Ďakujeme, že ste navštívili Nature.com.Verzia prehliadača, ktorý používate, má obmedzenú podporu CSS.Na dosiahnutie najlepších výsledkov odporúčame použiť novšiu verziu prehliadača (alebo vypnúť režim kompatibility v programe Internet Explorer).Medzitým, aby sme zabezpečili nepretržitú podporu, zobrazujeme stránku bez štýlu alebo JavaScriptu.
Aplikácie klinickej umelej inteligencie (AI) rýchlo rastú, ale existujúce učebné osnovy lekárskych fakúlt ponúkajú obmedzené vyučovanie pokrývajúce túto oblasť.Tu popisujeme tréningový kurz umelej inteligencie, ktorý sme vyvinuli a poskytli kanadským študentom medicíny, a dávame odporúčania pre budúci tréning.
Umelá inteligencia (AI) v medicíne môže zlepšiť efektivitu pracoviska a pomôcť pri klinickom rozhodovaní.Na bezpečné vedenie používania umelej inteligencie musia mať lekári určité znalosti o umelej inteligencii.Mnohé komentáre obhajujú výučbu konceptov AI1, ako je vysvetľovanie modelov AI a overovacích procesov2.Realizovalo sa však málo štruktúrovaných plánov, najmä na národnej úrovni.Pinto dos Santos a kol.3.Do prieskumu sa zapojilo 263 študentov medicíny a 71 % súhlasilo s tým, že potrebujú školenie v oblasti umelej inteligencie.Výučba umelej inteligencie pre lekárske publikum si vyžaduje starostlivý dizajn, ktorý kombinuje technické a netechnické koncepty pre študentov, ktorí majú často rozsiahle predchádzajúce znalosti.Opisujeme naše skúsenosti s poskytovaním série workshopov AI trom skupinám študentov medicíny a dávame odporúčania pre budúce lekárske vzdelávanie v AI.
Náš päťtýždňový workshop Úvod do umelej inteligencie v medicíne pre študentov medicíny sa konal trikrát od februára 2019 do apríla 2021. Harmonogram každého workshopu so stručným popisom zmien kurzu je znázornený na obrázku 1. Náš kurz má tri základné vzdelávacie ciele: študenti pochopia, ako sa údaje spracúvajú v aplikáciách umelej inteligencie, analyzujú literatúru o umelej inteligencii pre klinické aplikácie a využívajú príležitosti na spoluprácu s inžiniermi vyvíjajúcimi umelú inteligenciu.
Modrá je témou prednášky a svetlomodrá je interaktívne obdobie otázok a odpovedí.Šedá časť je stredobodom stručného prehľadu literatúry.Oranžové časti sú vybrané prípadové štúdie, ktoré popisujú modely alebo techniky umelej inteligencie.Green je kurz programovania so sprievodcom určený na výučbu umelej inteligencie riešiť klinické problémy a vyhodnocovať modely.Obsah a trvanie workshopov sa líši v závislosti od posúdenia 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 virtuálne v októbri až novembri 2020, zaregistrovalo sa 222 študentov medicíny a 3 rezidenti z 8 kanadských lekárskych fakúlt.Prezentačné snímky a kód boli nahrané na stránku s otvoreným prístupom (http://ubcaimed.github.io).Kľúčovou spätnou väzbou z prvej iterácie bolo, že prednášky boli príliš intenzívne a materiál príliš teoretický.Obsluhovanie šiestich rôznych časových pásiem Kanady predstavuje ďalšie výzvy.Druhý workshop teda skrátil každú reláciu na 1 hodinu, zjednodušil materiál kurzu, pridal ďalšie prípadové štúdie a vytvorili štandardné programy, ktoré umožnili účastníkom dokončiť úryvky kódu s minimálnym ladením (rámček 1).Kľúčová spätná väzba z druhej iterácie zahŕňala pozitívnu spätnú väzbu na programovacie cvičenia a požiadavku na preukázanie plánovania projektu strojového učenia.Preto sme do nášho tretieho workshopu, ktorý sa virtuálne uskutočnil pre 126 študentov medicíny v marci až apríli 2021, zaradili viac interaktívnych cvičení kódovania a stretnutí so spätnou väzbou k projektu, aby sme demonštrovali vplyv používania konceptov workshopov na projekty.
Analýza údajov: Študijný odbor v štatistike, ktorý identifikuje zmysluplné vzorce v údajoch pomocou analýzy, spracovania a oznamovania vzorov údajov.
Data mining: proces identifikácie a extrakcie údajov.V kontexte umelej inteligencie je to často veľké, s viacerými premennými pre každú vzorku.
Zníženie rozmerov: Proces transformácie údajov s mnohými individuálnymi funkciami na menej prvkov pri zachovaní dôležitých vlastností pôvodného súboru údajov.
