Ďakujeme za návštevu nature.com. Verzia prehliadača, ktorú používate, má obmedzenú podporu CSS. Najlepšie výsledky odporúčame použiť novšiu verziu vášho prehliadača (alebo vypnutie režimu kompatibility v internetovom prieskume). Medzitým, aby sme zaistili nepretržitú podporu, zobrazujeme web bez stylingu alebo JavaScript.
Aplikácie klinickej umelej inteligencie (AI) rýchlo rastú, ale existujúce učebné osnovy lekárskej fakulty ponúkajú obmedzenú výučbu, ktorá sa týka tejto oblasti. Tu popisujeme školiaci kurz umelej inteligencie, ktorý sme vyvinuli a doručili študentom kanadskej medicíny a odporúčania pre budúce školenie.
Umelá inteligencia (AI) v medicíne môže zlepšiť efektívnosť pracoviska a pomôcť klinické rozhodovanie. Aby lekári bezpečne usmerňovali používanie umelej inteligencie, musia mať určité pochopenie umelej inteligencie. Mnohé komentáre obhajujú výučbu AI Concepts1, napríklad vysvetlenie modelov AI a procesy overovania2. Bolo však implementovaných len málo štruktúrovaných plánov, najmä na vnútroštátnej úrovni. Pinto Dos Santos a kol .3. Preskúmalo sa 263 študentov medicíny a 71% súhlasilo s tým, že potrebujú školenie v oblasti umelej inteligencie. Výučba umelej inteligencie lekárskemu publiku si vyžaduje starostlivý dizajn, ktorý kombinuje technické a netechnické koncepty pre študentov, ktorí majú často rozsiahle predchádzajúce znalosti. Popisujeme naše skúsenosti, ktoré poskytujú sériu workshopov AI trom skupinám študentov medicíny a odporúčame budúce lekárske vzdelávanie v AI.
Náš päťtýždňový úvod do umelej inteligencie v medicínom seminári pre študentov medicíny sa konal trikrát medzi februárom 2019 a aprílom 2021. Plán pre každý seminár so stručným opisom zmien v kurze je uvedený na obrázku 1. Náš kurz má kurz. Tri ciele primárneho vzdelávania: Študenti chápu, ako sa údaje spracúvajú v aplikáciách umelej inteligencie, analyzujú literatúru umelej inteligencie pre klinické aplikácie a využívajú príležitosti na spoluprácu s inžiniermi, ktorí rozvíjajú umelú inteligenciu.
Modrá je témou prednášky a svetlo modrá je interaktívna otázka a obdobie odpovedí. Šedá sekcia je zameraná na stručnú recenziu literatúry. Oranžové sekcie sú vybrané prípadové štúdie, ktoré opisujú modely alebo techniky umelej inteligencie. Green je kurz programovania so sprievodcom určeným na výučbu umelej inteligencie na riešenie klinických problémov a hodnotenie modelov. Obsah a trvanie workshopov sa líšia v závislosti od hodnotenia potrieb študentov.
Prvý workshop sa konal na University of British Columbia od februára do apríla 2019 a všetkých 8 účastníkov poskytlo pozitívnu spätnú väzbu4. V dôsledku Covid-19 sa druhý workshop konal prakticky v októbri až novembri 2020, pričom sa zaregistrovalo 222 študentov medicíny a 3 obyvateľov z 8 kanadských lekárskych fakúlt. Prezentačné snímky a kód boli nahrané na stránku s otvoreným prístupom (http://ubcaimed.github.io). Kľúčovou spätnou väzbou od prvej iterácie bolo, že prednášky boli príliš intenzívne a materiál príliš teoretický. Podávajúca šesť rôznych časových pásiem Kanady predstavuje ďalšie výzvy. Druhý workshop tak skrátil každú reláciu na 1 hodinu, zjednodušil materiál kurzu, pridal ďalšie prípadové štúdie a vytvoril programy kotla, ktoré umožnili účastníkom dokončiť úryvky kódu s minimálnym ladením (rámček 1). Kľúčová spätná väzba z druhej iterácie zahŕňala pozitívnu spätnú väzbu o programovacích cvičeniach a žiadosť o preukázanie plánovania projektu strojového učenia. Preto v našom treťom workshope, ktorý sa konal prakticky pre 126 študentov medicíny v marci-apríl 2021, sme zahrnuli interaktívnejšie kódovacie cvičenia a relácie spätnej väzby projektov, aby sme preukázali vplyv používania konceptov seminárov na projekty.
