Dziękujemy za odwiedzenie Nature.com. Wersja przeglądarki, której używasz, ma ograniczoną obsługę CSS. Aby uzyskać najlepsze wyniki, zalecamy korzystanie z nowszej wersji przeglądarki (lub wyłączania trybu kompatybilności w Internet Explorer). W międzyczasie, aby zapewnić ciągłe wsparcie, pokazujemy witrynę bez stylizacji lub JavaScript.
Zastosowania sztucznej inteligencji klinicznej (AI) szybko rosną, ale istniejące programy nauczania szkoły medycznej oferują ograniczone nauczanie obejmujące ten obszar. Tutaj opisujemy szkolenie sztucznej inteligencji, który opracowaliśmy i dostarczyliśmy kanadyjskim studentom medycyny i wydawało zalecenia dotyczące przyszłego szkolenia.
Sztuczna inteligencja (AI) w medycynie może poprawić wydajność w miejscu pracy i pomóc w podejmowaniu decyzji klinicznych. Aby bezpiecznie kierować użyciem sztucznej inteligencji, lekarze muszą zrozumieć sztuczną inteligencję. Wiele komentarzy opowiada o nauczaniu AI Concepts1, takich jak wyjaśnienie modeli AI i procesy weryfikacji2. Jednak wdrożono niewiele strukturalnych planów, szczególnie na poziomie krajowym. Pinto dos Santos i in. 3. 263 studentów medycyny zostało zbadanych, a 71% zgodziło się, że potrzebują szkolenia w dziedzinie sztucznej inteligencji. Nauczanie sztucznej inteligencji dla odbiorców lekarza wymaga starannego projektowania, który łączy koncepcje techniczne i nietechniczne dla studentów, którzy często mają obszerną wcześniejszą wiedzę. Opisujemy nasze doświadczenie w dostarczaniu serii warsztatów sztucznej inteligencji trzem grupom studentów medycyny i rekomendacje dotyczące przyszłej edukacji medycznej w sztucznej inteligencji.
Nasze pięciotygodniowe wprowadzenie do sztucznej inteligencji w warsztatach medycyny dla studentów medycyny odbyło się trzy razy między lutym 2019 r. Do kwietnia 2021 r. Harmonogram dla każdego warsztatu, z krótkim opisem zmian na kursie, pokazano na rycinie 1. Nasz kurs ma. Trzy podstawowe cele uczenia się: Uczniowie rozumieją, w jaki sposób dane są przetwarzane w zastosowaniach sztucznej inteligencji, analizują literaturę sztucznej inteligencji pod kątem zastosowań klinicznych i skorzystaj z możliwości współpracy z inżynierami rozwijającymi sztuczną inteligencję.
Niebieski jest tematem wykładu, a jasnoniebieski to interaktywny okres pytań i odpowiedzi. Sekcja szara jest przedmiotem krótkiego przeglądu literatury. Pomarańczowe sekcje są wybranymi studiami przypadków opisujących modele lub techniki sztucznej inteligencji. Green to kurs programowania z przewodnikiem, którego celem jest nauczanie sztucznej inteligencji w celu rozwiązywania problemów klinicznych i oceny modeli. Treść i czas trwania warsztatów różnią się w zależności od oceny potrzeb uczniów.
Pierwsze warsztaty odbyły się na University of British Columbia od lutego do kwietnia 2019 r., A wszyscy 8 uczestników przekazało pozytywne informacje zwrotne 4. Z powodu Covid-19 drugi warsztat odbył się praktycznie w październiku-listopadzie 2020 r., Z 222 studentami medycyny i 3 mieszkańców z 8 kanadyjskich szkół medycznych. Slajdy i kod prezentacji zostały przesłane na witrynę otwartego dostępu (http://ubcaimed.github.io). Kluczową informacją zwrotną z pierwszej iteracji było to, że wykłady były zbyt intensywne, a materiał zbyt teoretyczny. Obsłużenie sześciu różnych stref czasowych Kanady stanowi dodatkowe wyzwania. W ten sposób drugie warsztaty skróciły każdą sesję do 1 godziny, uprościli materiał kursowy, dodał więcej studiów przypadków i stworzył programy z kotłowni, które pozwoliły uczestnikom ukończyć fragmenty kodu przy minimalnym debugowaniu (pole 1). Kluczowe informacje zwrotne z drugiej iteracji obejmowały pozytywne informacje zwrotne na temat ćwiczeń programistycznych i prośbę o wykazanie planowania projektu uczenia maszynowego. Dlatego w naszych trzecich warsztatach, odbywających się praktycznie dla 126 studentów medycyny w marcu-kwietnia 2021 r., Uwzględniliśmy bardziej interaktywne ćwiczenia kodowania i sesje zwrotne w celu wykazania wpływu korzystania z koncepcji warsztatowych na projekty.
