Hvala vam što ste posjetili Nature.com.Verzija pretraživača koju koristite ima ograničenu podršku za CSS.Za najbolje rezultate preporučujemo upotrebu novije verzije vašeg pretraživača (ili isključivanje načina kompatibilnosti u Internet Exploreru).U međuvremenu, kako bismo osigurali stalnu podršku, prikazujemo stranicu bez stila ili JavaScripta.
Primjena kliničke umjetne inteligencije (AI) brzo raste, ali postojeći nastavni planovi i programi medicinskih fakulteta nude ograničenu nastavu koja pokriva ovu oblast.Ovdje opisujemo kurs obuke o umjetnoj inteligenciji koji smo razvili i isporučili kanadskim studentima medicine i dajemo preporuke za buduću obuku.
Umjetna inteligencija (AI) u medicini može poboljšati efikasnost radnog mjesta i pomoći u donošenju kliničkih odluka.Da bi bezbedno vodili upotrebu veštačke inteligencije, lekari moraju imati izvesno razumevanje veštačke inteligencije.Mnogi komentari zagovaraju podučavanje koncepata AI1, kao što je objašnjenje AI modela i procesa verifikacije2.Međutim, implementirano je nekoliko strukturiranih planova, posebno na nacionalnom nivou.Pinto dos Santos et al.3.Anketirana su 263 studenta medicine, a 71% se složilo da im je potrebna obuka iz vještačke inteligencije.Podučavanje vještačke inteligencije medicinskoj publici zahtijeva pažljiv dizajn koji kombinuje tehničke i netehničke koncepte za studente koji često imaju opsežno prethodno znanje.Opisujemo naše iskustvo u vođenju serije AI radionica za tri grupe studenata medicine i dajemo preporuke za buduće medicinsko obrazovanje u AI.
Naša petosedmična radionica Uvod u veštačku inteligenciju u medicinu za studente medicine održana je tri puta između februara 2019. i aprila 2021. Raspored svake radionice, sa kratkim opisom promena kursa, prikazan je na slici 1. Naš kurs ima tri osnovna cilja učenja: učenici razumiju kako se podaci obrađuju u aplikacijama umjetne inteligencije, analiziraju literaturu o umjetnoj inteligenciji za kliničke primjene i iskoriste prilike za saradnju sa inženjerima koji razvijaju umjetnu inteligenciju.
Plava je tema predavanja, a svijetloplava je interaktivni period pitanja i odgovora.Sivi dio je fokus kratkog pregleda literature.Narandžasti odjeljci su odabrane studije slučaja koje opisuju modele ili tehnike umjetne inteligencije.Green je vođeni kurs programiranja dizajniran da podučava umjetnu inteligenciju rješavanju kliničkih problema i evaluaciji modela.Sadržaj i trajanje radionica variraju na osnovu procjene potreba studenata.
Prva radionica održana je na Univerzitetu Britanske Kolumbije od februara do aprila 2019. godine, a svih 8 učesnika dalo je pozitivne povratne informacije4.Zbog COVID-19, druga radionica održana je virtuelno u periodu oktobar-novembar 2020. godine, na kojoj su se prijavila 222 studenta medicine i 3 specijalizanta iz 8 kanadskih medicinskih škola.Slajdovi prezentacije i kod su postavljeni na web lokaciju otvorenog pristupa (http://ubcaimed.github.io).Ključna povratna informacija iz prve iteracije bila je da su predavanja bila preintenzivna, a materijal previše teoretski.Opsluživanje u šest različitih vremenskih zona Kanade predstavlja dodatne izazove.Tako je druga radionica skratila svaku sesiju na 1 sat, pojednostavila materijal za kurs, dodala više studija slučaja i stvorila šablonske programe koji su omogućili učesnicima da završe isječke koda uz minimalno otklanjanje grešaka (Okvir 1).Ključne povratne informacije iz druge iteracije uključivale su pozitivne povratne informacije o vježbama programiranja i zahtjev da se demonstrira planiranje za projekat mašinskog učenja.Stoga smo na našoj trećoj radionici, održanoj virtuelno za 126 studenata medicine u ožujku-travnju 2021., uključili više interaktivnih vježbi kodiranja i sesije povratnih informacija o projektu kako bismo demonstrirali utjecaj korištenja koncepata radionica na projekte.
Analiza podataka: Područje proučavanja statistike koje identifikuje smislene obrasce u podacima analizom, obradom i komunikacijom obrazaca podataka.