Analýza údajov: Študijná oblasť v štatistikách, ktorá identifikuje zmysluplné vzorce v údajoch analýzou, spracovaním a komunikáciou vzorov údajov.
Dolovanie údajov: proces identifikácie a extrahovania údajov. V kontexte umelej inteligencie je to často veľké, s viacerými premennými pre každú vzorku.
Redukcia dimenzie: Proces transformácie údajov s mnohými individuálnymi funkciami na menej funkcií pri zachovaní dôležitých vlastností pôvodného súboru údajov.
Charakteristiky (v kontexte umelej inteligencie): merateľné vlastnosti vzorky. Často sa zameniteľne používa s „vlastnosťou“ alebo „premennou“.
Activation Gradient Activation MAP: Technika používaná na interpretáciu modelov umelej inteligencie (najmä konvolučných neurónových sietí), ktorá analyzuje proces optimalizácie poslednej časti siete s cieľom identifikovať regióny údajov alebo obrázkov, ktoré sú vysoko prediktívne.
Štandardný model: Existujúci model AI, ktorý bol vopred vyškolený na vykonávanie podobných úloh.
Testovanie (v kontexte umelej inteligencie): pozorovanie toho, ako model vykonáva úlohu pomocou údajov, s ktorými sa predtým nestretol.
Tréning (v kontexte umelej inteligencie): Poskytovanie modelu s údajmi a výsledkami tak, aby model upravoval svoje vnútorné parametre tak, aby optimalizoval svoju schopnosť plniť úlohy pomocou nových údajov.
Vektor: pole údajov. V strojovom učení je každý prvok poľa zvyčajne jedinečnou vlastnosťou vzorky.
Tabuľka 1 uvádza najnovšie kurzy na apríl 2021 vrátane cielených cieľov vzdelávania pre každú tému. Tento workshop je určený pre tých, ktorí sú noví na technickej úrovni a nevyžadujú žiadne matematické znalosti po prvom roku vysokoškolského lekárskeho titulu. Kurz bol vyvinutý 6 študentmi medicíny a 3 učiteľmi s pokročilým titulom v odbore inžinierstvo. Inžinieri vyvíjajú teóriu umelej inteligencie, ktoré sa majú učiť, a študenti medicíny sa učia klinicky relevantný materiál.
Workshopy zahŕňajú prednášky, prípadové štúdie a riadené programovanie. V prvej prednáške preskúmame vybrané koncepty analýzy údajov v biostatistike vrátane vizualizácie údajov, logistickej regresie a porovnania opisnej a indukčnej štatistiky. Aj keď analýza údajov je základom umelej inteligencie, vylučujeme témy, ako je ťažba údajov, testovanie významnosti alebo interaktívna vizualizácia. Bolo to kvôli časovým obmedzeniam a tiež preto, že niektorí vysokoškolskí študenti mali predchádzajúce školenie v biostatistike a chceli pokryť jedinečné témy strojového učenia. Následná prednáška predstavuje moderné metódy a diskutuje o formulácii problémov s AI, výhodami a obmedzeniami modelov AI a testovaním modelu. Prednášky sú doplnené literatúrou a praktickým výskumom existujúcich zariadení umelej inteligencie. Zdôrazňujeme zručnosti potrebné na vyhodnotenie efektívnosti a uskutočniteľnosti modelu na riešenie klinických otázok vrátane porozumenia obmedzení existujúcich zariadení umelej inteligencie. Napríklad sme požiadali študentov, aby interpretovali usmernenia o poranení pediatrickej hlavy, ktoré navrhli Kupperman et al., 5, ktorý implementoval algoritmus rozhodovania o umelej inteligencii s cieľom určiť, či by sken CT bolo užitočné na základe skúšky lekára. Zdôrazňujeme, že toto je bežný príklad AI poskytovania prediktívnej analýzy pre lekárov na interpretáciu, a nie nahradiť lekárov.
