Hvala vam što ste posjetili prirodu.com. Verzija preglednika koji koristite ima ograničenu CSS podršku. Za najbolje rezultate, preporučujemo korištenje nove verzije vašeg preglednika (ili isključivanja načina kompatibilnosti u Internet Exploreru). U međuvremenu, kako bismo osigurali stalnu podršku, prikazujemo web mjesto bez stila ili JavaScript.
Primjene kliničke umjetne inteligencije (AI) brzo rastu, ali postojeći nastavni programi medicinske škole nude ograničenu nastavu koja pokriva ovo područje. Ovdje smo opisali tečaj obuke za umjetnu inteligenciju koji smo razvili i predali studentima kanadskog medicine i davali preporuke za buduće usavršavanje.
Umjetna inteligencija (AI) u medicini može poboljšati učinkovitost na radnom mjestu i pomoći kliničkim odlukama. Da bi sigurno vodili uporabu umjetne inteligencije, liječnici moraju imati razumijevanje umjetne inteligencije. Mnogi komentari zagovaraju podučavanje AI koncepata1, poput objašnjenja AI modela i procesa provjere2. Međutim, provedeno je nekoliko strukturiranih planova, posebno na nacionalnoj razini. Pinto Dos Santos i dr .3. Ispitano je 263 studenata medicine, a 71% se složilo da im je potrebna obuka iz umjetne inteligencije. Podučavanje umjetne inteligencije medicinskoj publici zahtijeva pažljiv dizajn koji kombinira tehničke i netehničke koncepte za studente koji često imaju veliko prethodno znanje. Opisali smo svoje iskustvo pružanja niza radionica AI tri skupine studenata medicine i dajemo preporuke za buduće medicinsko obrazovanje u AI.
Naš petotjedni uvod u umjetnu inteligenciju u medicini radionice za studente medicine održan je tri puta između veljače 2019. i travnja 2021. godine. Raspored za svaku radionicu, s kratkim opisa promjene tečaja, prikazan je na slici 1. Naš tečaj ima Tri cilja osnovnog učenja: Studenti razumiju kako se podaci obrađuju u aplikacijama za umjetnu inteligenciju, analiziraju literaturu o umjetnoj inteligenciji za kliničke primjene i iskorištavaju mogućnosti za suradnju s inženjerima koji razvijaju umjetnu inteligenciju.
Plava je tema predavanja, a svijetloplava je interaktivno razdoblje pitanja i odgovora. Sivi dio je fokus kratkog pregleda literature. Odjeljci naranče odabrane su studije slučaja koje opisuju modele ili tehnike umjetne inteligencije. Green je vođeni programski tečaj namijenjen podučavanju umjetne inteligencije za rješavanje kliničkih problema i procjenu modela. Sadržaj i trajanje radionica razlikuju se ovisno o procjeni potreba studenata.
Prva radionica održana je na Sveučilištu British Columbia od veljače do travnja 2019., a svih 8 sudionika dalo je pozitivne povratne informacije4. Zbog Coid-19, druga je radionica održana gotovo u listopadu studenog 2020., a 222 učenika medicine i 3 stanovnika iz 8 kanadskih medicinskih škola registrirala se. Prezentacijski dijapozitivi i kôd preneseni su na mjesto otvorenog pristupa (http://ubcaimed.github.io). Ključne povratne informacije iz prve iteracije bile su da su predavanja bila previše intenzivna, a materijalno previše teorijska. Posluživanje šest različitih vremenskih zona u Kanadi predstavlja dodatne izazove. Dakle, druga je radionica skratila svaku sesiju na 1 sat, pojednostavila materijal tečaja, dodala više studija slučaja i stvorila programe kotlovske ploče koji su sudionicima omogućili da dovrše isječke koda uz minimalno uklanjanje pogrešaka (okvir 1). Ključne povratne informacije iz druge iteracije uključivale su pozitivne povratne informacije o vježbi programiranja i zahtjev za demonstriranje planiranja projekta strojnog učenja. Stoga, u našoj trećoj radionici, koji se u ožujku i travnja 2021. godine održava gotovo za 126 studenata medicine, uključili smo više interaktivnih vježbi kodiranja i sesije za povratne informacije o projektima kako bismo pokazali utjecaj korištenja koncepata radionica na projekte.
Analiza podataka: Polje studija u statistikama koje identificira smislene obrasce u podacima analizom, obradom i komuniciranjem obrazaca podataka.
Iskopavanje podataka: postupak identificiranja i izvlačenja podataka. U kontekstu umjetne inteligencije, to je često veliko, s više varijabli za svaki uzorak.
Smanjenje dimenzije: Proces transformiranja podataka s mnogim individualnim značajkama u manje značajki uz očuvanje važnih svojstava izvornog skupa podataka.
Karakteristike (u kontekstu umjetne inteligencije): mjerljiva svojstva uzorka. Često se koristi naizmjenično s "svojstvom" ili "varijablom".
Karta aktivacije gradijenta: tehnika koja se koristi za tumačenje modela umjetne inteligencije (posebno konvolucijske neuronske mreže), koja analizira proces optimizacije posljednjeg dijela mreže za identificiranje regija podataka ili slika koje su vrlo prediktivne.
Standardni model: postojeći AI model koji je unaprijed obučen za obavljanje sličnih zadataka.
Testiranje (u kontekstu umjetne inteligencije): Promatranje kako model obavlja zadatak koristeći podatke s kojima se prije nije susreo.