Analiza danych: pole badań w statystykach, które identyfikują znaczące wzorce danych poprzez analizę, przetwarzanie i komunikowanie wzorców danych.
Wydobycie danych: proces identyfikacji i wyodrębnienia danych. W kontekście sztucznej inteligencji jest to często duże, z wieloma zmiennymi dla każdej próbki.
Redukcja wymiarowości: Proces przekształcania danych z wieloma indywidualnymi funkcjami w mniej funkcji, jednocześnie zachowując ważne właściwości oryginalnego zestawu danych.
Charakterystyka (w kontekście sztucznej inteligencji): mierzalne właściwości próbki. Często używane zamiennie z „właściwością” lub „zmienną”.
Mapa aktywacji gradientu: technika stosowana do interpretacji modeli sztucznej inteligencji (zwłaszcza splotowych sieci neuronowych), która analizuje proces optymalizacji ostatniej części sieci w celu zidentyfikowania regionów danych lub obrazów, które są wysoce predykcyjne.
Model standardowy: istniejący model AI, który został wstępnie wyszkolony do wykonywania podobnych zadań.
Testowanie (w kontekście sztucznej inteligencji): Obserwowanie, w jaki sposób model wykonuje zadanie przy użyciu danych, których wcześniej nie napotkał.
Szkolenie (w kontekście sztucznej inteligencji): Zapewnienie modelu z danymi i wynikami, dzięki czemu model dostosowuje swoje parametry wewnętrzne w celu zoptymalizowania jego zdolności do wykonywania zadań przy użyciu nowych danych.
Wektor: tablica danych. W uczeniu maszynowym każdy element tablicy jest zwykle unikalną cechą próbki.
Tabela 1 zawiera listę najnowszych kursów z kwietnia 2021 r., W tym ukierunkowane cele uczenia się dla każdego tematu. Warsztaty te są przeznaczone dla osób nowi na poziomie technicznym i nie wymagają żadnej wiedzy matematycznej poza pierwszym rokiem studiów medycznych. Kurs został opracowany przez 6 studentów medycyny i 3 nauczycieli o zaawansowanym stopniu inżynierii. Inżynierowie opracowują teorię sztucznej inteligencji do nauczania, a studenci medycyny uczą się istotnych klinicznie materiałów.
Warsztaty obejmują wykłady, studia przypadków i programowanie z przewodnikiem. W pierwszym wykładzie dokonujemy przeglądu wybranych pojęć analizy danych w biostatystyce, w tym wizualizacji danych, regresji logistycznej oraz porównaniu statystyki opisowej i indukcyjnej. Chociaż analiza danych jest podstawą sztucznej inteligencji, wykluczamy takie tematy, jak eksploracja danych, testowanie istotności lub interaktywna wizualizacja. Było to spowodowane ograniczeniami czasowymi, a także dlatego, że niektórzy studenci studenci mieli wcześniejsze szkolenie w dziedzinie biostatystyki i chcieli omówić bardziej unikalne tematy uczenia maszynowego. Późniejszy wykład wprowadza nowoczesne metody i omawia sformułowanie problemu AI, zalety i ograniczenia modeli AI oraz testowanie modeli. Wykłady uzupełniają literaturę i praktyczne badania dotyczące istniejących urządzeń sztucznej inteligencji. Podkreślamy umiejętności niezbędne do oceny skuteczności i wykonalności modelu w celu rozwiązania pytań klinicznych, w tym zrozumienia ograniczeń istniejących urządzeń sztucznej inteligencji. Na przykład poprosiliśmy uczniów o interpretację wytycznych dotyczących urazu głowy pediatrycznego zaproponowanego przez Kuppermana i in., 5, który wdrożył algorytm drzewa decyzyjnego sztucznej inteligencji w celu ustalenia, czy skan CT byłby przydatny w oparciu o badanie lekarza. Podkreślamy, że jest to wspólny przykład AI zapewniającej analizy predykcyjne dla lekarzy do interpretacji, a nie zastępujących lekarzy.