V príkladoch programovania Open Source Bootstrap (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) demonštrujeme, ako vykonávať analýzu prieskumných údajov, redukciu dimenzie, štandardné zaťaženie modelu a školenie . a testovanie. Používame notebooky Google Colaborating (Google LLC, Mountain View, CA), ktoré umožňujú vykonanie kódu Pythonu z webového prehľadávača. Na obrázku 2 uvádza príklad programovacieho cvičenia. Toto cvičenie zahŕňa predpovedanie malignít pomocou súboru údajov Wisconsin Open Open Imaging a algoritmus rozhodovacieho stromu.
Súčasné programy počas celého týždňa týkajúce sa súvisiacich tém a vybraných príkladov z publikovaných aplikácií AI. Programovacie prvky sú zahrnuté iba vtedy, ak sa považujú za relevantné pre poskytnutie prehľadu o budúcej klinickej praxi, napríklad ako vyhodnotiť modely s cieľom určiť, či sú pripravené na použitie v klinických skúškach. Tieto príklady kulminujú v plnohodnotnej aplikácii End-to-end, ktorá klasifikuje nádory ako benígne alebo malígne na základe parametrov lekárskeho obrazu.
Heterogenita predchádzajúcich vedomostí. Naši účastníci sa líšili v úrovni matematických znalostí. Napríklad študenti s pokročilým inžinierskym zázemím hľadajú podrobnejší materiál, napríklad ako vykonať svoje vlastné Fourierové transformácie. Diskusia o Fourierovom algoritme v triede však nie je možná, pretože vyžaduje hĺbkové znalosti spracovania signálu.
Odtok účasti. Účasť na následných stretnutiach klesla, najmä v online formátoch. Riešením môže byť sledovanie účasti a poskytnutie osvedčenia o dokončení. Je známe, že lekárske školy uznávajú prepisy mimoškolských akademických aktivít študentov, ktoré môžu povzbudiť študentov, aby študovali.
Dizajn kurzu: Pretože AI pokrýva toľko podpolov, výber základných konceptov vhodnej hĺbky a šírky môže byť náročný. Dôležitou témou je napríklad kontinuita používania nástrojov AI od laboratória po kliniku. Aj keď pokrývame predbežné spracovanie údajov, budovanie modelu a validáciu, nezahŕňame témy, ako sú analýza veľkých údajov, interaktívna vizualizácia alebo vykonávanie klinických skúšok AI, namiesto toho sa zameriavame na najunikátnejšie koncepcie AI. Naším hlavným princípom je zlepšiť gramotnosť, nie zručnosti. Napríklad pochopenie toho, ako model spracováva vstupné funkcie, je dôležité pre interpretovateľnosť. Jedným zo spôsobov, ako to dosiahnuť, je použiť mapy aktivácie gradientu, ktoré môžu vizualizovať, ktoré oblasti údajov sú predvídateľné. Vyžaduje si to však viacrozmerný počet a nemožno ho zaviesť8. Vývoj spoločnej terminológie bol náročný, pretože sme sa snažili vysvetliť, ako pracovať s údajmi ako vektory bez matematického formalizmu. Všimnite si, že rôzne výrazy majú rovnaký význam, napríklad v epidemiológii je „charakteristika“ opísaná ako „premenná“ alebo „atribút“.
Zadržanie vedomostí. Pretože uplatňovanie AI je obmedzené, rozsah, v akom si účastníci zachovávajú vedomosti, je potrebné vidieť. Učebné osnovy lekárskej fakulty sa často spoliehajú na prepustené opakovanie, aby posilnili znalosti počas praktických rotácií, 9, ktoré sa dajú uplatniť aj na vzdelávanie AI.
Profesionalita je dôležitejšia ako gramotnosť. Hĺbka materiálu je navrhnutá bez matematickej prísnosti, čo bol problém pri začatí klinických kurzov umelej inteligencie. V príkladoch programovania používame program šablóny, ktorý umožňuje účastníkom vyplniť polia a spustiť softvér bez toho, aby sme museli zistiť, ako nastaviť kompletné programovacie prostredie.
