, kao što su kako izvesti svoje vlastite Fourierove transformacije. Međutim, rasprava o Fourierovoj algoritmu u razredu nije moguće jer zahtijeva dubinsko znanje o obradi signala.
Odliv za prisustvo. Pohađanje naknadnih sastanaka opadalo je, posebno u mrežnim formatima. Rješenje može biti za praćenje pohađanja i pružiti potvrdu o završetku. Poznato je da medicinske škole priznaju prepisivanje vannastavnih akademskih aktivnosti učenika, koje mogu potaknuti studente da se diplomiraju.
Dizajn kurseva: Budući da AI se proteže toliko podfilova, odabirom osnovnih koncepata odgovarajuće dubine i širine mogu biti izazovne. Na primjer, kontinuitet korištenja AI alata iz laboratorija za kliniku je važna tema. Dok pokrivamo pretera podataka, izgradnju modela i validaciju, ne uključujemo teme poput velikih analitika podataka, interaktivne vizualizacije ili provođenja kliničkog ispitivanja AI, umjesto toga fokusiramo se na najnižive ai koncepte. Naš vodeći princip je poboljšanje pismenosti, a ne vještina. Na primjer, razumijevanje načina na koji model procesa unosa značajke važne su za tumačenje. Jedan od načina za to je korištenje mapa za aktivaciju gradijentnih aktivnosti, koje mogu vizualizirati koje su regije podataka predvidljive. Međutim, ovo zahtijeva multivarijantni računicu i ne može se uvesti8. Razvijanje zajedničke terminologije bila je izazovna jer smo pokušavali objasniti kako raditi sa podacima kao vektorima bez matematičkog formalizma. Imajte na umu da različiti pojmovi imaju isto značenje, na primjer, u epidemiologiji, "karakterističan" opisan je kao "varijabljiv" ili "atribut".
Zadržavanje znanja. Budući da je primjena AI ograničena, u kojoj mjeri sudionici zadržavaju znanje ostaje da se vidi. Nastavni programi medicinske škole često se oslanjaju na razmaknute ponavljanje za pojačanje znanja tokom praktičnih rotacija, 9 koji se mogu primijeniti i na AI obrazovanje.
Profesionalizam je važniji od pismenosti. Dubina materijala dizajnirana je bez matematičke strogosti, što je bio problem prilikom pokretanja kliničkih kurseva u umjetnoj inteligenciji. U programskim primjerima koristimo program predloška koji učesnicima omogućava popunjavanje polja i pokretanje softvera bez potrebe za smislu kako bi postavili kompletno programsko okruženje.
Zabrinutosti zbog veštačke inteligencije na adresirano: postoji rasprostranjena zabrinutost da bi umjetna inteligencija mogla zamijeniti neke kliničke zadatke3. Da bismo se bavili tim pitanjem, objašnjavamo ograničenja AI-a, uključujući činjenicu da su gotovo sve AI tehnologije koje su odobrile regulatorima potrebna ljekara11. Također naglašavamo važnost pristranosti jer su algoritmi skloni pristranosti, posebno ako skup podataka nije raznolik12. Slijedom toga, određena podskupa može se montirati pogrešno, što dovodi do nepoštenih kliničkih odluka.
Resursi su javno dostupni: stvorili smo javno dostupne resurse, uključujući predjeve i šifre predavanja. Iako je pristup sinkronom sadržaju ograničen zbog vremenskih zona, sadržaj otvorenog koda je prikladna metoda za asinhrono učenje jer AI stručnost nije dostupna u svim medicinskim školama.
Interdisciplinarna suradnja: Ova radionica je zajedničko ulaganje koje je pokrenuo medicinski studenti za planiranje kurseva zajedno sa inženjerima. Ovo pokazuje mogućnosti suradnje i praznine znanja u oba područja, omogućavajući učesnicima da razumiju potencijalnu ulogu koju mogu u budućnosti mogu doprinijeti.
Definirajte AI osnovne kompetencije. Definiranje popisa kompetencija pruža standardizirana struktura koja se može integrirati u postojeće medicinske nastavne programe zasnovane na kompetenciji. Ova radionica trenutno koristi učenje ciljeva 2 (razumijevanje), 3 (primjena) i 4 (analiza) Bloomove taksonomije. Imati resurse na višim nivoima klasifikacije, kao što su kreiranje projekata, mogu dalje ojačati znanje. Ovo zahtijeva rad sa kliničkim stručnjacima kako bi utvrdili kako se Ai teme mogu primijeniti na kliničke radne tokove i sprječavanje nastave ponavljajućih tema koje su već uključene u standardne medicinske nastavne programe.
Stvorite studije slučaja pomoću AI. Slično kliničkim primjerima, učenje zasnovano na slučaju može ojačati apstraktne pojmove ističući njihovu relevantnost na klinička pitanja. Na primjer, jedna studija radionice analizirala je Googleov sistem za otkrivanje dijabetičara na bazi dijabetičara na Google-u 13 za identifikaciju izazova uz stazu iz laboratorije u kliniku, kao što su vanjski zahtjevi za validacijom i putevima za regulatorni odobrenje.