Data mining: proces identifikacije i izdvajanja podataka.U kontekstu umjetne inteligencije, to je često veliko, s više varijabli za svaki uzorak.
Smanjenje dimenzionalnosti: Proces transformacije podataka sa mnogo pojedinačnih karakteristika u manje karakteristika uz očuvanje važnih svojstava originalnog skupa podataka.
Karakteristike (u kontekstu umjetne inteligencije): mjerljiva svojstva uzorka.Često se koristi naizmjenično sa "svojstvom" ili "varijabilnom".
Mapa aktivacije gradijenta: Tehnika koja se koristi za tumačenje modela umjetne inteligencije (posebno konvolucionih neuronskih mreža), koja analizira proces optimizacije posljednjeg dijela mreže kako bi se identificirala područja podataka ili slika koji su visoko prediktivni.
Standardni model: Postojeći AI model koji je prethodno obučen za obavljanje sličnih zadataka.
Testiranje (u kontekstu umjetne inteligencije): promatranje kako model izvodi zadatak koristeći podatke s kojima se ranije nije susreo.
Obuka (u kontekstu umjetne inteligencije): Pružanje modela sa podacima i rezultatima tako da model prilagođava svoje interne parametre kako bi optimizirao svoju sposobnost izvršavanja zadataka koristeći nove podatke.
Vektor: niz podataka.U mašinskom učenju, svaki element niza je obično jedinstvena karakteristika uzorka.
Tabela 1 navodi najnovije kurseve za april 2021., uključujući ciljane ciljeve učenja za svaku temu.Ova radionica je namijenjena onima koji su tek 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 diplomom inženjera.Inženjeri razvijaju teoriju umjetne inteligencije za podučavanje, a studenti medicine uče klinički relevantan materijal.
Radionice uključuju predavanja, studije slučaja i vođeno programiranje.U prvom predavanju razmatramo odabrane koncepte analize podataka u biostatistici, uključujući vizualizaciju podataka, logističku regresiju i poređenje deskriptivne i induktivne statistike.Iako je analiza podataka temelj umjetne inteligencije, isključujemo teme kao što su rudarenje podataka, testiranje značaja ili interaktivna vizualizacija.To je bilo zbog vremenskih ograničenja, ali i zbog toga što su neki studenti dodiplomskih studija prethodno prošli obuku iz biostatistike i željeli su pokriti više jedinstvenih tema mašinskog učenja.Sledeće predavanje predstavlja savremene metode i govori o formulaciji AI problema, prednostima i ograničenjima AI modela i testiranju modela.Predavanja su upotpunjena literaturom i praktičnim istraživanjima o postojećim uređajima s umjetnom inteligencijom.Naglašavamo vještine potrebne za procjenu učinkovitosti i izvodljivosti modela za rješavanje kliničkih pitanja, uključujući razumijevanje ograničenja postojećih uređaja umjetne inteligencije.Na primjer, zamolili smo studente da protumače smjernice za pedijatrijske povrede glave koje su predložili Kupperman et al., 5 koji su implementirali algoritam stabla odluka umjetne inteligencije kako bi se utvrdilo da li bi CT skeniranje bilo korisno na osnovu pregleda liječnika.Naglašavamo da je ovo uobičajen primjer AI koji pruža prediktivnu analitiku koju liječnici mogu tumačiti, umjesto da zamjenjuje liječnike.
U dostupnim primjerima bootstrap programiranja otvorenog koda (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), pokazujemo kako izvršiti istraživačku analizu podataka, smanjenje dimenzionalnosti, učitavanje standardnog modela i obuku .i testiranje.Koristimo Google Colaboratory notebook računare (Google LLC, Mountain View, CA), koji omogućavaju izvršavanje Python koda iz web pretraživača.Na slici. Slika 2 daje primjer vježbe programiranja.Ova vježba uključuje predviđanje maligniteta koristeći Wisconsin Open Breast Imaging Dataset6 i algoritam stabla odluka.
Predstavite programe tokom cijele sedmice o srodnim temama i odaberite primjere iz objavljenih AI aplikacija.Elementi programiranja su uključeni samo ako se smatraju relevantnim za pružanje uvida u buduću kliničku praksu, kao što je kako procijeniti modele kako bi se utvrdilo da li su spremni za upotrebu u kliničkim ispitivanjima.Ovi primjeri kulminiraju u punopravnoj end-to-end aplikaciji 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 s naprednim inženjerskim iskustvom traže detaljniji materijal, kao što je kako izvesti vlastitu Fourierovu transformaciju.Međutim, raspravljanje o Fourierovom algoritmu u nastavi nije moguće jer zahtijeva dubinsko poznavanje obrade signala.