Obavy týkajúce sa umelej inteligencie riešené: Existujú rozsiahle obavy, že umelá inteligencia by mohla nahradiť niektoré klinické povinnosti3. Na vyriešenie tohto problému vysvetlíme obmedzenia AI, vrátane skutočnosti, že takmer všetky technológie AI schválené regulačnými orgánmi vyžadujú dohľad nad lekárom11. Zdôrazňujeme tiež dôležitosť zaujatosti, pretože algoritmy sú náchylné na zaujatosť, najmä ak súbor údajov nie je rozmanitý12. V dôsledku toho môže byť určitá podskupina modelovaná nesprávne, čo vedie k nespravodlivým klinickým rozhodnutiam.
Zdroje sú verejne k dispozícii: Vytvorili sme verejne dostupné zdroje vrátane prednáškových snímok a kódu. Aj keď je prístup k synchrónnemu obsahu obmedzený kvôli časovým zónom, obsah otvoreného zdroja je pohodlnou metódou asynchrónneho učenia, pretože odborné znalosti AI nie sú k dispozícii na všetkých lekárskych školách.
Interdisciplinárna spolupráca: Tento workshop je spoločným podnikom iniciovaný študentmi medicíny na plánovanie kurzov spolu s inžiniermi. To dokazuje príležitosti na spoluprácu a medzery v znalostiach v oboch oblastiach, čo účastníkom umožňuje porozumieť potenciálnej úlohe, ktorú môžu v budúcnosti prispieť.
Definujte základné kompetencie AI. Definovanie zoznamu kompetencií poskytuje štandardizovanú štruktúru, ktorá je možné integrovať do existujúcich zdravotníckych učebných osnov založených na spôsobilosti. Tento workshop v súčasnosti využíva úroveň vzdelávacích cieľov 2 (porozumenie), 3 (aplikácia) a 4 (analýza) Bloomovej taxonómie. Mať zdroje na vyššej úrovni klasifikácie, ako napríklad vytváranie projektov, môže ďalej posilňovať vedomosti. Vyžaduje si to spoluprácu s klinickými odborníkmi na určenie, ako možno témy AI aplikovať na klinické pracovné toky a zabrániť výučbe opakujúcich sa tém, ktoré už boli zahrnuté v štandardných lekárskych učebných osnovách.
Vytvorte prípadové štúdie pomocou AI. Podobne ako pri klinických príkladoch, učenie založené na prípadoch môže posilniť abstraktné koncepty zdôraznením ich relevantnosti k klinickým otázkam. Napríklad jedna štúdia workshopu analyzovala systém detekcie retinopatie založeného na diabetickej retinopatii spoločnosti Google s cieľom identifikovať výzvy pozdĺž cesty z laboratória na kliniku, ako sú požiadavky na externú validáciu a regulačné schválené dráhy.
Používajte zážitkové učenie: Technické zručnosti si vyžadujú zameranú prax a opakované aplikácie na zvládnutie, podobné rotujúcim vzdelávacím skúsenostiam klinických stážistov. Jedným z potenciálnych riešení je model prevrátenej triedy, o ktorom sa uvádza, že zlepšuje udržanie znalostí v inžinierskom vzdelávaní14. V tomto modeli študenti nezávisle kontrolujú teoretický materiál a čas tried je venovaný riešeniu problémov prostredníctvom prípadových štúdií.
Škálovanie pre multidisciplinárnych účastníkov: Predstavujeme si prijatie AI, ktorá zahŕňa spoluprácu vo viacerých disciplínach vrátane lekárov a spojeneckých zdravotníckych pracovníkov s rôznou úrovňou odbornej prípravy. Preto bude možno potrebné vyvinúť učebné osnovy po konzultácii s fakultou z rôznych oddelení, aby prispôsobili svoj obsah do rôznych oblastí zdravotnej starostlivosti.
