Hvala vam što ste posjetili Nature.com. Verzija preglednika koju koristite ima ograničenu CSS podršku. Za najbolje rezultate, preporučujemo korištenje novije verzije vašeg preglednika (ili isključivanje načina kompatibilnosti u Internet Exploreru). U međuvremenu, kako bismo osigurali kontinuiranu podršku, prikazujemo stranicu bez stiliziranja ili JavaScripta.
Primjena kliničke umjetne inteligencije (AI) brzo raste, ali postojeći nastavni planovi i programi medicinskih fakulteta nude ograničenu nastavu koja pokriva ovo područje. Ovdje opisujemo kurs obuke za umjetnu inteligenciju koji smo razvili i održali kanadskim studentima medicine te dajemo preporuke za buduću obuku.
Umjetna inteligencija (UI) u medicini može poboljšati efikasnost na radnom mjestu i pomoći u kliničkom donošenju odluka. Da bi sigurno vodili upotrebu umjetne inteligencije, ljekari moraju imati određeno razumijevanje umjetne inteligencije. Mnogi komentari zagovaraju podučavanje koncepata umjetne inteligencije1, kao što je objašnjavanje modela umjetne inteligencije i procesa verifikacije2. Međutim, implementirano je malo strukturiranih planova, posebno na nacionalnom nivou. Pinto dos Santos i dr.3. Anketirano je 263 studenta medicine, a 71% se složilo da im je potrebna obuka iz umjetne inteligencije. Podučavanje umjetne inteligencije medicinskoj publici zahtijeva pažljiv dizajn koji kombinira tehničke i netehničke koncepte za studente koji često imaju opsežno predznanje. Opisujemo naše iskustvo u održavanju serije radionica o umjetnoj inteligenciji za tri grupe studenata medicine i dajemo preporuke za buduće medicinsko obrazovanje u oblasti umjetne inteligencije.
Naša petosedmična radionica Uvod u vještačku inteligenciju u medicini za studente medicine održana je tri puta između februara 2019. i aprila 2021. Raspored za svaku radionicu, s kratkim opisom promjena u kursu, prikazan je na Slici 1. Naš kurs ima tri primarna cilja učenja: studenti razumiju kako se podaci obrađuju u primjenama vještačke inteligencije, analiziraju literaturu o vještačkoj inteligenciji za kliničke primjene i iskoriste prilike za saradnju s inženjerima koji razvijaju vještačku inteligenciju.
Plava boja označava temu predavanja, a svijetloplava interaktivni period za pitanja i odgovore. Sivi dio je fokus kratkog pregleda literature. Narandžasti dijelovi su odabrane studije slučaja koje opisuju modele ili tehnike vještačke inteligencije. Zelena boja je vođeni kurs programiranja osmišljen da nauči vještačku inteligenciju da rješava kliničke probleme i evaluira modele. Sadržaj i trajanje radionica variraju na osnovu procjene potreba studenata.
Prva radionica je održana na Univerzitetu Britanske Kolumbije od februara do aprila 2019. godine, a svih 8 učesnika je dalo pozitivne povratne informacije4. Zbog COVID-19, druga radionica je održana virtuelno u oktobru-novembru 2020. godine, a prijavilo se 222 studenta medicine i 3 specijalizanata iz 8 kanadskih medicinskih fakulteta. Slajdovi prezentacije i kod su postavljeni na stranicu otvorenog pristupa (http://ubcaimed.github.io). Ključne povratne informacije iz prve iteracije bile su da su predavanja bila previše intenzivna, a materijal previše teoretski. Opsluživanje šest različitih vremenskih zona Kanade predstavlja dodatne izazove. Stoga je druga radionica skratila svaku sesiju na 1 sat, pojednostavila materijal kursa, dodala više studija slučaja i kreirala standardne programe koji su omogućili učesnicima da završe dijelove koda uz minimalno otklanjanje grešaka (Okvir 1). Ključne povratne informacije iz druge iteracije uključivale su pozitivne povratne informacije o vježbama programiranja i zahtjev za demonstraciju planiranja za projekat mašinskog učenja. Stoga smo u našoj trećoj radionici, održanoj virtualno za 126 studenata medicine u martu i aprilu 2021. godine, uključili više interaktivnih vježbi kodiranja i sesija povratnih informacija o projektima kako bismo demonstrirali utjecaj korištenja koncepata radionica na projekte.
