Dziękujemy za odwiedzenie strony Nature.com. Używana przez Ciebie wersja przeglądarki ma ograniczoną obsługę CSS. Aby uzyskać najlepsze rezultaty, zalecamy korzystanie z nowszej wersji przeglądarki (lub wyłączenie trybu zgodności w przeglądarce Internet Explorer). W międzyczasie, aby zapewnić ciągłą obsługę, wyświetlamy witrynę bez stylów i JavaScriptu.
Zastosowania klinicznej sztucznej inteligencji (AI) dynamicznie rosną, ale istniejące programy nauczania na uczelniach medycznych oferują ograniczoną liczbę zajęć z tego zakresu. W niniejszym artykule opisujemy kurs szkoleniowy z zakresu sztucznej inteligencji, który opracowaliśmy i przeprowadziliśmy dla kanadyjskich studentów medycyny, oraz przedstawiamy rekomendacje dotyczące przyszłych szkoleń.
Sztuczna inteligencja (AI) w medycynie może poprawić wydajność pracy i wspomóc podejmowanie decyzji klinicznych. Aby bezpiecznie kierować wykorzystaniem sztucznej inteligencji, lekarze muszą posiadać pewną wiedzę na jej temat. Wiele komentarzy opowiada się za nauczaniem koncepcji AI1, takich jak objaśnianie modeli AI i procesów weryfikacji2. Jednak wdrożono niewiele ustrukturyzowanych planów, zwłaszcza na poziomie krajowym. Pinto dos Santos i in.3. Ankietowano 263 studentów medycyny, a 71% z nich zgodziło się, że potrzebują szkolenia z zakresu sztucznej inteligencji. Nauczanie sztucznej inteligencji w środowisku medycznym wymaga starannego opracowania, łączącego koncepcje techniczne i pozatechniczne, dla studentów, którzy często posiadają rozległą wiedzę. Opisujemy nasze doświadczenia w prowadzeniu serii warsztatów poświęconych AI dla trzech grup studentów medycyny i przedstawiamy rekomendacje dotyczące przyszłego kształcenia medycznego w zakresie AI.
Nasze pięciotygodniowe warsztaty „Wprowadzenie do sztucznej inteligencji w medycynie” dla studentów medycyny odbyły się trzy razy w okresie od lutego 2019 r. do kwietnia 2021 r. Harmonogram każdego warsztatu wraz z krótkim opisem zmian w kursie przedstawiono na rysunku 1. Nasz kurs ma trzy główne cele edukacyjne: studenci rozumieją, w jaki sposób dane są przetwarzane w zastosowaniach sztucznej inteligencji, analizują literaturę poświęconą sztucznej inteligencji w zastosowaniach klinicznych oraz korzystają z możliwości współpracy z inżynierami rozwijającymi sztuczną inteligencję.
Kolor niebieski to temat wykładu, a jasnoniebieski to interaktywna sesja pytań i odpowiedzi. Szara sekcja skupia się na krótkim przeglądzie literatury. Pomarańczowe sekcje to wybrane studia przypadków opisujące modele lub techniki sztucznej inteligencji. Zielony to kurs programowania z przewodnikiem, którego celem jest nauczenie sztucznej inteligencji rozwiązywania problemów klinicznych i oceny modeli. Treść i czas trwania warsztatów zależą od oceny potrzeb studentów.
Pierwsze warsztaty odbyły się na Uniwersytecie Kolumbii Brytyjskiej od lutego do kwietnia 2019 r., a wszyscy 8 uczestników udzieliło pozytywnych opinii4. Z powodu COVID-19 drugie warsztaty odbyły się wirtualnie w październiku-listopadzie 2020 r., a zarejestrowało się 222 studentów medycyny i 3 rezydentów z 8 kanadyjskich szkół medycznych. Slajdy prezentacji i kod zostały przesłane na stronę o otwartym dostępie (http://ubcaimed.github.io). Kluczową opinią z pierwszej iteracji było to, że wykłady były zbyt intensywne, a materiał zbyt teoretyczny. Obsługa sześciu różnych stref czasowych Kanady stwarza dodatkowe wyzwania. Dlatego podczas drugich warsztatów skrócono każdą sesję do 1 godziny, uproszczono materiał kursu, dodano więcej studiów przypadków i stworzono programy szablonowe, które umożliwiały uczestnikom uzupełnianie fragmentów kodu z minimalnym debugowaniem (ramka 1). Kluczową opinią z drugiej iteracji były pozytywne opinie na temat ćwiczeń programistycznych i prośba o zademonstrowanie planowania projektu uczenia maszynowego. Dlatego podczas naszych trzecich warsztatów, które odbyły się wirtualnie dla 126 studentów medycyny w marcu i kwietniu 2021 r., wprowadziliśmy więcej interaktywnych ćwiczeń z kodowania i sesji przekazywania opinii na temat projektu, aby pokazać wpływ wykorzystania koncepcji z warsztatów na projekty.