W dostępnych przykładach programowania open source (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programing_examples) pokazujemy, jak przeprowadzić analizę danych eksploracyjnych, redukcję wymiarów, standardowe ładowanie modelu i trening . i testowanie. Używamy Google Colaboratory Notebooks (Google LLC, Mountain View, Kalifornia), które umożliwiają wykonywanie kodu Pythona z przeglądarki internetowej. Na ryc. Rysunek 2 przedstawia przykład ćwiczenia programowania. Ćwiczenie to polega na przewidywaniu nowotworów nowotworowych przy użyciu zestawu danych obrazowania w Wisconsin Otward piersi 6 i algorytmu drzewa decyzyjnego.
Prezentują programy przez cały tydzień na powiązane tematy i wybierz przykłady z opublikowanych aplikacji AI. Elementy programowania są uwzględniane tylko wtedy, gdy są uważane za istotne w zapewnieniu wglądu w przyszłą praktykę kliniczną, na przykład jak ocenić modele w celu ustalenia, czy są one gotowe do zastosowania w badaniach klinicznych. Przykłady te zakończą się pełnoprawnym kompleksowym zastosowaniem, która klasyfikuje guzy jako łagodne lub złośliwe w oparciu o parametry obrazu medycznego.
Heterogeniczność wcześniejszej wiedzy. Nasi uczestnicy różnili się poziomem wiedzy matematycznej. Na przykład studenci z zaawansowanym środowiskiem inżynieryjnym szukają bardziej dogłębnego materiału, na przykład jak wykonywać własne transformacje Fouriera. Jednak omówienie algorytmu Fouriera w klasie nie jest możliwe, ponieważ wymaga dogłębnej wiedzy o przetwarzaniu sygnału.
Odpływ frekwencji. Udział na spotkaniach kontrolnych spadła, szczególnie w formatach online. Rozwiązaniem może być śledzenie frekwencji i zapewnienie certyfikatu ukończenia. Szkoły medyczne uznają transkrypcje pozalekcyjnych działań akademickich uczniów, które mogą zachęcić studentów do uzyskania dyplomu.
Projektowanie kursu: Ponieważ AI obejmuje tak wiele podfinów, wybór podstawowych koncepcji odpowiedniej głębokości i szerokości może być trudne. Na przykład ważnym tematem jest ciągłość korzystania z narzędzi AI od laboratorium do kliniki. Chociaż omówimy wstępne przetwarzanie danych, budowanie modeli i walidację, nie uwzględniamy takich tematów, jak analizy dużych zbiorów danych, interaktywna wizualizacja lub prowadzenie badań klinicznych AI, zamiast tego skupiamy się na najbardziej unikalnych koncepcjach AI. Naszą przewodnią jest poprawa umiejętności czytania i umiejętności, a nie umiejętności. Na przykład zrozumienie, w jaki sposób model przetwarza cechy wejściowe jest ważne dla interpretacji. Jednym ze sposobów na to jest użycie map aktywacji gradientu, które mogą wizualizować, które regiony danych są przewidywalne. Wymaga to jednak rachunku wielowymiarowego i nie można go wprowadzić 8. Opracowanie wspólnej terminologii było trudne, ponieważ staraliśmy się wyjaśnić, jak pracować z danymi jako wektorami bez formalizmu matematycznego. Zauważ, że różne terminy mają to samo znaczenie, na przykład w epidemiologii, „charakterystyka” jest opisana jako „zmienna” lub „atrybut”.
Zatrzymanie wiedzy. Ponieważ zastosowanie sztucznej inteligencji jest ograniczone, zakres, w jakim uczestnicy zachowują wiedzę, nie będzie widać. Programy nauczania szkoły medycznej często opierają się na powtórzeniach rozmieszczonych w celu wzmocnienia wiedzy podczas praktycznych rotacji, 9, które można również zastosować do edukacji AI.