Analiza podataka: Područje proučavanja u statistici koje identificira značajne obrasce u podacima analiziranjem, obradom i komuniciranjem obrazaca podataka.
Rudarenje podataka: proces identifikacije i ekstrakcije podataka. U kontekstu umjetne inteligencije, ovo je često veliko, s više varijabli za svaki uzorak.
Smanjenje dimenzionalnosti: Proces transformiranja podataka s mnogo pojedinačnih karakteristika u manje karakteristika, uz očuvanje važnih svojstava originalnog skupa podataka.
Karakteristike (u kontekstu umjetne inteligencije): mjerljiva svojstva uzorka. Često se koriste naizmjenično sa "svojstvom" ili "varijablom".
Mapa aktivacije gradijenta: Tehnika koja se koristi za interpretaciju modela umjetne inteligencije (posebno konvolucijskih neuronskih mreža), koja analizira proces optimizacije posljednjeg dijela mreže kako bi se identificirale regije podataka ili slika koje su visoko prediktivne.
Standardni model: Postojeći model umjetne inteligencije koji je prethodno obučen za obavljanje sličnih zadataka.
Testiranje (u kontekstu umjetne inteligencije): posmatranje kako model izvršava zadatak koristeći podatke s kojima se ranije nije susreo.
Obuka (u kontekstu umjetne inteligencije): Pružanje modela podacima i rezultatima tako da model prilagodi svoje interne parametre kako bi optimizirao svoju sposobnost obavljanja zadataka korištenjem novih podataka.
Vektor: niz podataka. U mašinskom učenju, svaki element niza je obično jedinstvena karakteristika uzorka.
Tabela 1 navodi najnovije kurseve za april 2021. godine, uključujući ciljane ciljeve učenja za svaku temu. Ova radionica je namijenjena onima koji su novi na tehničkom nivou i ne zahtijeva nikakvo matematičko znanje nakon prve godine dodiplomskog studija medicine. Kurs je razvilo 6 studenata medicine i 3 nastavnika sa višim stepenom inženjerstva. Inženjeri razvijaju teoriju vještačke inteligencije za podučavanje, a studenti medicine uče klinički relevantne materijale.
Radionice uključuju predavanja, studije slučaja i vođeno programiranje. U prvom predavanju, pregledavamo odabrane koncepte analize podataka u biostatistici, uključujući vizualizaciju podataka, logističku regresiju i poređenje deskriptivne i induktivne statistike. Iako je analiza podataka osnova vještačke inteligencije, isključujemo teme kao što su rudarenje podataka, testiranje značajnosti ili interaktivna vizualizacija. To je bilo zbog vremenskih ograničenja, a također i zato što su neki studenti dodiplomskog studija imali prethodnu obuku iz biostatistike i željeli su pokriti jedinstvenije teme mašinskog učenja. Sljedeće predavanje predstavlja moderne metode i raspravlja o formuliranju problema vještačke inteligencije, prednostima i ograničenjima modela vještačke inteligencije i testiranju modela. Predavanja su dopunjena literaturom i praktičnim istraživanjima o postojećim uređajima vještačke inteligencije. Naglašavamo vještine potrebne za procjenu efikasnosti i izvodljivosti modela za rješavanje kliničkih pitanja, uključujući razumijevanje ograničenja postojećih uređaja vještačke inteligencije. Na primjer, zamolili smo studente da interpretiraju smjernice za pedijatrijske povrede glave koje su predložili Kupperman i saradnici,5 koje su implementirale algoritam stabla odlučivanja vještačke inteligencije kako bi se utvrdilo da li bi CT skeniranje bilo korisno na osnovu pregleda ljekara. Naglašavamo da je ovo uobičajen primjer vještačke inteligencije koja pruža prediktivnu analitiku ljekarima za interpretaciju, umjesto da zamjenjuje ljekare.