Analiza danych: Dziedzina statystyki, która zajmuje się identyfikacją istotnych wzorców w danych poprzez ich analizę, przetwarzanie i komunikowanie.
Eksploracja danych: proces identyfikacji i ekstrakcji danych. W kontekście sztucznej inteligencji jest to często proces obszerny, z wieloma zmiennymi dla każdej próbki.
Redukcja wymiarowości: Proces przekształcania danych zawierających wiele indywidualnych cech w dane zawierające mniej cech, przy jednoczesnym zachowaniu ważnych właściwości oryginalnego zestawu danych.
Cechy (w kontekście sztucznej inteligencji): mierzalne właściwości próbki. Często używane zamiennie z „właściwością” lub „zmienną”.
Mapa aktywacji gradientu: technika służąca do interpretacji modeli sztucznej inteligencji (zwłaszcza sieci neuronowych splotowych), która analizuje proces optymalizacji ostatniej części sieci w celu identyfikacji obszarów danych lub obrazów o wysokiej wartości predykcyjnej.
Model standardowy: Istniejący model sztucznej inteligencji, który został wstępnie wyszkolony do wykonywania podobnych zadań.
Testowanie (w kontekście sztucznej inteligencji): obserwowanie, w jaki sposób model wykonuje zadanie, wykorzystując dane, z którymi nie miał wcześniej styczności.
Szkolenie (w kontekście sztucznej inteligencji): Dostarczanie modelowi danych i wyników, tak aby model mógł dostosować swoje parametry wewnętrzne i zoptymalizować swoją zdolność do wykonywania zadań przy użyciu nowych danych.
Wektor: tablica danych. W uczeniu maszynowym każdy element tablicy jest zazwyczaj unikalną cechą próbki.
Tabela 1 zawiera listę najnowszych kursów na kwiecień 2021 r., wraz z celami nauczania dla każdego tematu. Warsztaty te są przeznaczone dla osób rozpoczynających naukę na poziomie technicznym i nie wymagają wiedzy matematycznej wykraczającej poza pierwszy rok studiów licencjackich na kierunku medycznym. Kurs został opracowany przez 6 studentów medycyny i 3 nauczycieli z zaawansowanymi tytułami inżynierskimi. Inżynierowie rozwijają teorię sztucznej inteligencji, aby nauczać, a studenci medycyny uczą się materiału istotnego klinicznie.
Warsztaty obejmują wykłady, studia przypadków i programowanie kierowane. Na pierwszym wykładzie omawiamy wybrane koncepcje analizy danych w biostatystyce, w tym wizualizację danych, regresję logistyczną oraz porównanie statystyki opisowej i indukcyjnej. Chociaż analiza danych stanowi fundament sztucznej inteligencji, pomijamy tematy takie jak eksploracja danych, testowanie istotności czy interaktywna wizualizacja. Wynikało to z ograniczeń czasowych, a także z faktu, że niektórzy studenci studiów licencjackich mieli już wcześniejsze szkolenie z biostatystyki i chcieli omówić bardziej specyficzne zagadnienia uczenia maszynowego. Kolejny wykład wprowadza nowoczesne metody i omawia formułowanie problemów związanych ze sztuczną inteligencją, zalety i ograniczenia modeli sztucznej inteligencji oraz testowanie modeli. Wykłady uzupełnia literatura i badania praktyczne dotyczące istniejących urządzeń sztucznej inteligencji. Kładziemy nacisk na umiejętności niezbędne do oceny skuteczności i wykonalności modelu w odniesieniu do zagadnień klinicznych, w tym na zrozumienie ograniczeń istniejących urządzeń sztucznej inteligencji. Na przykład, poprosiliśmy studentów o interpretację wytycznych dotyczących urazów głowy u dzieci zaproponowanych przez Kuppermana i in.,5, którzy wdrożyli algorytm drzewa decyzyjnego sztucznej inteligencji w celu określenia, czy tomografia komputerowa będzie przydatna na podstawie badania lekarskiego. Podkreślamy, że jest to typowy przykład sztucznej inteligencji dostarczającej lekarzom analizy predykcyjne do interpretacji, zamiast zastępować lekarzy.
