Dziękujemy za odwiedzenie Nature.com.Wersja przeglądarki, której używasz, obsługuje ograniczoną obsługę CSS.Aby uzyskać najlepsze rezultaty, zalecamy użycie nowszej wersji przeglądarki (lub wyłączenie trybu zgodności w przeglądarce Internet Explorer).W międzyczasie, aby zapewnić ciągłe wsparcie, wyświetlamy witrynę bez stylizacji i JavaScript.
Zastosowania klinicznej sztucznej inteligencji (AI) szybko się rozwijają, ale istniejące programy nauczania w szkołach medycznych oferują ograniczone nauczanie obejmujące ten obszar.Tutaj opisujemy kurs szkoleniowy dotyczący sztucznej inteligencji, który opracowaliśmy i dostarczyliśmy kanadyjskim studentom medycyny, a także przedstawiamy zalecenia dotyczące przyszłych szkoleń.
Sztuczna inteligencja (AI) w medycynie może poprawić wydajność w miejscu pracy i pomóc w podejmowaniu decyzji klinicznych.Aby bezpiecznie kierować wykorzystaniem sztucznej inteligencji, lekarze muszą mieć pewną wiedzę na temat sztucznej inteligencji.W wielu komentarzach zaleca się nauczanie koncepcji sztucznej inteligencji1, takich jak wyjaśnianie modeli sztucznej inteligencji i procesów weryfikacji2.Wdrożono jednak niewiele ustrukturyzowanych planów, zwłaszcza na poziomie krajowym.Pinto dos Santos i in.3.W badaniu wzięło udział 263 studentów medycyny i 71% zgodziło się, że potrzebują szkolenia w zakresie sztucznej inteligencji.Nauczanie sztucznej inteligencji odbiorców medycznych wymaga starannego projektu, który łączy koncepcje techniczne i nietechniczne dla studentów, którzy często mają rozległą wcześniejszą wiedzę.Opisujemy nasze doświadczenia w prowadzeniu serii warsztatów AI dla trzech grup studentów medycyny i przedstawiamy rekomendacje dotyczące przyszłej edukacji medycznej w zakresie AI.
Nasze pięciotygodniowe warsztaty „Wprowadzenie do sztucznej inteligencji w medycynie” dla studentów medycyny odbyły się trzykrotnie w okresie od lutego 2019 r. do kwietnia 2021 r. Harmonogram poszczególnych warsztatów wraz z krótkim opisem zmian w kursie przedstawiono na rysunku 1. Nasz kurs ma trzy główne cele nauczania: uczniowie rozumieją, w jaki sposób dane są przetwarzane w aplikacjach sztucznej inteligencji, analizują literaturę dotyczącą sztucznej inteligencji pod kątem zastosowań klinicznych oraz korzystają z możliwości współpracy z inżynierami rozwijającymi sztuczną inteligencję.
Niebieski to temat wykładu, a jasnoniebieski to interaktywna część pytań i odpowiedzi.Szara część jest głównym tematem krótkiego przeglądu literatury.W pomarańczowych sekcjach znajdują się wybrane studia przypadków opisujące modele lub techniki sztucznej inteligencji.Green to kurs programowania z przewodnikiem, którego celem jest nauczenie sztucznej inteligencji rozwiązywania problemów klinicznych i oceny modeli.Treść i czas trwania warsztatów różnią się w zależności od oceny potrzeb uczniów.
