Ďakujeme za návštevu stránky Nature.com. Verzia prehliadača, ktorú používate, má obmedzenú podporu CSS. Pre dosiahnutie najlepších výsledkov odporúčame používať novšiu verziu prehliadača (alebo vypnúť režim kompatibility v prehliadači Internet Explorer). Medzitým, aby sme zabezpečili nepretržitú podporu, zobrazujeme stránku bez štýlov a JavaScriptu.
Aplikácie klinickej umelej inteligencie (AI) rýchlo rastú, ale existujúce učebné osnovy lekárskych fakúlt ponúkajú obmedzené možnosti výučby v tejto oblasti. V tejto práci opisujeme kurz umelej inteligencie, ktorý sme vyvinuli a poskytli kanadským študentom medicíny, a uvádzame odporúčania pre budúce vzdelávanie.
Umelá inteligencia (AI) v medicíne môže zlepšiť efektivitu pracoviska a pomôcť pri klinickom rozhodovaní. Aby lekári mohli bezpečne riadiť používanie umelej inteligencie, musia mať určité znalosti o umelej inteligencii. Mnohé komentáre odporúčajú výučbu konceptov AI1, ako je vysvetľovanie modelov AI a overovacích procesov2. Bolo však implementovaných len málo štruktúrovaných plánov, najmä na národnej úrovni. Pinto dos Santos a kol.3. Bolo oslovených 263 študentov medicíny a 71 % z nich súhlasilo s tým, že potrebujú školenie v oblasti umelej inteligencie. Výučba umelej inteligencie pre lekárske publikum si vyžaduje starostlivý návrh, ktorý kombinuje technické a netechnické koncepty pre študentov, ktorí majú často rozsiahle predchádzajúce znalosti. Opisujeme naše skúsenosti s poskytovaním série workshopov o umelej inteligencii trom skupinám študentov medicíny a predkladáme odporúčania pre budúce lekárske vzdelávanie v oblasti AI.
Náš päťtýždňový workshop Úvod do umelej inteligencie v medicíne pre študentov medicíny sa konal trikrát v období od februára 2019 do apríla 2021. Harmonogram každého workshopu so stručným popisom zmien v kurze je znázornený na obrázku 1. Náš kurz má tri hlavné vzdelávacie ciele: študenti pochopiť, ako sa údaje spracovávajú v aplikáciách umelej inteligencie, analyzovať literatúru o umelej inteligencii pre klinické aplikácie a využiť príležitosti na spoluprácu s inžiniermi, ktorí vyvíjajú umelú inteligenciu.
Modrá je téma prednášky a svetlomodrá je interaktívna časť na otázky a odpovede. Sivá časť je zameraná na stručný prehľad literatúry. Oranžové časti predstavujú vybrané prípadové štúdie, ktoré opisujú modely alebo techniky umelej inteligencie. Zelená je kurz programovania so sprievodcom, ktorý je určený na výučbu umelej inteligencie pri riešení klinických problémov a hodnotení modelov. Obsah a trvanie workshopov sa líšia v závislosti od posúdenia potrieb študentov.
Prvý workshop sa konal na Univerzite Britskej Kolumbie od februára do apríla 2019 a všetkých 8 účastníkov poskytlo pozitívnu spätnú väzbu4. Kvôli pandémii COVID-19 sa druhý workshop konal virtuálne v októbri až novembri 2020 a zaregistrovalo sa ho 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. Služba šiestim rôznym časovým pásmam Kanady predstavuje ďalšie výzvy. Druhý workshop preto skrátil každú časť na 1 hodinu, zjednodušil študijný materiál, pridal viac prípadových štúdií a vytvoril štandardné programy, ktoré umožnili účastníkom dokončiť úryvky kódu s minimálnym ladením (rámček 1). Kľúčovou spätnou väzbou z druhej iterácie bola pozitívna spätná väzba na programovacie cvičenia a žiadosť o demonštráciu plánovania projektu strojového učenia. Preto sme do nášho tretieho workshopu, ktorý sa konal virtuálne pre 126 študentov medicíny v marci až apríli 2021, zahrnuli viac interaktívnych cvičení zameraných na kódovanie a stretnutí so spätnou väzbou k projektom, aby sme demonštrovali vplyv používania konceptov workshopov na projekty.
Analýza údajov: Študijný odbor v štatistike, ktorý identifikuje zmysluplné vzory v údajoch analýzou, spracovaním a komunikáciou vzorov údajov.
Dolovanie dát: proces identifikácie a extrakcie dát. V kontexte umelej inteligencie ide často o rozsiahly proces s viacerými premennými pre každú vzorku.