W dostępnych przykładach programowania Bootstrap open source (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) pokazujemy, jak przeprowadzić eksploracyjną analizę danych, redukcję wymiarowości, ładowanie modelu standardowego oraz trenowanie i testowanie. Korzystamy z notatników Google Colaboratory (Google LLC, Mountain View, Kalifornia), które umożliwiają wykonywanie kodu Pythona z poziomu przeglądarki internetowej. Na rysunku 2 przedstawiono przykład ćwiczenia programistycznego. Ćwiczenie to obejmuje przewidywanie nowotworów złośliwych z wykorzystaniem zestawu danych Wisconsin Open Breast Imaging Dataset6 oraz algorytmu drzewa decyzyjnego.
W ciągu tygodnia prowadzone będą programy poświęcone powiązanym tematom i wybranym przykładom z opublikowanych zastosowań sztucznej inteligencji. Elementy programowania są uwzględniane tylko wtedy, gdy są uznawane za istotne dla wglądu w przyszłą praktykę kliniczną, na przykład w sposób umożliwiający ocenę modeli pod kątem ich gotowości do wykorzystania w badaniach klinicznych. Przykłady te zwieńcza w pełni rozwinięta, kompleksowa aplikacja, która klasyfikuje guzy jako łagodne lub złośliwe na podstawie parametrów obrazowania medycznego.
Niejednorodność wiedzy wstępnej. Nasi uczestnicy prezentowali zróżnicowany poziom wiedzy matematycznej. Na przykład studenci z zaawansowanym wykształceniem inżynierskim poszukują bardziej szczegółowych materiałów, takich jak instrukcje dotyczące wykonywania własnych transformacji Fouriera. Jednak omawianie algorytmu Fouriera na zajęciach nie jest możliwe, ponieważ wymaga dogłębnej znajomości przetwarzania sygnałów.
Odpływ frekwencji. Frekwencja na spotkaniach kontrolnych spadła, zwłaszcza w formacie online. Rozwiązaniem może być monitorowanie frekwencji i wydawanie certyfikatów ukończenia studiów. Wiadomo, że uczelnie medyczne uznają transkrypty z pozalekcyjnych zajęć akademickich studentów, co może zachęcić ich do kontynuowania nauki.
Projekt kursu: Ponieważ sztuczna inteligencja obejmuje tak wiele dziedzin, wybór kluczowych koncepcji o odpowiedniej głębi i zakresie może być trudny. Na przykład ciągłość korzystania z narzędzi sztucznej inteligencji od laboratorium do kliniki jest ważnym tematem. Chociaż omawiamy wstępne przetwarzanie danych, budowanie modeli i walidację, nie uwzględniamy takich tematów jak analiza dużych zbiorów danych, interaktywna wizualizacja czy prowadzenie badań klinicznych z wykorzystaniem sztucznej inteligencji, zamiast tego koncentrujemy się na najbardziej unikatowych koncepcjach sztucznej inteligencji. Naszą naczelną zasadą jest doskonalenie 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 celu jest wykorzystanie map aktywacji gradientów, które pozwalają wizualizować, które obszary danych są przewidywalne. Wymaga to jednak rachunku wielowymiarowego i nie można tego wprowadzić8. Opracowanie wspólnej terminologii było trudne, ponieważ próbowaliśmy wyjaśnić, jak pracować z danymi jako wektorami bez formalizmu matematycznego. Należy zauważyć, że różne terminy mają to samo znaczenie, na przykład w epidemiologii „cecha” jest opisywana jako „zmienna” lub „atrybut”.