U dostupnim primjerima bootstrap programiranja otvorenog koda (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demonstriramo kako izvršiti istraživačku analizu podataka, smanjenje dimenzionalnosti, učitavanje standardnog modela te obuku i testiranje. Koristimo Google Colaboratory bilježnice (Google LLC, Mountain View, CA), koje omogućavaju izvršavanje Python koda iz web preglednika. Na slici 2 prikazan je primjer programerske vježbe. Ova vježba uključuje predviđanje maligniteta korištenjem Wisconsin Open Breast Imaging Dataset6 i algoritma stabla odlučivanja.
Tokom sedmice prezentirajte programe o srodnim temama i odaberite primjere iz objavljenih primjena umjetne inteligencije. Elementi programiranja uključeni su samo ako se smatraju relevantnim za pružanje uvida u buduću kliničku praksu, kao što je način procjene modela kako bi se utvrdilo da li su spremni za upotrebu u kliničkim ispitivanjima. Ovi primjeri kulminiraju u potpuno razvijenoj aplikaciji od početka do kraja koja klasificira tumore kao benigne ili maligne na osnovu parametara medicinske slike.
Heterogenost prethodnog znanja. Naši učesnici su se razlikovali po nivou matematičkog znanja. Na primjer, studenti sa naprednim inženjerskim obrazovanjem traže detaljniji materijal, poput toga kako da sami izvrše Fourierove transformacije. Međutim, diskusija o Fourierovom algoritmu u nastavi nije moguća jer zahtijeva detaljno znanje o obradi signala.
Odliv prisutnih. Prisustvo na naknadnim sastancima je opalo, posebno u online formatu. Rješenje bi moglo biti praćenje prisustva i izdavanje potvrde o završetku. Poznato je da medicinski fakulteti priznaju transkripte vannastavnih akademskih aktivnosti studenata, što može podstaći studente da steknu diplomu.
Dizajn kursa: Budući da umjetna inteligencija obuhvata toliko mnogo podoblasti, odabir ključnih koncepata odgovarajuće dubine i širine može biti izazovan. Na primjer, kontinuitet korištenja alata umjetne inteligencije od laboratorije do klinike je važna tema. Iako pokrivamo predobradu podataka, izgradnju modela i validaciju, ne uključujemo teme kao što su analitika velikih podataka, interaktivna vizualizacija ili provođenje kliničkih ispitivanja umjetne inteligencije, već se fokusiramo na najjedinstvenije koncepte umjetne inteligencije. Naš vodeći princip je poboljšanje pismenosti, a ne vještina. Na primjer, razumijevanje kako model obrađuje ulazne karakteristike važno je za interpretabilnost. Jedan od načina da se to postigne je korištenje mapa aktivacije gradijenta, koje mogu vizualizirati koja su područja podataka predvidljiva. Međutim, ovo zahtijeva multivarijantni račun i ne može se uvesti8. Razvoj zajedničke terminologije bio je izazovan jer smo pokušavali objasniti kako raditi s podacima kao vektorima bez matematičkog formalizma. Imajte na umu da različiti termini imaju isto značenje, na primjer, u epidemiologiji se "karakteristika" opisuje kao "varijabla" ili "atribut".
Zadržavanje znanja. Budući da je primjena umjetne inteligencije ograničena, tek treba vidjeti u kojoj mjeri će učesnici zadržavati znanje. Nastavni planovi i programi medicinskih fakulteta često se oslanjaju na raspoređeno ponavljanje kako bi se učvrstilo znanje tokom praktičnih rotacija,9 što se također može primijeniti na obrazovanje u oblasti umjetne inteligencije.