Charakteristika (v kontexte umelej inteligencie): merateľné vlastnosti vzorky.Často sa používa zameniteľne s výrazom „vlastnosť“ alebo „premenná“.
Gradient Activation Map: Technika používaná na interpretáciu modelov umelej inteligencie (najmä konvolučných neurónových sietí), ktorá analyzuje proces optimalizácie poslednej časti siete na identifikáciu oblastí 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.
Školenie (v kontexte umelej inteligencie): Poskytnutie modelu údajmi a výsledkami tak, aby model upravil svoje interné parametre tak, aby optimalizoval svoju schopnosť vykonávať úlohy pomocou nových údajov.
Vektor: pole údajov.Pri strojovom učení je každý prvok poľa zvyčajne jedinečnou vlastnosťou vzorky.
V tabuľke 1 sú uvedené najnovšie kurzy na apríl 2021 vrátane cielených vzdelávacích cieľov pre každú tému.Tento workshop je určený pre začiatočníkov na technickej úrovni a nevyžaduje žiadne matematické znalosti nad rámec prvého ročníka bakalárskeho štúdia medicíny.Kurz bol vyvinutý 6 študentmi medicíny a 3 učiteľmi s pokročilým vzdelaním v inžinierstve.Inžinieri vyvíjajú teóriu umelej inteligencie na vyučovanie a študenti medicíny sa učia klinicky relevantný materiál.
Workshopy zahŕňajú prednášky, prípadové štúdie a riadené programovanie.V prvej prednáške zopakujeme vybrané koncepty analýzy dát v bioštatistike vrátane vizualizácie dát, logistickej regresie a porovnania deskriptívnej a induktívnej štatistiky.Hoci je analýza údajov základom umelej inteligencie, vylučujeme témy ako dolovanie údajov, testovanie významnosti alebo interaktívna vizualizácia.Bolo to z dôvodu časových obmedzení a tiež preto, že niektorí vysokoškoláci absolvovali predchádzajúce školenie v oblasti bioštatistiky a chceli pokryť unikátnejšie témy strojového učenia.Následná prednáška predstavuje moderné metódy a rozoberá formuláciu problémov AI, výhody a obmedzenia modelov AI a testovanie modelov.Prednášky sú doplnené literatúrou a praktickým výskumom existujúcich zariadení umelej inteligencie.Zdôrazňujeme zručnosti potrebné na vyhodnotenie účinnosti a realizovateľnosti modelu na riešenie klinických otázok vrátane pochopenia obmedzení existujúcich zariadení umelej inteligencie.Napríklad sme požiadali študentov, aby interpretovali usmernenia pre poranenia hlavy u detí navrhnuté Kuppermanom a kol., 5 ktoré implementovali algoritmus rozhodovacieho stromu umelej inteligencie na určenie, či by bolo CT vyšetrenie užitočné na základe lekárskeho vyšetrenia.Zdôrazňujeme, že toto je bežný príklad AI, ktorá poskytuje prediktívne analýzy pre lekárov na interpretáciu, a nie na nahradenie lekárov.
V dostupných príkladoch programovania bootstrap s otvoreným zdrojom (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) demonštrujeme, ako vykonávať prieskumnú analýzu údajov, redukciu rozmerov, načítanie štandardného modelu a školenie. .a testovanie.Používame notebooky Google Colaboratory (Google LLC, Mountain View, CA), ktoré umožňujú spustenie kódu Python z webového prehliadača.Na obr. Obrázok 2 poskytuje príklad programovacieho cvičenia.Toto cvičenie zahŕňa predpovedanie malignít pomocou Wisconsin Open Breast Imaging Dataset6 a algoritmu rozhodovacieho stromu.
Počas týždňa prezentujte programy na súvisiace témy a vyberte si príklady z publikovaných aplikácií AI.Prvky programovania sú zahrnuté iba vtedy, ak sa považujú za relevantné pre poskytnutie prehľadu o budúcej klinickej praxi, napríklad ako hodnotiť modely s cieľom určiť, či sú pripravené na použitie v klinických skúškach.Tieto príklady vrcholia plnohodnotnou aplikáciou typu end-to-end, ktorá klasifikuje nádory ako benígne alebo malígne na základe parametrov medicínskeho obrazu.
Heterogenita predchádzajúcich vedomostí.Naši účastníci sa líšili úrovňou svojich matematických vedomostí.Napríklad študenti s pokročilým inžinierskym zázemím hľadajú hlbší materiál, napríklad ako vykonávať svoje vlastné Fourierove transformácie.Diskusia o Fourierovom algoritme v triede však nie je možná, pretože si vyžaduje hĺbkové znalosti spracovania signálov.