Odliv posećenosti.Prisustvo na naknadnim sastancima je opadalo, posebno u onlajn formatima.Rješenje može biti praćenje pohađanja i dostavljanje potvrde o završetku.Poznato je da medicinske škole prepoznaju transkripte vannastavnih akademskih aktivnosti učenika, što može ohrabriti studente da steknu diplomu.
Dizajn kursa: Budući da AI obuhvata toliko podpolja, odabir ključnih koncepata odgovarajuće dubine i širine može biti izazov.Na primjer, kontinuitet upotrebe AI alata od laboratorije do klinike je važna tema.Iako pokrivamo prethodnu obradu podataka, izgradnju modela i validaciju, ne uključujemo teme kao što su analitika velikih podataka, interaktivna vizualizacija ili provođenje kliničkih ispitivanja umjetne inteligencije, umjesto toga se fokusiramo na najjedinstvenije AI koncepte.Naš vodeći princip je poboljšanje pismenosti, a ne vještina.Na primjer, razumijevanje kako model obrađuje ulazne karakteristike je važno za interpretabilnost.Jedan od načina da se to učini je korištenje mapa aktivacije gradijenta, koje mogu vizualizirati koje regije podataka su predvidljive.Međutim, ovo zahtijeva multivarijantni račun i ne može se uvesti8.Razvijanje zajedničke terminologije bilo je izazovno 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 AI ograničena, ostaje da se vidi u kojoj mjeri učesnici zadržavaju znanje.Nastavni planovi i programi medicinskih škola često se oslanjaju na razmaknuto ponavljanje kako bi se ojačalo znanje tokom praktičnih rotacija,9 što se također može primijeniti na AI obrazovanje.
Profesionalizam je važniji od pismenosti.Dubina materijala je osmišljena bez matematičke strogosti, što je bio problem prilikom pokretanja kliničkih kurseva iz umjetne inteligencije.U primjerima programiranja koristimo šablonski program koji omogućava učesnicima da popune polja i pokrenu softver bez potrebe da shvate kako postaviti kompletno programsko okruženje.
Zabrinutost u vezi s umjetnom inteligencijom: Postoji široko rasprostranjena zabrinutost da bi umjetna inteligencija mogla zamijeniti neke kliničke dužnosti3.Da bismo riješili ovaj problem, objašnjavamo ograničenja AI, uključujući činjenicu da gotovo sve AI tehnologije koje su odobrili regulatori zahtijevaju nadzor liječnika11.Također naglašavamo važnost pristranosti jer su algoritmi skloni pristranosti, posebno ako skup podataka nije raznolik12.Shodno tome, određena podgrupa može biti pogrešno modelirana, što može dovesti do nepravednih kliničkih odluka.
Resursi su javno dostupni: Napravili smo javno dostupne resurse, uključujući slajdove predavanja i kod.Iako je pristup sinhronom sadržaju ograničen zbog vremenskih zona, sadržaj otvorenog koda je pogodna metoda za asinkrono učenje budući da stručnost AI nije dostupna na svim medicinskim školama.
Interdisciplinarna suradnja: Ova radionica je zajednički poduhvat koji su pokrenuli studenti medicine kako bi zajedno sa inženjerima planirali kurseve.Ovo pokazuje mogućnosti saradnje i nedostatke u znanju u obje oblasti, omogućavajući učesnicima da shvate potencijalnu ulogu kojoj mogu doprinijeti u budućnosti.
Definirajte ključne kompetencije AI.Definiranje liste kompetencija obezbjeđuje 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.Ovo zahtijeva rad s kliničkim stručnjacima kako bi se utvrdilo kako se AI teme mogu primijeniti na kliničke tokove rada i spriječiti podučavanje ponavljajućih tema koje su već uključene u standardni medicinski nastavni plan i program.
Kreirajte studije slučaja koristeći AI.Slično kliničkim primjerima, učenje zasnovano na slučaju može ojačati apstraktne koncepte naglašavajući njihovu relevantnost za klinička pitanja.Na primjer, jedna studija radionice analizirala je Googleov sistem za otkrivanje dijabetičke retinopatije zasnovan na umjetnoj inteligenciji 13 kako bi se identificirali izazovi na putu od laboratorije do klinike, kao što su zahtjevi za eksternu validaciju i regulatorni putevi odobrenja.