Profesionalnost je važnija od pismenosti. Dubina gradiva je osmišljena bez matematičke strogosti, što je bio problem prilikom pokretanja kliničkih kurseva iz vještačke inteligencije. U primjerima programiranja koristimo predložak programa koji omogućava učesnicima da popune polja i pokrenu softver bez potrebe da smišljaju kako da postave kompletno programsko okruženje.
Razmotrene zabrinutosti u vezi s umjetnom inteligencijom: Postoji široko rasprostranjena zabrinutost da bi umjetna inteligencija mogla zamijeniti neke kliničke dužnosti3. Kako bismo se pozabavili ovim problemom, objašnjavamo ograničenja umjetne inteligencije, uključujući činjenicu da gotovo sve tehnologije umjetne inteligencije koje su odobrili regulatori zahtijevaju nadzor ljekara11. Također naglašavamo važnost pristranosti jer su algoritmi skloni pristranosti, posebno ako skup podataka nije raznolik12. Posljedično, određena podgrupa može biti pogrešno modelirana, što dovodi do nepravednih kliničkih odluka.
Resursi su javno dostupni: Kreirali smo javno dostupne resurse, uključujući slajdove za predavanja i kod. Iako je pristup sinhronom sadržaju ograničen zbog vremenskih zona, sadržaj otvorenog koda je praktična metoda za asinhrono učenje jer stručnost u oblasti vještačke inteligencije nije dostupna na svim medicinskim fakultetima.
Interdisciplinarna saradnja: Ova radionica je zajednički poduhvat koji su pokrenuli studenti medicine kako bi zajedno planirali kurseve s inženjerima. Ovo pokazuje mogućnosti saradnje i nedostatke u znanju u oba područja, omogućavajući učesnicima da shvate potencijalnu ulogu koju mogu doprinijeti u budućnosti.
Definirajte ključne kompetencije umjetne inteligencije. Definiranje liste kompetencija pruža standardiziranu strukturu koja se može integrirati u postojeće medicinske nastavne planove i programe zasnovane na kompetencijama. Ova radionica trenutno koristi nivoe ciljeva učenja 2 (Razumijevanje), 3 (Primjena) i 4 (Analiza) Bloomove taksonomije. Posjedovanje resursa na višim nivoima klasifikacije, kao što je kreiranje projekata, može dodatno ojačati znanje. To zahtijeva saradnju s kliničkim stručnjacima kako bi se utvrdilo kako se teme umjetne inteligencije mogu primijeniti na kliničke tokove rada i spriječilo podučavanje ponavljajućih tema koje su već uključene u standardne medicinske nastavne planove i programe.
Kreirajte studije slučaja koristeći vještačku inteligenciju. Slično kliničkim primjerima, učenje zasnovano na slučajevima može pojačati apstraktne koncepte ističući njihovu relevantnost za klinička pitanja. Na primjer, jedna radionica je analizirala Googleov sistem za detekciju dijabetičke retinopatije zasnovan na vještačkoj inteligenciji 13 kako bi se identifikovali izazovi na putu od laboratorije do klinike, kao što su zahtjevi za eksternu validaciju i putevi regulatornog odobrenja.
Koristite iskustveno učenje: Tehničke vještine zahtijevaju fokusiranu praksu i ponovljenu primjenu kako bi se savladale, slično rotirajućim iskustvima učenja kliničkih pripravnika. Jedno potencijalno rješenje je model obrnute nastave, za koji se navodi da poboljšava zadržavanje znanja u inženjerskom obrazovanju14. U ovom modelu, studenti samostalno pregledaju teorijski materijal, a vrijeme na nastavi je posvećeno rješavanju problema kroz studije slučaja.