Koristite iskustveno učenje: Tehničke vještine zahtijevaju usredsređenu praksu i opetovanu aplikaciju za gospodaru, sličnu rotirajućim iskustvima učenja kliničkih pripravnika. Jedno potencijalno rješenje je sklopljeni model u učionici, koji je prijavljen za poboljšanje zadržavanja znanja u inženjerskom obrazovanju14. U ovom modelu studenti pregledaju teorijski materijal nezavisno i vrijeme razreda posvećeno je rješavanju problema kroz studije slučaja.
Skaliranje za multidisciplinarne učesnike: Zamišljamo usvajanje AI-a koji uključuje suradnju u više disciplina, uključujući ljekare i savezničke zdravstvene radnike s različitim nivoima obuke. Stoga bi se nastavni programi možda trebali razviti u konsultaciji sa fakultetom iz različitih odjela da bi se njihov sadržaj prilagodio različitim područjima zdravstvene zaštite.
Umjetna inteligencija je visokotehnološki, a njeni osnovni pojmovi povezani su sa matematikom i računarskom naukom. Obuka zdravstvenog osoblja za razumijevanje umjetne inteligencije predstavlja jedinstvene izazove u odabiru sadržaja, kliničkoj važnosti i metodama isporuke. Nadamo se da će uvidi dobiti od AI u obrazovnim radionica pomoći budućim edukatorima prigrliti inovativne načine integriranja AI u medicinsko obrazovanje.
Google Colabroratory Python skripta je otvoreni izvor i dostupan je na: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, kg i khan, S. Preispitivanje medicinskog obrazovanja: poziv na akciju. Akkad. lijek. 88, 1407-1410 (2013).
McCoy, LG itd. Šta medicinski studenti zaista trebaju znati o umjetnoj inteligenciji? NPZH brojevi. Medicina 3, 1-3 (2020).
Dos Santos, DP, i dr. Stavovi studenata medicine prema umjetnoj inteligenciji: višestrukomjernu anketu. Euro. Zračenje. 29, 1640-1646 (2019).
Ventilator, KY, Hu, R. i Sinla, R. Uvod u mašinsko učenje za studente medicine: pilot projekat. J. MED. Naučite. 54, 1042-1043 (2020).
Cooperman n, i dr. Identificiranje djece na vrlo niskom riziku od klinički značajnih ozljeda mozga nakon povrede glave: potencijalna kohortska studija. Lancet 374, 1160-1170 (2009).
Ulica, WN, Wolberg, Wh i mangašar, Ol. Ekstrakcija nuklearnog karakteristika za dijagnozu tumora grudi. Biomedicinska nauka. Obrada slike. Biomedicinska nauka. Weiss. 1905, 861-870 (1993).
Chen, Phc, Liu, Y. i Peng, L. Kako razviti modele mašinskog učenja za zdravstvo. Nat. Matt. 18, 410-414 (2019).
Selvaraju, Rr i dr. Grad-Cam: Vizualna interpretacija dubokih mreža putem gradijentne lokalizacije. Zbornik radova na međunarodnoj konferenciji IEEE o računarskoj viziji, 618-626 (2017).
Kumaravel B, Stewart K i Ilić D. Razvoj i evaluacija spiralnog modela za ocjenu nadležnosti zasnovane na dokazima koristeći OSCE u dodiplomskom medicinskom obrazovanju. BMK lijek. Naučite. 21, 1-9 (2021).
Kolachalama VB i Garg PS mašinsko učenje i medicinsko obrazovanje. NPZH brojevi. lijek. 1, 1-3 (2018).
Van Leeuwen, kg, Schalekamp, S., Rutten, MJ, Van Ginneken, B. i Rooy, M. Umjetna inteligencija u radiologiji: 100 komercijalnih proizvoda i njihovih naučnih dokaza. Euro. Zračenje. 31, 3797-3804 (2021).
Topol, EJ visoke performanse medicine: konvergencija ljudske i umjetne inteligencije. Nat. lijek. 25, 44-56 (2019).
Bede, E. et al. Evaluacija ljudskog sistema dubokog učenja raspoređenog u klinici za otkrivanje dijabetičke retinopatije. Zbornik radova na konferenciji CHI 2020. o ljudskim faktorima u računalnim sistemima (2020).
Kerr, B. Flipped učionica u inženjerskom obrazovanju: istraživački pregled. Zbornik radova Međunarodne konferencije za 2015. o interaktivnom suradnji učenju (2015).
Autori Zahvaljuju Danielle Walker, Tim Salcudin i Peter Zandstra iz biomedicinskog reprezentacije za snimanje i umjetničko istraživanje na Univerzitetu Britanske Kolumbije za podršku i finansiranje.
RH, PP, ZH, RS i MA bili su odgovorni za razvoj sadržaja za nastavu radionice. RH i PP bili su odgovorni za razvoj primjera programiranja. KYF, OY, MT i PW bili su odgovorni za logističku organizaciju projekta i analizu radionica. RH, OY, MT, RS bili su odgovorni za stvaranje figura i stolova. RH, KYF, PP, ZH, OY, moj, PW, TL, MA, RS bili su odgovorni za izradu i uređivanje dokumenta.
Medicina komunikacije hvala Carolyn McGregor, Fabio Moraes i Aditya Borakati za njihov doprinos za pregled ovog rada.
Pošta: Feb-19-2024