Koristite iskustveno učenje: tehničke vještine zahtijevaju fokusiranu praksu i ponovljene primjene za savladavanje, slično rotirajućim iskustvima učenja kliničkih pripravnika.Jedno potencijalno rješenje je model preokrenute učionice, za koji se navodi da poboljšava zadržavanje znanja u inženjerskom obrazovanju14.U ovom modelu studenti samostalno pregledaju teorijski materijal, a vrijeme se posvećuje rješavanju problema kroz studije slučaja.
Skaliranje za multidisciplinarne učesnike: Zamišljamo usvajanje veštačke inteligencije koja uključuje saradnju u više disciplina, uključujući lekare i srodne zdravstvene stručnjake sa različitim nivoima obuke.Stoga će možda biti potrebno izraditi nastavne planove i programe u konsultaciji sa fakultetima iz različitih odjela kako bi se njihov sadržaj prilagodio različitim oblastima zdravstvene zaštite.
Umjetna inteligencija je visokotehnološka i njeni osnovni koncepti povezani su s matematikom i informatikom.Obuka zdravstvenog osoblja da razumije umjetnu inteligenciju predstavlja jedinstvene izazove u odabiru sadržaja, kliničkoj relevantnosti i metodama isporuke.Nadamo se da će uvidi stečeni na radionicama AI u obrazovanju pomoći budućim edukatorima da prihvate inovativne načine integracije AI u medicinsko obrazovanje.
Google Colaboratory Python skripta je otvorenog koda i dostupna je na: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG i Khan, S. Ponovno promišljanje medicinskog obrazovanja: poziv na akciju.Akkad.lijek.88, 1407–1410 (2013).
McCoy, LG itd. Šta studenti medicine zaista trebaju znati o umjetnoj inteligenciji?NPZh brojevi.Medicina 3, 1–3 (2020).
Dos Santos, DP, et al.Stavovi studenata medicine prema vještačkoj inteligenciji: multicentrično istraživanje.EURO.radijacije.29, 1640–1646 (2019).
Fan, KY, Hu, R. i Singla, R. Uvod u mašinsko učenje za studente medicine: pilot projekat.J. Med.podučavati.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.Biomedical Science.Obrada slike.Biomedical Science.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. i Peng, L. Kako razviti modele mašinskog učenja za zdravstvenu zaštitu.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR i dr.Grad-cam: Vizuelna interpretacija dubokih mreža putem lokalizacije zasnovane na gradijentu.Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K i Ilić D. Razvoj i evaluacija spiralnog modela za procjenu medicinskih kompetencija zasnovanih na dokazima koristeći OSCE u dodiplomskom medicinskom obrazovanju.BMK Medicine.podučavati.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 de Rooy, M. Umjetna inteligencija u radiologiji: 100 komercijalnih proizvoda i njihovi naučni dokazi.EURO.radijacije.31, 3797–3804 (2021).
Topol, EJ Medicina visokih performansi: konvergencija ljudske i umjetne inteligencije.Nat.lijek.25, 44–56 (2019).
Bede, E. et al.Evaluacija sistema dubokog učenja koji je raspoređen u klinici za otkrivanje dijabetičke retinopatije usmjeren na čovjeka.Zbornik radova CHI konferencije o ljudskim faktorima u računarskim sistemima 2020. (2020.).
Kerr, B. Preokrenuta učionica u inženjerskom obrazovanju: Pregled istraživanja.Zbornik radova Međunarodne konferencije o interaktivnom zajedničkom učenju 2015. (2015.).
Autori zahvaljuju Danielle Walker, Timu Salcudinu i Peteru Zandstri iz klastera za istraživanje biomedicinske slike i umjetne inteligencije na Univerzitetu Britanske Kolumbije na podršci i financiranju.
RH, PP, ZH, RS i MA bili su odgovorni za izradu nastavnog sadržaja radionice.RH i PP su bili odgovorni za razvoj primjera programiranja.KYF, OY, MT i PW bili su odgovorni za logističku organizaciju projekta i analizu radionica.RH, OY, MT, RS su bili odgovorni za kreiranje slika i tabela.Za izradu i uređivanje dokumenta bili su odgovorni RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS.
Communication Medicine zahvaljuje Carolyn McGregor, Fabio Moraes i Aditya Borakati na njihovom doprinosu pregledu ovog rada.
Vrijeme objave: Feb-19-2024