Odliv dochádzky.Účasť na následných stretnutiach klesala, najmä v online formátoch.Riešením môže byť sledovanie dochádzky a poskytnutie certifikátu o absolvovaní.Je známe, že lekárske fakulty uznávajú prepisy mimoškolských akademických aktivít študentov, čo môže študentov povzbudiť, aby študovali.
Návrh kurzu: Keďže AI pokrýva toľko podpolí, výber základných konceptov vhodnej hĺbky a šírky môže byť náročný.Dôležitou témou je napríklad kontinuita používania nástrojov AI z laboratória na kliniku.Aj keď sa zaoberáme predspracovaním údajov, vytváraním modelov a overovaním, nezahŕňame témy, ako je analýza veľkých údajov, interaktívna vizualizácia alebo vykonávanie klinických skúšok AI, namiesto toho sa zameriavame na najunikátnejšie koncepty AI.Našou hlavnou zásadou je zlepšovať 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 dokážu vizualizovať, ktoré oblasti údajov sú predvídateľné.Vyžaduje si to však viacrozmerný počet a nemožno ho zaviesť8.Vytvorenie spoločnej terminológie bolo náročné, pretože sme sa snažili vysvetliť, ako pracovať s dátami ako vektormi bez matematického formalizmu.Všimnite si, že rôzne výrazy majú rovnaký význam, napríklad v epidemiológii je „charakteristika“ opísaná ako „premenná“ alebo „atribút“.
Udržiavanie vedomostí.Keďže aplikácia AI je obmedzená, miera, do akej si účastníci udržia vedomosti, sa ešte len uvidí.Učebné osnovy lekárskych fakúlt sa často spoliehajú na opakované opakovanie s cieľom posilniť vedomosti počas praktických rotácií9, čo možno použiť aj na vzdelávanie AI.
Profesionalita je dôležitejšia ako gramotnosť.Hĺbka materiálu je navrhnutá bez matematickej prísnosti, čo bol problém pri spúšťaní klinických kurzov umelej inteligencie.V príkladoch programovania používame šablónový program, ktorý umožňuje účastníkom vyplniť polia a spustiť softvér bez toho, aby museli prísť na to, ako nastaviť kompletné programovacie prostredie.
Vyriešené obavy z umelej inteligencie: Existuje rozšírená obava, že umelá inteligencia by mohla nahradiť niektoré klinické povinnosti3.Na vyriešenie tohto problému vysvetľujeme obmedzenia AI vrátane skutočnosti, že takmer všetky technológie AI schválené regulačnými orgánmi vyžadujú dohľad lekára11.Zdôrazňujeme tiež dôležitosť skreslenia, pretože algoritmy sú náchylné na skreslenie, najmä ak súbor údajov nie je rôznorodý12.V dôsledku toho môže byť určitá podskupina modelovaná nesprávne, čo vedie k nespravodlivým klinickým rozhodnutiam.
Zdroje sú verejne dostupné: Vytvorili sme verejne dostupné zdroje vrátane snímok prednášok a kódu.Aj keď je prístup k synchrónnemu obsahu obmedzený z dôvodu časových pásiem, obsah s otvoreným zdrojovým kódom je vhodnou metódou asynchrónneho učenia, pretože odbornosť AI nie je k dispozícii na všetkých lekárskych fakultách.
Interdisciplinárna spolupráca: Tento workshop je spoločným podnikom, ktorý iniciovali študenti medicíny na plánovanie kurzov spolu s inžiniermi.To demonštruje možnosti spolupráce a vedomostné medzery v oboch oblastiach, čo umožňuje účastníkom pochopiť potenciálnu úlohu, ktorou môžu prispieť v budúcnosti.
Definujte základné kompetencie AI.Definovanie zoznamu kompetencií poskytuje štandardizovanú štruktúru, ktorá môže byť integrovaná do existujúcich medicínskych osnov založených na kompetenciách.Tento workshop v súčasnosti využíva úrovne 2 (porozumenie), 3 (aplikácia) a 4 (analýza) Bloomovej taxonómie vzdelávacieho cieľa.Zdroje na vyšších úrovniach klasifikácie, ako napríklad vytváranie projektov, môžu ďalej posilniť znalosti.Vyžaduje si to spoluprácu s klinickými odborníkmi, aby sme určili, ako možno témy AI aplikovať na klinické pracovné postupy, a zabrániť výučbe opakujúcich sa tém, ktoré sú už zahrnuté v štandardných lekárskych osnovách.
Vytvárajte prípadové štúdie pomocou AI.Podobne ako v klinických príkladoch môže učenie na základe prípadov posilniť abstraktné koncepty zdôraznením ich relevantnosti pre klinické otázky.Napríklad jedna workshopová štúdia analyzovala systém detekcie diabetickej retinopatie 13 spoločnosti Google založený na AI s cieľom identifikovať výzvy na ceste z laboratória do kliniky, ako sú požiadavky na externú validáciu a cesty regulačného schvaľovania.