Pierwsze warsztaty odbyły się na Uniwersytecie Kolumbii Brytyjskiej w okresie od lutego do kwietnia 2019 r. i wszyscy 8 uczestników wystawili pozytywne opinie4.Ze względu na Covid-19 drugie warsztaty odbyły się wirtualnie w październiku-listopadzie 2020 r. i zarejestrowało się w nich 222 studentów medycyny i 3 rezydentów z 8 kanadyjskich szkół medycznych.Slajdy prezentacji i kod zostały przesłane do witryny o otwartym dostępie (http://ubcaimed.github.io).Najważniejszą informacją zwrotną z pierwszej iteracji było to, że wykłady były zbyt intensywne, a materiał zbyt teoretyczny.Obsługa sześciu różnych stref czasowych Kanady stwarza dodatkowe wyzwania.W związku z tym podczas drugiego warsztatu skrócono każdą sesję do 1 godziny, uproszczono materiał kursu, dodano więcej studiów przypadków i utworzono standardowe programy, które umożliwiły uczestnikom uzupełnienie fragmentów kodu przy minimalnym debugowaniu (ramka 1).Kluczowe opinie z drugiej iteracji obejmowały pozytywne opinie na temat ćwiczeń programistycznych oraz prośbę o zademonstrowanie planowania projektu uczenia maszynowego.Dlatego w naszych trzecich warsztatach, które odbyły się wirtualnie dla 126 studentów medycyny w marcu-kwietniu 2021 r., uwzględniliśmy bardziej interaktywne ćwiczenia z kodowania i sesje zbierania informacji zwrotnych od projektów, aby zademonstrować wpływ wykorzystania koncepcji warsztatów na projekty.
Analiza danych: dziedzina statystyki, która identyfikuje znaczące wzorce w danych poprzez analizę, przetwarzanie i przekazywanie wzorców danych.
Eksploracja danych: proces identyfikacji i wydobywania danych.W kontekście sztucznej inteligencji wartość ta jest często duża i obejmuje wiele zmiennych dla każdej próbki.
Redukcja wymiarowości: proces przekształcania danych z wieloma indywidualnymi cechami w mniejszą liczbę cech, przy jednoczesnym zachowaniu ważnych właściwości oryginalnego zbioru danych.
Charakterystyka (w kontekście sztucznej inteligencji): mierzalne właściwości próbki.Często używane zamiennie z „właściwością” lub „zmienną”.
Gradientowa mapa aktywacji: technika stosowana do interpretacji modeli sztucznej inteligencji (zwłaszcza splotowych sieci neuronowych), która analizuje proces optymalizacji ostatniej części sieci w celu zidentyfikowania obszarów danych lub obrazów, które są wysoce predykcyjne.
Model standardowy: istniejący model sztucznej inteligencji, który został wstępnie przeszkolony do wykonywania podobnych zadań.
Testowanie (w kontekście sztucznej inteligencji): obserwacja, jak model wykonuje zadanie, korzystając z danych, z którymi wcześniej się nie spotkał.
Szkolenie (w kontekście sztucznej inteligencji): Dostarczenie modelu danych i wyników tak, aby model dostosował swoje parametry wewnętrzne w celu optymalizacji jego zdolności do wykonywania zadań z wykorzystaniem nowych danych.
Wektor: tablica danych.W uczeniu maszynowym każdy element tablicy jest zwykle unikalną cechą próbki.
Tabela 1 zawiera listę najnowszych kursów na kwiecień 2021 r., w tym ukierunkowane cele nauczania dla każdego tematu.Warsztaty są przeznaczone dla osób rozpoczynających naukę na poziomie technicznym i nie wymagają żadnej wiedzy matematycznej wykraczającej poza pierwszy rok studiów licencjackich na kierunku medycznym.Kurs został opracowany przez 6 studentów medycyny i 3 nauczycieli z wyższym wykształceniem inżynierskim.Inżynierowie opracowują teorię sztucznej inteligencji do nauczania, a studenci medycyny uczą się materiału istotnego klinicznie.
Warsztaty obejmują wykłady, studia przypadków i programowanie z przewodnikiem.Na pierwszym wykładzie dokonujemy przeglądu wybranych koncepcji analizy danych w biostatystyce, w tym wizualizacji danych, regresji logistycznej oraz porównania statystyki opisowej i indukcyjnej.Chociaż analiza danych jest podstawą sztucznej inteligencji, wykluczamy takie tematy, jak eksploracja danych, testowanie istotności czy interaktywna wizualizacja.Było to spowodowane ograniczeniami czasowymi, a także faktem, że niektórzy studenci studiów licencjackich odbyli wcześniejsze szkolenie w zakresie biostatystyki i chcieli zająć się bardziej unikalnymi tematami związanymi z uczeniem maszynowym.Kolejny wykład wprowadza nowoczesne metody i omawia formułowanie problemów AI, zalety i ograniczenia modeli AI oraz testowanie modeli.Uzupełnieniem wykładów jest literatura oraz badania praktyczne dotyczące istniejących urządzeń sztucznej inteligencji.Kładziemy nacisk na umiejętności wymagane do oceny skuteczności i wykonalności modelu w celu rozwiązania problemów klinicznych, w tym zrozumienia ograniczeń istniejących urządzeń sztucznej inteligencji.Na przykład poprosiliśmy uczniów o interpretację wytycznych dotyczących urazów głowy u dzieci, zaproponowanych przez Kuppermana i wsp. 5, w których wdrożono algorytm drzewa decyzyjnego sztucznej inteligencji w celu ustalenia, na podstawie badania lekarskiego, czy tomografia komputerowa będzie przydatna.Podkreślamy, że jest to częsty przykład sztucznej inteligencji zapewniającej lekarzom analizy predykcyjne do interpretacji, zamiast zastępować lekarzy.