Redukcia dimenzionality: Proces transformácie údajov s mnohými individuálnymi znakmi na menej znakov pri zachovaní dôležitých vlastností pôvodnej množiny údajov.
Charakteristiky (v kontexte umelej inteligencie): merateľné vlastnosti vzorky. Často sa používajú zameniteľne s pojmom „vlastnosť“ alebo „premenná“.
Mapa aktivácie gradientu: Technika používaná na interpretáciu modelov umelej inteligencie (najmä konvolučných neurónových sietí), ktorá analyzuje proces optimalizácie poslednej časti siete s cieľom identifikovať oblasti údajov alebo obrázkov, ktoré sú vysoko prediktívne.
Štandardný model: Existujúci model umelej inteligencie, ktorý bol predtrénovaný na vykonávanie podobných úloh.
Testovanie (v kontexte umelej inteligencie): pozorovanie toho, ako model vykonáva úlohu s použitím údajov, s ktorými sa predtým nestretol.
Trénovanie (v kontexte umelej inteligencie): Poskytnutie modelu údajov a výsledkov tak, aby model upravil svoje vnútorné parametre a optimalizoval svoju schopnosť vykonávať úlohy s použitím 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 vzdelávacích cieľov pre každú tému. Tento workshop je určený pre tých, ktorí sú na technickej úrovni noví, a nevyžaduje žiadne matematické znalosti nad rámec prvého ročníka bakalárskeho štúdia medicíny. Kurz vyvinulo 6 študentov medicíny a 3 učitelia s vyšším vzdelaním v odbore inžinierstvo. Inžinieri vyvíjajú teóriu umelej inteligencie na výučbu a študenti medicíny sa učia klinicky relevantný materiál.
Workshopy zahŕňajú prednášky, prípadové štúdie a riadené programovanie. V prvej prednáške si prejdeme vybrané koncepty analýzy údajov v bioštatistike vrátane vizualizácie údajov, 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 kvôli časovým obmedzeniam a tiež preto, že niektorí študenti bakalárskeho štúdia mali predchádzajúce vzdelanie v bioštatistike a chceli sa venovať jedinečnejším témam strojového učenia. Nasledujúca prednáška predstavuje moderné metódy a diskutuje o formulácii problémov s umelou inteligenciou, výhodách a obmedzeniach modelov umelej inteligencie a testovaní modelov. Prednášky sú doplnené literatúrou a praktickým výskumom existujúcich zariadení s umelou inteligenciou. Zdôrazňujeme zručnosti potrebné na vyhodnotenie účinnosti a uskutočniteľnosti modelu na riešenie klinických otázok vrátane pochopenia obmedzení existujúcich zariadení s umelou inteligenciou. Napríklad sme požiadali študentov, aby interpretovali smernice pre pediatrické poranenia hlavy, ktoré navrhli Kupperman a kol.,5 ktoré implementovali algoritmus rozhodovacieho stromu umelej inteligencie na určenie, či by bolo CT vyšetrenie užitočné na základe vyšetrenia lekárom. Zdôrazňujeme, že ide o bežný príklad umelej inteligencie, ktorá poskytuje prediktívnu analytiku pre lekárov na interpretáciu, a nie nahrádza lekárov.
V dostupných príkladoch bootstrap programovania s otvoreným zdrojovým kódom (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) demonštrujeme, ako vykonávať prieskumnú analýzu dát, redukciu dimenzionality, načítavanie štandardných modelov a trénovanie a testovanie. Používame notebooky Google Colaboratory (Google LLC, Mountain View, CA), ktoré umožňujú spúšťanie kódu Python z webového prehliadača. Obrázok 2 zobrazuje príklad programovacieho cvičenia. Toto cvičenie zahŕňa predpovedanie malignít pomocou súboru údajov Wisconsin Open Breast Imaging Dataset6 a algoritmu rozhodovacieho stromu.
Prezentujte programy počas celého týždňa na súvisiace témy a vyberajte príklady z publikovaných aplikácií umelej inteligencie. Prvky programovania sú zahrnuté iba vtedy, ak sa považujú za relevantné pre poskytnutie poznatkov o budúcej klinickej praxi, napríklad ako hodnotiť modely s cieľom určiť, či sú pripravené na použitie v klinických skúškach. Tieto príklady vyvrcholia v plnohodnotnej komplexnej aplikácii, ktorá klasifikuje nádory ako benígne alebo malígne na základe parametrov lekárskeho obrazu.
Heterogenita predchádzajúcich vedomostí. Naši účastníci sa líšili úrovňou matematických vedomostí. Napríklad študenti s pokročilým inžinierskym vzdelaním hľadajú hlbšie informácie, napríklad ako vykonávať vlastné Fourierove transformácie. Diskusia o Fourierovom algoritme v triede však nie je možná, pretože si vyžaduje hlbšie znalosti spracovania signálov.