Využite zážitkové učenie: Technické zručnosti si vyžadujú sústredenú prax a opakovanú aplikáciu na zvládnutie, podobne ako rotujúce vzdelávacie skúsenosti klinických školiteľov.Jedným z potenciálnych riešení je model prevrátenej triedy, o ktorom sa uvádza, že zlepšuje uchovávanie vedomostí v inžinierskom vzdelávaní14.V tomto modeli si študenti prezerajú teoretický materiál samostatne a vyučovací čas je venovaný riešeniu problémov prostredníctvom prípadových štúdií.
Škálovanie pre multidisciplinárnych účastníkov: Predstavujeme si prijatie AI zahŕňajúce spoluprácu vo viacerých disciplínach vrátane lekárov a pridružených zdravotníckych profesionálov s rôznymi úrovňami školenia.Preto môže byť potrebné vypracovať učebné osnovy po konzultácii s učiteľmi z rôznych katedier, aby sa ich obsah prispôsobil rôznym oblastiam zdravotnej starostlivosti.
Umelá inteligencia je high-tech a jej základné pojmy súvisia s matematikou a informatikou.Školenie zdravotníckeho personálu na pochopenie umelej inteligencie predstavuje jedinečné výzvy pri výbere obsahu, klinickej relevantnosti a metódach poskytovania.Dúfame, že poznatky získané z workshopov AI in Education pomôžu budúcim pedagógom prijať inovatívne spôsoby integrácie AI do medicínskeho vzdelávania.
Skript Google Colaboratory Python je otvorený zdroj a je dostupný na: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG a Khan, S. Prehodnotenie medicínskeho vzdelávania: výzva k akcii.Akkad.liek.88, 1407 – 1410 (2013).
McCoy, LG atď. Čo študenti medicíny skutočne potrebujú vedieť o umelej inteligencii?čísla NPZh.Medicína 3, 1–3 (2020).
Dos Santos, DP, a kol.Postoj študentov medicíny k umelej inteligencii: multicentrický prieskum.EURO.žiarenia.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 znakov na diagnostiku nádoru prsníka.Biomedicínska veda.Spracovanie obrazu.Biomedicínska veda.Weiss.1905, 861 – 870 (1993).
Chen, PHC, Liu, Y. a Peng, L. Ako vyvinúť modely strojového učenia pre zdravotníctvo.Nat.Matt.18, 410 – 414 (2019).
Selvaraju, RR a kol.Grad-cam: Vizuálna interpretácia hlbokých sietí prostredníctvom lokalizácie založenej na gradiente.Zborník z medzinárodnej konferencie IEEE o počítačovom videní, 618–626 (2017).
Kumaravel B, Stewart K a Ilic D. Vývoj a hodnotenie špirálového modelu na hodnotenie kompetencií medicíny založenej na dôkazoch s využitím OBSE v pregraduálnom medicínskom vzdelávaní.Medicína BMK.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. Umelá inteligencia v rádiológii: 100 komerčných produktov a ich vedecké dôkazy.EURO.žiarenia.31, 3797 – 3804 (2021).
Topol, EJ Vysokovýkonná medicína: konvergencia ľudskej a umelej inteligencie.Nat.liek.25, 44 – 56 (2019).
Bede, E. a kol.Hodnotenie systému hlbokého učenia zameraného na človeka nasadeného na klinike na detekciu diabetickej retinopatie.Zborník z konferencie CHI 2020 o ľudských faktoroch v počítačových systémoch (2020).
Kerr, B. Prevrátená trieda v inžinierskom vzdelávaní: Prehľad výskumu.Zborník z medzinárodnej konferencie Interactive Collaborative Learning 2015 (2015).
Autori ďakujú Danielle Walker, Timovi Salcudinovi a Petrovi Zandstrovi z Biomedical Imaging and Artificial Intelligence Research Cluster na University of British Columbia za podporu a financovanie.
RH, PP, ZH, RS a MA boli zodpovedné za vypracovanie obsahu workshopu.RH a PP boli zodpovedné za vypracovanie príkladov programovania.KYF, OY, MT a PW boli zodpovedné za logistickú organizáciu projektu a analýzu workshopov.RH, OY, MT, RS boli zodpovedné za vytvorenie obrázkov a tabuliek.Za vypracovanie a úpravu dokumentu boli zodpovedné RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS.
Communication Medicine ďakuje Carolyn McGregor, Fabio Moraes a Aditya Borakati za ich príspevky k recenzii tejto práce.
Čas odoslania: 19. február 2024