W dostępnych przykładach programowania bootstrap typu open source (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) pokazujemy, jak przeprowadzić eksploracyjną analizę danych, redukcję wymiarowości, ładowanie modelu standardowego i szkolenie .i testowanie.Korzystamy z notatników Google Colaboratory (Google LLC, Mountain View, CA), które umożliwiają wykonanie kodu w języku Python z poziomu przeglądarki internetowej.Na ryc. Rysunek 2 przedstawia przykład ćwiczenia programistycznego.Ćwiczenie to obejmuje przewidywanie nowotworów złośliwych przy użyciu zestawu danych obrazowania piersi Wisconsin Open Breast Imaging Dataset6 i algorytmu drzewa decyzyjnego.
Przez cały tydzień prezentuj programy na powiązane tematy i wybieraj przykłady z opublikowanych aplikacji AI.Elementy programowania są uwzględniane tylko wtedy, gdy zostaną uznane za istotne dla zapewnienia wglądu w przyszłą praktykę kliniczną, np. sposobu oceny modeli w celu ustalenia, czy są one gotowe do wykorzystania w badaniach klinicznych.Przykłady te kończą się kompleksowym zastosowaniem, które klasyfikuje nowotwory jako łagodne lub złośliwe na podstawie parametrów obrazu medycznego.
Heterogeniczność wcześniejszej wiedzy.Nasi uczestnicy różnili się poziomem wiedzy matematycznej.Na przykład studenci z zaawansowanym wykształceniem inżynierskim szukają bardziej szczegółowych materiałów, na przykład dotyczących wykonywania własnych transformacji Fouriera.Omówienie algorytmu Fouriera na zajęciach nie jest jednak możliwe, ponieważ wymaga dogłębnej wiedzy z zakresu przetwarzania sygnałów.
Odpływ frekwencji.Spadła frekwencja na spotkaniach uzupełniających, zwłaszcza w formacie internetowym.Rozwiązaniem może być śledzenie obecności i dostarczenie zaświadczenia o ukończeniu.Wiadomo, że szkoły medyczne uznają transkrypcje pozalekcyjnych zajęć akademickich uczniów, co może zachęcić ich do kontynuowania studiów.
Projekt kursu: Ponieważ sztuczna inteligencja obejmuje tak wiele dziedzin, wybór podstawowych koncepcji o odpowiedniej głębokości i szerokości może być wyzwaniem.Ważnym tematem jest na przykład ciągłość wykorzystania narzędzi AI od laboratorium do kliniki.Chociaż omawiamy wstępne przetwarzanie danych, budowanie modeli i walidację, nie uwzględniamy takich tematów, jak analiza dużych zbiorów danych, interaktywna wizualizacja czy prowadzenie badań klinicznych AI, zamiast tego skupiamy się na najbardziej unikalnych koncepcjach AI.Naszą naczelną zasadą jest poprawa umiejętności czytania i pisania, a nie umiejętności.Na przykład zrozumienie, w jaki sposób model przetwarza cechy wejściowe, jest ważne dla możliwości interpretacji.Jednym ze sposobów osiągnięcia tego jest użycie gradientowych map aktywacji, które pozwalają zwizualizować, które regiony danych są przewidywalne.Wymaga to jednak rachunku wielowymiarowego i nie można go wprowadzić8.Opracowanie wspólnej terminologii było wyzwaniem, ponieważ próbowaliśmy wyjaśnić, jak pracować z danymi w postaci wektorów bez formalizmu matematycznego.Należy zauważyć, że różne terminy mają to samo znaczenie, na przykład w epidemiologii „cecha” jest opisywana jako „zmienna” lub „atrybut”.