Zapamiętywanie wiedzy. Ponieważ zastosowanie sztucznej inteligencji jest ograniczone, stopień, w jakim uczestnicy zapamiętują wiedzę, pozostaje niewiadomą. Programy nauczania na studiach medycznych często opierają się na powtarzaniu w odstępach czasu w celu utrwalenia wiedzy podczas praktyk zawodowych,9 co można również zastosować w nauczaniu sztucznej inteligencji.
Profesjonalizm jest ważniejszy niż umiejętność czytania i pisania. Głębokość materiału została zaprojektowana bez matematycznego rygoru, co stanowiło problem podczas uruchamiania kursów klinicznych ze sztucznej inteligencji. W przykładach programowania używamy szablonu programu, który pozwala uczestnikom wypełniać pola i uruchamiać oprogramowanie bez konieczności zastanawiania się, jak skonfigurować kompletne środowisko programistyczne.
Obawy dotyczące sztucznej inteligencji zostały omówione: Istnieje powszechna obawa, że sztuczna inteligencja mogłaby zastąpić niektóre obowiązki kliniczne3. Aby rozwiązać ten problem, wyjaśniamy ograniczenia sztucznej inteligencji, w tym fakt, że niemal wszystkie technologie sztucznej inteligencji zatwierdzone przez organy regulacyjne wymagają nadzoru lekarskiego11. Podkreślamy również znaczenie stronniczości, ponieważ algorytmy są podatne na stronniczość, zwłaszcza jeśli zbiór danych nie jest zróżnicowany12. W konsekwencji pewna podgrupa może zostać nieprawidłowo modelowana, co prowadzi do niesprawiedliwych decyzji klinicznych.
Zasoby są publicznie dostępne: Stworzyliśmy publicznie dostępne zasoby, w tym slajdy z wykładów i kod źródłowy. Chociaż dostęp do treści synchronicznych jest ograniczony ze względu na strefy czasowe, treści open source stanowią wygodną metodę nauki asynchronicznej, ponieważ wiedza specjalistyczna z zakresu sztucznej inteligencji nie jest dostępna na wszystkich uczelniach medycznych.
Współpraca interdyscyplinarna: Warsztaty te są wspólnym przedsięwzięciem studentów medycyny, którzy wspólnie z inżynierami planują kursy. Pokazują one możliwości współpracy i luki w wiedzy w obu obszarach, pozwalając uczestnikom zrozumieć potencjalną rolę, jaką mogą odegrać w przyszłości.
Zdefiniuj podstawowe kompetencje w zakresie sztucznej inteligencji (AI). Zdefiniowanie listy kompetencji zapewnia standaryzowaną strukturę, którą można zintegrować z istniejącymi programami nauczania medycyny opartymi na kompetencjach. W niniejszym warsztacie wykorzystywane są obecnie cele edukacyjne poziomów 2 (Zrozumienie), 3 (Zastosowanie) i 4 (Analiza) taksonomii Blooma. Posiadanie zasobów na wyższych poziomach klasyfikacji, takich jak tworzenie projektów, może dodatkowo wzmocnić wiedzę. Wymaga to współpracy z ekspertami klinicznymi w celu określenia, w jaki sposób zagadnienia związane z AI można zastosować w klinicznych procesach pracy, oraz zapobiegania nauczaniu powtarzających się tematów, które są już zawarte w standardowych programach nauczania medycyny.
Twórz studia przypadków z wykorzystaniem sztucznej inteligencji. Podobnie jak w przypadku przykładów klinicznych, uczenie się oparte na przypadkach może wzmacniać abstrakcyjne koncepcje, podkreślając ich znaczenie w kontekście pytań klinicznych. Na przykład, w ramach jednego z warsztatów analizowano system wykrywania retinopatii cukrzycowej Google oparty na sztucznej inteligencji[13], aby zidentyfikować wyzwania na drodze od laboratorium do kliniki, takie jak wymagania walidacji zewnętrznej i ścieżki zatwierdzania przez organy regulacyjne.