Skaliranje za multidisciplinarne učesnike: Predviđamo da usvajanje vještačke inteligencije uključuje saradnju između više disciplina, uključujući ljekare i srodne zdravstvene radnike sa različitim nivoima obuke. Stoga će možda biti potrebno razviti nastavne planove i programe u konsultaciji sa nastavnicima sa različitih odsjeka kako bi se njihov sadržaj prilagodio različitim oblastima zdravstvene zaštite.
Umjetna inteligencija je visokotehnološka oblast, a njeni osnovni koncepti povezani su s matematikom i informatikom. Obuka zdravstvenog osoblja za razumijevanje umjetne inteligencije predstavlja jedinstvene izazove u odabiru sadržaja, kliničkoj relevantnosti i metodama isporuke. Nadamo se da će uvidi stečeni na radionicama o umjetnoj inteligenciji u obrazovanju pomoći budućim edukatorima da prihvate inovativne načine integracije umjetne inteligencije u medicinsko obrazovanje.
Google Colaboratory Python skripta je otvorenog koda i dostupna na: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG i Khan, S. Ponovno promišljanje medicinskog obrazovanja: poziv na akciju. Akkad. medicina. 88, 1407–1410 (2013).
McCoy, LG itd. Šta studenti medicine zaista trebaju znati o vještačkoj inteligenciji? NPZh brojevi. Medicina 3, 1–3 (2020).
Dos Santos, DP, et al. Stavovi studenata medicine prema vještačkoj inteligenciji: multicentrično istraživanje. EURO. zračenje. 29, 1640–1646 (2019).
Fan, KY, Hu, R. i Singla, R. Uvod u mašinsko učenje za studente medicine: pilotni projekat. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identifikacija djece s vrlo niskim rizikom od klinički značajne ozljede mozga nakon ozljede glave: prospektivna kohortna studija. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH i Mangasarian, OL. Ekstrakcija nuklearnih karakteristika za dijagnozu tumora dojke. 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 lokalizacije zasnovane na gradijentu. Zbornik radova IEEE Međunarodne konferencije o računarskom vidu, 618–626 (2017).
Kumaravel B, Stewart K i Ilic D. Razvoj i evaluacija spiralnog modela za procjenu kompetencija medicine zasnovane na dokazima korištenjem OSCE-a u dodiplomskom medicinskom obrazovanju. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB i Garg PS Mašinsko učenje i medicinsko obrazovanje. NPZh brojevi. medicina. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. i de Rooy, M. Umjetna inteligencija u radiologiji: 100 komercijalnih proizvoda i njihovi naučni dokazi. EURO. radijacije. 31, 3797–3804 (2021).
Topol, EJ Visokoučinkovita medicina: konvergencija ljudske i umjetne inteligencije. Nat. medicina. 25, 44–56 (2019).
Bede, E. i dr. Evaluacija sistema dubokog učenja usmjerena na čovjeka, primijenjenog u klinici za otkrivanje dijabetičke retinopatije. Zbornik radova sa CHI konferencije o ljudskim faktorima u računarskim sistemima 2020. (2020).
Kerr, B. Obrnuta učionica u inženjerskom obrazovanju: Pregled istraživanja. Zbornik radova Međunarodne konferencije o interaktivnom kolaborativnom učenju 2015. (2015).
Autori zahvaljuju Danielle Walker, Timu Salcudinu i Peteru Zandstri iz Odjela za istraživanje biomedicinskog snimanja i umjetne inteligencije na Univerzitetu Britanske Kolumbije na podršci i finansiranju.
RH, PP, ZH, RS i MA bili su odgovorni za razvoj nastavnog sadržaja 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 i RS bili su odgovorni za kreiranje slika i tabela. RH, KYF, PP, ZH, OY, MY, PW, TL, MA i RS bili su odgovorni za izradu i uređivanje dokumenta.
Časopis Communication Medicine zahvaljuje Carolyn McGregor, Fabiu Moraesu i Adityi Borakatiju na njihovom doprinosu u pregledu ovog rada.
Vrijeme objave: 19. februar 2024.