Zatrzymywanie wiedzy.Ponieważ zastosowanie sztucznej inteligencji jest ograniczone, nie wiadomo, w jakim stopniu uczestnicy zachowają wiedzę.Programy nauczania w szkołach medycznych często opierają się na powtarzaniu w odstępach czasu w celu ugruntowania wiedzy podczas praktycznych rotacji9, co można również zastosować w edukacji AI.
Profesjonalizm jest ważniejszy niż umiejętność czytania i pisania.Głębia materiału została zaprojektowana bez rygoru matematycznego, co było problemem przy uruchamianiu kursów klinicznych ze sztucznej inteligencji.W przykładach programowania używamy programu szablonowego, który umożliwia uczestnikom wypełnianie pól i uruchamianie oprogramowania bez konieczności zastanawiania się, jak skonfigurować kompletne środowisko programistyczne.
Rozpatrzone obawy dotyczące sztucznej inteligencji: Istnieje powszechna obawa, że sztuczna inteligencja mogłaby zastąpić niektóre obowiązki kliniczne3.Aby zaradzić temu problemowi, wyjaśniamy ograniczenia sztucznej inteligencji, w tym fakt, że prawie wszystkie technologie sztucznej inteligencji zatwierdzone przez organy regulacyjne wymagają nadzoru lekarza11.Podkreślamy również znaczenie błędu systematycznego, ponieważ algorytmy są podatne na błędy systematyczne, szczególnie jeśli zbiór danych nie jest zróżnicowany12.W konsekwencji pewna podgrupa może być modelowana nieprawidłowo, co może prowadzić do niesłusznych decyzji klinicznych.
Zasoby są publicznie dostępne: Stworzyliśmy publicznie dostępne zasoby, w tym slajdy z wykładów i kod.Chociaż dostęp do treści synchronicznych jest ograniczony ze względu na strefy czasowe, treści typu open source są wygodną metodą uczenia się asynchronicznego, ponieważ wiedza na temat sztucznej inteligencji nie jest dostępna we wszystkich szkołach medycznych.
Współpraca interdyscyplinarna: Warsztaty są wspólnym przedsięwzięciem zainicjowanym przez studentów medycyny w celu planowania kursów wspólnie z inżynierami.Pokazuje to możliwości współpracy i luki w wiedzy w obu obszarach, umożliwiając uczestnikom zrozumienie potencjalnej roli, jaką mogą wnieść w przyszłości.
Zdefiniuj podstawowe kompetencje AI.Zdefiniowanie listy kompetencji zapewnia ustandaryzowaną strukturę, którą można zintegrować z istniejącymi programami nauczania medycyny opartymi na kompetencjach.Obecnie w ramach tego warsztatu wykorzystuje się cele nauczania na poziomach 2 (Rozumienie), 3 (Zastosowanie) 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 związane ze sztuczną inteligencją można zastosować w procesach klinicznych i zapobiegania nauczaniu powtarzających się tematów już uwzględnionych w standardowych programach nauczania medycyny.
Twórz studia przypadków za pomocą sztucznej inteligencji.Podobnie jak w przykładach klinicznych, uczenie się oparte na przypadkach może wzmocnić abstrakcyjne koncepcje, podkreślając ich znaczenie dla kwestii klinicznych.Na przykład w jednym z badań warsztatowych przeanalizowano system wykrywania retinopatii cukrzycowej Google oparty na sztucznej inteligencji 13 w celu zidentyfikowania wyzwań na drodze z laboratorium do kliniki, takich jak wymagania dotyczące zewnętrznej walidacji i ścieżki uzyskania zatwierdzenia przez organy regulacyjne.