Wykorzystuj naukę przez doświadczenie: Umiejętności techniczne wymagają skupionej praktyki i powtarzalnego zastosowania, aby je opanować, podobnie jak rotacyjne doświadczenia edukacyjne stażystów klinicznych. Jednym z potencjalnych rozwiązań jest model odwróconej klasy, który – jak doniesiono – poprawia zapamiętywanie wiedzy w edukacji inżynierskiej14. W tym modelu studenci samodzielnie przeglądają materiał teoretyczny, a czas zajęć poświęcany jest na rozwiązywanie problemów poprzez studia przypadków.
Skalowanie dla uczestników interdyscyplinarnych: Przewidujemy, że wdrożenie sztucznej inteligencji będzie wymagało współpracy między wieloma dyscyplinami, w tym lekarzami i pracownikami służby zdrowia o różnym poziomie wyszkolenia. W związku z tym programy nauczania mogą wymagać konsultacji z wykładowcami z różnych wydziałów, aby dostosować ich treść do różnych obszarów opieki zdrowotnej.
Sztuczna inteligencja to zaawansowana technologia, a jej podstawowe koncepcje wiążą się z matematyką i informatyką. Szkolenie personelu medycznego w zakresie sztucznej inteligencji wiąże się z wyjątkowymi wyzwaniami w zakresie doboru treści, ich znaczenia klinicznego i metod przekazu. Mamy nadzieję, że wnioski z warsztatów „AI in Education” pomogą przyszłym pedagogom w opracowaniu innowacyjnych metod integracji sztucznej inteligencji z edukacją medyczną.
Skrypt języka Python Google Colaboratory jest oprogramowaniem typu open source, dostępnym pod adresem: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG i Khan, S. Nowe spojrzenie na edukację medyczną: wezwanie do działania. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG itd. Co studenci medycyny naprawdę muszą wiedzieć o sztucznej inteligencji? Liczby 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. teach. 54, 1042–1043 (2020).
Cooperman N i in. Identyfikacja dzieci z bardzo niskim ryzykiem klinicznie istotnego urazu mózgu po urazie głowy: prospektywne badanie kohortowe. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH i Mangasarian, OL. Ekstrakcja cech jądrowych w diagnostyce guzów piersi. Nauki biomedyczne. Przetwarzanie obrazu. Nauki biomedyczne. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. i Peng, L. Jak tworzyć 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 gradiencie. 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 dowodach z wykorzystaniem OSCE w kształceniu medycznym na studiach licencjackich. BMK Medicine. teach. 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 Medycyna wysokowydajna: konwergencja inteligencji ludzkiej i sztucznej. Nat. medicine. 25, 44–56 (2019).
Bede, E. i in. Ocena zorientowana na człowieka systemu głębokiego uczenia wdrożonego w klinice w celu wykrywania retinopatii cukrzycowej. Materiały z konferencji CHI pt. Human Factors in Computing Systems (2020).
Kerr, B. Odwrócona klasa w edukacji inżynierskiej: przegląd badań. Materiały z Międzynarodowej Konferencji nt. Interaktywnego Uczenia się w Oparciu o Współpracę, 2015.
Autorzy pragną podziękować Danielle Walker, Timowi Salcudinowi i Peterowi Zandstrze z klastra badawczego zajmującego się obrazowaniem biomedycznym i sztuczną inteligencją na Uniwersytecie Kolumbii Brytyjskiej za wsparcie i finansowanie.
RH, PP, ZH, RS i MA byli odpowiedzialni za opracowanie treści dydaktycznych warsztatów. RH i PP byli odpowiedzialni za opracowanie przykładów programowania. KYF, OY, MT i PW byli odpowiedzialni za organizację logistyczną projektu i analizę warsztatów. RH, OY, MT, RS byli odpowiedzialni za stworzenie rysunków i tabel. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS byli odpowiedzialni za opracowanie i edycję dokumentu.
Czasopismo Communication Medicine pragnie wyrazić wdzięczność Carolyn McGregor, Fabio Moraesowi i Adityi Borakatiemu za ich wkład w recenzję tej pracy.
Czas publikacji: 19 lutego 2024 r.