Umelá inteligencia je high-tech a jej základné koncepty súvisia s matematikou a informatikou. Tréning zdravotníckych pracovníkov na pochopenie umelej inteligencie predstavuje jedinečné výzvy pri výbere obsahu, klinickom význame a metódach dodávok. Dúfame, že poznatky získané z AI vo vzdelávacích seminároch pomôžu budúcim pedagógom prijať inovatívne spôsoby integrácie AI do lekárskeho vzdelávania.
Skript Google Colaboratr Python je otvorený zdroj a je k dispozícii na adrese: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, Kg a Khan, S. Prehodnotenie lekárskeho vzdelávania: výzva na akciu. Akkad. liek. 88, 1407–1410 (2013).
McCoy, LG atď. Čo skutočne potrebujú študenti medicíny vedieť o umelej inteligencii? Čísla NPZH. Medicine 3, 1–3 (2020).
Dos Santos, DP, a kol. Postoje študentov medicíny k umelej inteligencii: Multicentrický prieskum. Euro. žiarenie. 29, 1640 - 1646 (2019).
Fan, Ky, Hu, R. a Singla, R. Úvod do strojového učenia pre študentov medicíny: Pilotný projekt. J. Med. učiť. 54, 1042–1043 (2020).
Cooperman N, a kol. Identifikácia detí s veľmi nízkym rizikom klinicky významného poranenia mozgu po poranení hlavy: prospektívna kohortová štúdia. Lancet 374, 1160 - 1170 (2009).
Street, Wn, Wolberg, WH a Mangasarian, ol. Extrakcia jadrových prvkov na diagnostiku nádoru prsníka. Biomedicínska veda. Spracovanie obrazu. Biomedicínska veda. Weiss. 1905, 861 - 870 (1993).
Chen, PHC, Liu, Y. a Peng, L. Ako rozvíjať modely strojového učenia pre zdravotnú starostlivosť. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR a kol. Grad-CAM: Vizuálna interpretácia hlbokých sietí prostredníctvom lokalizácie založenej na gradientoch. Zborník Medzinárodnej konferencie IEEE o počítačovej vízii, 618–626 (2017).
Kumaravel B, Stewart K a ILIC D. Vývoj a hodnotenie špirálového modelu na hodnotenie spôsobilosti medicíny založených na dôkazoch pomocou OBSE pri vysokoškolskom lekárskom vzdelávaní. BMK Medicine. učiť. 21, 1-9 (2021).
Kolachalama VB a Garg PS strojové učenie a lekárske vzdelávanie. Čísla NPZH. liek. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. a De Rooy, M. Artificial Intelligence in Radiology: 100 komerčných výrobkov a ich vedecké dôkazy. Euro. žiarenie. 31, 3797 - 3804 (2021).
Topol, EJ High-výkonná medicína: Konvergencia ľudskej a umelej inteligencie. Nat. liek. 25, 44–56 (2019).
Bede, E. a kol. Vyhodnotenie hlbokého vzdelávacieho systému zameraného na kliniku na detekciu diabetickej retinopatie. Zborník z konferencie CHI v roku 2020 o ľudských faktoroch vo výpočtových systémoch (2020).
Kerr, B. Otočená trieda v inžinierskom vzdelávaní: Prehľad výskumu. Zborník Medzinárodnej konferencie o interaktívnom kolaboratívnych vzdelávaní v roku 2015 (2015).
Autori ďakujú Danielle Walker, Tim Salcudin a Peter Zandstra z výskumu biomedicínskeho zobrazovania a umelej inteligencie na University of British Columbia za podporu a financovanie.
RH, PP, ZH, RS a MA boli zodpovedné za rozvoj obsahu výučby seminára. RH a PP boli zodpovedné za vývoj príkladov programovania. KYF, OY, MT a PW boli zodpovedné za logistickú organizáciu projektu a analýzu workshopov. RH, OY, MT, RS boli zodpovedné za vytvorenie čísel a tabuliek. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS boli zodpovední za vypracovanie a úpravu dokumentu.
Komunikačná medicína vďaka Carolyn McGregor, Fabio Moraes a Aditya Borakati za ich príspevky k preskúmaní tejto práce.
Čas príspevku: február-20.2024