Korzystaj z uczenia się przez doświadczenie: Umiejętności techniczne wymagają ukierunkowanej praktyki i wielokrotnego stosowania, aby je opanować, podobnie jak w przypadku rotacyjnych doświadczeń edukacyjnych stażystów klinicznych.Jednym z potencjalnych rozwiązań jest model odwróconej klasy, który, jak stwierdzono, poprawia zapamiętywanie wiedzy w kształceniu inżynierskim14.W tym modelu studenci samodzielnie przeglądają materiał teoretyczny, a czas zajęć przeznaczany jest na rozwiązywanie problemów poprzez studia przypadków.
Skalowanie dla uczestników wielodyscyplinarnych: przewidujemy przyjęcie sztucznej inteligencji obejmujące współpracę w wielu dyscyplinach, w tym lekarzy i pokrewnych pracowników służby zdrowia o różnym poziomie wyszkolenia.Dlatego może zaistnieć potrzeba opracowania programów nauczania w porozumieniu z wykładowcami z różnych wydziałów, aby dostosować ich treść do różnych obszarów opieki zdrowotnej.
Sztuczna inteligencja to zaawansowana technologia, a jej podstawowe pojęcia są związane z matematyką i informatyką.Szkolenie personelu medycznego w zakresie zrozumienia sztucznej inteligencji stwarza wyjątkowe wyzwania w zakresie wyboru treści, znaczenia klinicznego i metod dostarczania.Mamy nadzieję, że spostrzeżenia zdobyte podczas warsztatów AI w edukacji pomogą przyszłym edukatorom w zastosowaniu innowacyjnych sposobów integracji sztucznej inteligencji z edukacją medyczną.
Skrypt Google Colaboratory w języku Python jest oprogramowaniem typu open source i jest dostępny pod adresem: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG i Khan, S. Nowe podejście do edukacji medycznej: wezwanie do działania.Akady.medycyna.88, 1407–1410 (2013).
McCoy, LG itp. Co naprawdę studenci medycyny powinni wiedzieć o sztucznej inteligencji?numery NPZh.Medycyna 3, 1–3 (2020).
Dos Santos, DP i in.Postawy studentów medycyny wobec sztucznej inteligencji: badanie wieloośrodkowe.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 w diagnostyce nowotworu piersi.Nauka Biomedyczna.Przetwarzanie obrazu.Nauka Biomedyczna.Weissa.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 widzenia komputerowego, 618–626 (2017).
Kumaravel B, Stewart K i Ilic D. Opracowanie i ocena modelu spiralnego do oceny kompetencji w zakresie medycyny opartej na faktach z wykorzystaniem OBWE w kształceniu medycznym na poziomie licencjackim.Medycyna BMK.uczyć.21, 1–9 (2021).
Kolachalama VB i Garg PS Uczenie maszynowe i edukacja medyczna.numery 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 Medycyna wysokich wyników: konwergencja ludzkiej i sztucznej inteligencji.Nat.medycyna.25, 44–56 (2019).
Bede, E. i in.Skoncentrowana na człowieku ocena systemu głębokiego uczenia się wdrożonego w klinice do wykrywania retinopatii cukrzycowej.Materiały z konferencji CHI 2020 na temat czynników ludzkich w systemach komputerowych (2020).
Kerr, B. Odwrócona klasa w edukacji inżynierskiej: przegląd badań.Materiały z Międzynarodowej konferencji na temat interaktywnego uczenia się opartego na współpracy w 2015 r. (2015).
Autorzy dziękują Danielle Walker, Timowi Salcudinowi i Peterowi Zandstrze z Klastra Badawczego Obrazowania Biomedycznego i Sztucznej Inteligencji na Uniwersytecie Kolumbii Brytyjskiej za wsparcie i fundusze.
Za opracowanie treści nauczania warsztatów odpowiadali RH, PP, ZH, RS i MA.RH i PP byli odpowiedzialni za opracowanie przykładów programowania.Za organizację logistyczną projektu i analizę warsztatów odpowiadali KYF, OY, MT i PW.Za wykonanie rycin i tabel odpowiadali RH, OY, MT, RS.Za przygotowanie i redakcję dokumentu odpowiadali RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS.
Communication Medicine dziękuje Carolyn McGregor, Fabio Moraes i Aditya Borakati za ich wkład w recenzję tej pracy.
Czas publikacji: 19 lutego 2024 r