Odliv dochádzky. Účasť na následných stretnutiach klesla, najmä v online formáte. Riešením môže byť sledovanie dochádzky a vydávanie certifikátu o absolvovaní. Je známe, že lekárske fakulty uznávajú prepisy mimoškolských akademických aktivít študentov, čo môže študentov povzbudiť k získaniu titulu.
Návrh kurzu: Keďže umelá inteligencia zahŕňa toľko podoblastí, výber základných konceptov s vhodnou hĺbkou a šírkou môže byť náročný. Napríklad kontinuita používania nástrojov umelej inteligencie od laboratória až po kliniku je dôležitou témou. Hoci sa zaoberáme predspracovaním údajov, tvorbou modelov a validáciou, nezahŕňame témy ako analýza veľkých dát, interaktívna vizualizácia alebo vykonávanie klinických skúšok umelej inteligencie, namiesto toho sa zameriavame na najunikátnejšie koncepty umelej inteligencie. Našou hlavnou zásadou je zlepšiť gramotnosť, nie zručnosti. Napríklad pochopenie toho, ako model spracováva vstupné prvky, je dôležité pre interpretovateľnosť. Jedným zo spôsobov, ako to dosiahnuť, je použiť gradientové aktivačné mapy, ktoré dokážu vizualizovať, ktoré oblasti údajov sú predvídateľné. To si však vyžaduje viacrozmerný kalkul a nemožno to zaviesť8. Vypracovanie spoločnej terminológie bolo náročné, pretože sme sa snažili vysvetliť, ako pracovať s údajmi ako s vektormi bez matematického formalizmu. Upozorňujeme, že rôzne pojmy majú rovnaký význam, napríklad v epidemiológii sa „charakteristika“ opisuje ako „premenná“ alebo „atribút“.
Uchovávanie vedomostí. Keďže využitie umelej inteligencie je obmedzené, rozsah, do akého si účastníci uchovajú vedomosti, sa ešte len uvidí. Učebné osnovy lekárskych fakúlt sa často spoliehajú na pravidelné opakovanie na upevnenie vedomostí počas praktických rotácií,9 čo sa dá uplatniť aj vo vzdelávaní v oblasti umelej inteligencie.
Profesionalita je dôležitejšia ako gramotnosť. Hĺbka materiálu je navrhnutá bez matematickej rigoróznosti, čo bol problém pri spustení klinických kurzov umelej inteligencie. V programovacích príkladoch používame šablónový program, ktorý umožňuje účastníkom vyplniť polia a spustiť softvér bez toho, aby museli zisťovať, ako nastaviť kompletné programovacie prostredie.
Riešenie obáv týkajúcich sa umelej inteligencie: Existujú všeobecne rozšírené obavy, že umelá inteligencia by mohla nahradiť niektoré klinické povinnosti3. Aby sme sa týmto problémom zaoberali, vysvetľujeme obmedzenia umelej inteligencie vrátane skutočnosti, že takmer všetky technológie umelej inteligencie schválené regulačnými orgánmi vyžadujú dohľad lekára11. Zdôrazňujeme tiež dôležitosť skreslenia, pretože algoritmy sú náchylné na skreslenie, 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 dostupné: Vytvorili sme verejne dostupné zdroje vrátane prednášok a kódu. Hoci prístup k synchrónnemu obsahu je obmedzený kvôli časovým pásmam, obsah s otvoreným zdrojovým kódom je pohodlnou metódou asynchrónneho učenia, pretože odborné znalosti v oblasti umelej inteligencie nie sú dostupné na všetkých lekárskych fakultách.
Interdisciplinárna spolupráca: Tento workshop je spoločným projektom študentov medicíny s cieľom spoločne plánovať kurzy s inžiniermi. Demonštruje možnosti spolupráce a medzery vo vedomostiach v oboch oblastiach, čo účastníkom umožňuje pochopiť potenciálnu úlohu, ktorú môžu v budúcnosti priniesť.
Definovanie kľúčových kompetencií v oblasti umelej inteligencie. Definovanie zoznamu kompetencií poskytuje štandardizovanú štruktúru, ktorú je možné integrovať do existujúcich medicínskych učebných osnov založených na kompetenciách. Tento workshop v súčasnosti využíva úrovne vzdelávacích cieľov 2 (Pochopenie), 3 (Aplikácia) a 4 (Analýza) Bloomovej taxonómie. Zdroje na vyšších úrovniach klasifikácie, ako napríklad tvorba projektov, môžu ďalej posilniť vedomosti. To si vyžaduje spoluprácu s klinickými odborníkmi s cieľom určiť, ako možno témy umelej inteligencie aplikovať na klinické pracovné postupy a zabrániť výučbe opakujúcich sa tém, ktoré sú už zahrnuté v štandardných medicínskych učebných osnovách.