Profesjonalizm jest ważniejszy niż umiejętność czytania. Głębokość materiału została zaprojektowana bez matematycznej rygorystycznej, co było problemem podczas uruchamiania kursów klinicznych w sztucznej inteligencji. W przykładach programowania używamy programu szablonu, który umożliwia uczestnikom wypełnianie pól i uruchamianie oprogramowania bez konieczności ustalania, jak skonfigurować pełne środowisko programowania.
Zwrócone obawy dotyczące sztucznej inteligencji: Istnieje powszechne obawy, że sztuczna inteligencja może zastąpić niektóre obowiązki kliniczne3. Aby rozwiązać ten problem, wyjaśniamy ograniczenia AI, w tym fakt, że prawie wszystkie technologie AI zatwierdzone przez organy regulacyjne wymagają nadzoru lekarza11. Podkreślamy również znaczenie stronniczości, ponieważ algorytmy są podatne na stronniczość, szczególnie jeśli zbiór danych nie jest zróżnicowany 12. W związku z tym pewna podgrupa może być niepoprawnie modelowana, co prowadzi do nieuczciwych decyzji klinicznych.
Zasoby są dostępne publicznie: stworzyliśmy publicznie dostępne zasoby, w tym slajdy wykładowe i kod. Chociaż dostęp do treści synchronicznej jest ograniczony ze względu na strefy czasowe, treść open source jest wygodną metodą uczenia się asynchronicznego, ponieważ wiedza specjalistyczna AI nie jest dostępna we wszystkich szkołach medycznych.
Interdyscyplinarna współpraca: Warsztaty to joint venture zainicjowane przez studentów medycyny w celu planowania kursów wraz z inżynierami. Pokazuje to możliwości współpracy i luki w wiedzy w obu obszarach, umożliwiając uczestnikom zrozumienie potencjalnej roli, jaką mogą przyczynić się w przyszłości.
Zdefiniuj podstawowe kompetencje AI. Definiowanie listy kompetencji zapewnia znormalizowaną strukturę, którą można zintegrować z istniejącymi programami medycznymi opartymi na kompetencjach. W tych warsztatach wykorzystuje obecnie cel uczenia się poziomów 2 (rozumienie), 3 (aplikacja) i 4 (analiza) taksonomii Blooma. Posiadanie zasobów na wyższych poziomach klasyfikacji, takich jak tworzenie projektów, może jeszcze bardziej wzmocnić wiedzę. Wymaga to współpracy z ekspertami klinicznymi w celu ustalenia, w jaki sposób tematy AI można zastosować do klinicznych przepływów pracy i zapobiegania nauczaniu powtarzających się tematów już uwzględnionych w standardowych programach medycznych.
Utwórz studia przypadków przy użyciu sztucznej inteligencji. Podobnie jak w przypadku przykładów klinicznych, uczenie się oparte na przypadkach może wzmocnić abstrakcyjne pojęcia, podkreślając ich znaczenie dla pytań klinicznych. Na przykład w jednym badaniu warsztatowym przeanalizowano system wykrywania retinopatii cukrzycy oparty na AI Google w celu zidentyfikowania wyzwań na drodze od laboratorium do kliniki, takich jak zewnętrzne wymagania walidacyjne i ścieżki zatwierdzenia regulacyjnego.
Użyj uczenia się doświadczalnego: umiejętności techniczne wymagają skoncentrowanej praktyki i powtarzanego zastosowania do opanowania, podobnie jak rotacyjne doświadczenia edukacyjne stażystów klinicznych. Jednym z potencjalnych rozwiązań jest odwrócony model w klasie, który zgłoszono, że poprawia retencję wiedzy w edukacji inżynieryjnej14. W tym modelu uczniowie niezależnie przeglądają teoretyczne materiały, a czas klasowy poświęca się rozwiązywaniu problemów poprzez studia przypadków.
Skalowanie dla multidyscyplinarnych uczestników: wyobrażamy sobie adopcję AI obejmującą współpracę w wielu dyscyplinach, w tym lekarzy i sprzymierzonych pracowników służby zdrowia o różnym poziomie szkolenia. Dlatego mogą wymagać opracowania programów nauczania w porozumieniu z wykładowcami z różnych działów w celu dostosowania ich treści do różnych obszarów opieki zdrowotnej.