Vytvárajte prípadové štúdie pomocou umelej inteligencie. Podobne ako klinické príklady, aj učenie založené na prípadoch môže posilniť abstraktné koncepty zdôraznením ich relevantnosti pre klinické otázky. Napríklad jedna workshopová štúdia analyzovala systém detekcie diabetickej retinopatie od spoločnosti Google založený na umelej inteligencii13 s cieľom identifikovať výzvy na ceste z laboratória do kliniky, ako sú požiadavky na externú validáciu a postupy regulačného schvaľovania.
Využívajte zážitkové učenie: Technické zručnosti si vyžadujú cielenú prax a opakované uplatňovanie na zvládnutie, podobne ako rotujúce vzdelávacie skúsenosti klinických stážistov. Jedným z potenciálnych riešení je model obrátenej triedy, o ktorom sa uvádza, že zlepšuje uchovávanie vedomostí v inžinierskom vzdelávaní14. V tomto modeli si študenti samostatne opakujú teoretickú látku a čas na vyučovaní je venovaný riešeniu problémov prostredníctvom prípadových štúdií.
Škálovanie pre multidisciplinárnych účastníkov: Predpokladáme, že prijatie umelej inteligencie bude zahŕňať spoluprácu naprieč viacerými odbormi vrátane lekárov a zdravotníckych pracovníkov s rôznou úrovňou vzdelania. Preto môže byť potrebné vypracovať učebné osnovy v konzultácii s fakultou z rôznych katedier, aby sa ich obsah prispôsobil rôznym oblastiam zdravotnej starostlivosti.
Umelá inteligencia je high-tech a jej základné koncepty súvisia s matematikou a informatikou. Školenie zdravotníckeho personálu v oblasti porozumenia umelej inteligencie predstavuje jedinečné výzvy, pokiaľ ide o výber obsahu, klinickú relevantnosť a metódy poskytovania informácií. Dúfame, že poznatky získané z workshopov AI vo vzdelávaní pomôžu budúcim pedagógom prijať inovatívne spôsoby integrácie umelej inteligencie do lekárskeho vzdelávania.
Skript Google Colaboratory v jazyku Python je open source a dostupný na adrese: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG a Khan, S. Prehodnotenie lekárskeho vzdelávania: výzva na akciu. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG atď. Čo by študenti medicíny naozaj mali 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. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R. a Singla, R. Úvod do strojového učenia pre študentov medicíny: pilotný projekt. J. Med. teach. 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 pre diagnostiku nádorov prsníka. Biomedicínska veda. Spracovanie obrazu. Biomedicínska veda. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. a Peng, L. Ako vyvíjať 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 v medicíne založenej na dôkazoch pomocou OSCE v pregraduálnom lekárskom vzdelávaní. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB a Garg PS Strojové učenie a lekárske vzdelávanie. Čísla NPZh. medicína. 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. medicine. 25, 44–56 (2019).
Bede, E. a kol. Hodnotenie systému hlbokého učenia zameraného na človeka nasadeného v klinike na detekciu diabetickej retinopatie. Zborník z konferencie CHI o ľudských faktoroch v počítačových systémoch 2020 (2020).
Kerr, B. Prevrátená trieda v inžinierskom vzdelávaní: Prehľad výskumu. Zborník z medzinárodnej konferencie o interaktívnom kolaboratívnom vzdelávaní z roku 2015 (2015).
Autori ďakujú Danielle Walkerovej, Timovi Salcudinovi a Petrovi Zandstrovi z Výskumného klastra biomedicínskeho zobrazovania a umelej inteligencie na Univerzite Britskej Kolumbie za podporu a financovanie.
RH, PP, ZH, RS a MA boli zodpovední za vývoj výučbového obsahu workshopu. RH a PP boli zodpovední za vývoj programovacích príkladov. KYF, OY, MT a PW boli zodpovední za logistickú organizáciu projektu a analýzu workshopov. RH, OY, MT a RS boli zodpovední za vytvorenie obrázkov a tabuliek. RH, KYF, PP, ZH, OY, MY, PW, TL, MA a RS boli zodpovední za vypracovanie a úpravu dokumentu.
Časopis Communication Medicine ďakuje Carolyn McGregorovej, Fabiovi Moraesovi a Adityovi Borakatimu za ich príspevky k recenzii tejto práce.
Čas uverejnenia: 19. februára 2024