Sztuczna inteligencja jest zaawansowana technologicznie, a jej podstawowe koncepcje są związane z matematyką i informatyką. Szkolenie personelu opieki zdrowotnej w celu zrozumienia sztucznej inteligencji stanowi wyjątkowe wyzwania w zakresie wyboru treści, znaczenia klinicznego i metod dostarczania. Mamy nadzieję, że spostrzeżenia uzyskane z AI w warsztatach edukacyjnych pomogą przyszłym nauczycielom przyjąć innowacyjne sposoby integracji AI z edukacją medyczną.
Skrypt Python Google Colaboratory jest open source i dostępny na stronie: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG i Khan, S. Rethinking Medical Education: A wezwanie do działania. Akkad. medycyna. 88, 1407–1410 (2013).
McCoy, LG itp. Co studenci medycyny naprawdę muszą wiedzieć o sztucznej inteligencji? Liczby NPZH. Medicine 3, 1–3 (2020).
Dos Santos, DP i in. Postawy studentów medycyny wobec sztucznej inteligencji: ankieta wieloośrodkowa. EURO. promieniowanie. 29, 1640–1646 (2019).
Fan, KY, Hu, R. i Singla, R. Wprowadzenie do uczenia maszynowego dla studentów medycyny: projekt pilotażowy. J. Med. uczyć. 54, 1042–1043 (2020).
Cooperman N, i in. Identyfikacja dzieci o bardzo niskim ryzyku klinicznie istotnego uszkodzenia mózgu po urazie głowy: prospektywne badanie kohortowe. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH i Mangasarian, ol. Ekstrakcja cech jądrowych do diagnozy guza piersi. Naukę biomedyczną. Przetwarzanie obrazu. Naukę biomedyczną. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. i Peng, L. Jak opracować modele uczenia maszynowego dla opieki zdrowotnej. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR i in. Grad-CAM: wizualna interpretacja głębokich sieci poprzez lokalizację opartą na gradientach. Materiały z Międzynarodowej Konferencji IEEE na temat wizji komputerowej, 618–626 (2017).
Kumaravel B, Stewart K i ILIC D. Opracowanie i ocena spiralnego modelu do oceny kompetencji medycyny opartych na dowodach za pomocą OBWE w edukacji medycznej studiów licencjackich. BMK Medicine. uczyć. 21, 1–9 (2021).
Kolachalama VB i Garg PS uczenie maszynowe i edukacja medyczna. Liczby NPZH. medycyna. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. i De Rooy, M. Sztuczna inteligencja w radiologii: 100 produktów komercyjnych i ich dowody naukowe. EURO. promieniowanie. 31, 3797–3804 (2021).
Topol, EJ High-Performance Medicine: The Convergence of Human and Artificial Inteligence. Nat. medycyna. 25, 44–56 (2019).
Bede, E. i in. Ocena głębokiego uczenia się w klinice w celu wykrycia retinopatii cukrzycowej. Materiały z konferencji ChI 2020 na temat czynników ludzkich w systemach obliczeniowych (2020).
Kerr, B. The Fred Classroom in Engineering Education: A Research Review. Materiały z międzynarodowej konferencji na temat interaktywnego uczenia się w 2015 r. (2015).
Autorzy dziękują Danielle Walker, Timowi Salcudinowi i Peterowi Zandstrze z klastra badań nad obrazowaniem biomedycznym i sztucznej inteligencji na University of British Columbia za wsparcie i finansowanie.
RH, PP, ZH, RS i MA były odpowiedzialne za opracowanie treści nauczania warsztatów. RH i PP były odpowiedzialne za opracowanie przykładów programowania. KYF, OY, MT i PW były odpowiedzialne za organizację logistyczną projektu i analizę warsztatów. RH, OY, MT, RS były odpowiedzialne za tworzenie figur i tabel. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS były odpowiedzialne za opracowanie i edytowanie dokumentu.
Medycyna komunikacyjna dziękuje Carolyn McGregor, Fabio Moraes i Aditya Borakati za wkład w przegląd tej pracy.
Czas po: 19-2024 lutego