Obuka (u kontekstu umjetne inteligencije): Pružanje modela s podacima i rezultatima tako da model prilagođava svoje unutarnje parametre kako bi optimizirao njegovu sposobnost obavljanja zadataka pomoću novih podataka.
Vektor: niz podataka. U strojnom učenju, svaki element polja obično je jedinstvena značajka uzorka.
Tablica 1 navodi najnovije tečajeve za travanj 2021., uključujući ciljane ciljeve učenja za svaku temu. Ova je radionica namijenjena onima koji su novi na tehničkoj razini i ne zahtijeva nikakvo matematičko znanje nakon prve godine dodiplomskog medicinskog studija. Tečaj je razvilo 6 studenata medicine i 3 nastavnika s naprednim stupnjem inženjerstva. Inženjeri razvijaju teoriju umjetne inteligencije za podučavanje, a studenti medicine uče klinički relevantni materijal.
Radionice uključuju predavanja, studije slučaja i vođeno programiranje. U prvom predavanju pregledavamo odabrane koncepte analize podataka u biostatistici, uključujući vizualizaciju podataka, logističku regresiju i usporedbu opisne i induktivne statistike. Iako je analiza podataka temelj umjetne inteligencije, isključujemo teme poput iskopavanja podataka, testiranja značajnosti ili interaktivne vizualizacije. To je bilo zbog vremenskih ograničenja, a također i zbog toga što su neki studenti preddiplomskog studija imali prethodnu obuku iz biostatistike i željeli su pokriti jedinstvene teme strojnog učenja. Naknadno predavanje uvodi moderne metode i raspravlja o formulaciji AI problema, prednostima i ograničenjima AI modela i testiranju modela. Predavanja su nadopunjena literaturama i praktičnim istraživanjima postojećih uređaja za umjetnu inteligenciju. Naglašavamo vještine potrebne za procjenu učinkovitosti i izvedivosti modela za rješavanje kliničkih pitanja, uključujući razumijevanje ograničenja postojećih uređaja za umjetnu inteligenciju. Na primjer, zamolili smo studente da protumače Smjernice za ozljede pedijatrijske glave koje su predložili Kupperman i sur., 5, koje su implementirale algoritam stabla umjetne inteligencije kako bi utvrdili hoće li CT skeniranje biti korisno na temelju liječničkog ispitivanja. Naglašavamo da je ovo uobičajeni primjer AI koji pruža prediktivnu analitiku za liječnike koji tumače, a ne zamjenjuju liječnike.
U raspoloživim primjerima programiranja otvorenog izvora pokretanja (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) pokazujemo kako provesti analizu istraživačkih podataka, smanjenje dimenzije i trening u opterećenju modela i treninga . i testiranje. Koristimo Google Colaboratory Notebooks (Google LLC, Mountain View, CA), koje omogućuju izvršavanje Python koda iz web preglednika. Na slici Slika 2 daje primjer vježbe programiranja. Ova vježba uključuje predviđanje malignih oboljenja pomoću Wisconsina otvorenog dojki podataka o snimci dojke6 i algoritam stabla odlučivanja.
Predstavite programe tijekom cijelog tjedna o povezanim temama i odaberite primjere iz objavljenih AI aplikacija. Programirani elementi uključuju se samo ako se smatraju relevantnim za pružanje uvida u buduću kliničku praksu, poput kako procijeniti modele kako bi utvrdili jesu li spremni za uporabu u kliničkim ispitivanjima. Ovi primjeri kulminiraju u punopravnom vrhunskom aplikaciji koja tumore klasificira kao dobroćudne ili zloćudne na temelju parametara medicinskih slika.
Heterogenost prethodnog znanja. Naši su sudionici varirali u razini matematičkog znanja. Na primjer, studenti s naprednim inženjerskim pozadinama traže detaljniji materijal, poput načina izvođenja vlastitih Fourierovih transformacija. Međutim, rasprava o Fourierovom algoritmu u razredu nije moguće jer zahtijeva dubinsko znanje o obradi signala.
Odljev posjeta. Pohađanje naknadnih sastanaka opalo je, posebno u internetskim formatima. Rješenje može biti praćenje pohađanja i pružiti potvrdu o završetku. Poznato je da medicinske škole prepoznaju transkripte izvannastavnih aktivnosti učenika, što može potaknuti studente da steknu diplomu.
Dizajn tečaja: Budući da AI obuhvaća toliko polja, odabir osnovnih koncepata odgovarajuće dubine i širine može biti izazovan. Na primjer, kontinuitet upotrebe AI alata iz laboratorija do klinike je važna tema. Iako pokrivamo pretprocesiranje podataka, izgradnju modela i validaciju, ne uključujemo teme poput analitike velikih podataka, interaktivne vizualizacije ili provođenja kliničkih ispitivanja AI, umjesto toga fokusiramo se na najunikatnije AI koncepte. Naš princip vodiča je poboljšati pismenost, a ne vještine. Na primjer, razumijevanje načina na koji model obrađuje ulazne značajke važno je za interpretabilnost. Jedan od načina za to je korištenje karata za aktiviranje gradijenta, koje mogu vizualizirati koje su regije podataka predvidljive. Međutim, to zahtijeva multivarijantni proračun i ne može se uvesti8. Razvijanje zajedničke terminologije bilo je izazovno jer smo pokušavali objasniti kako raditi s podacima kao vektori bez matematičkog formalizma. Imajte na umu da različiti pojmovi imaju isto značenje, na primjer, u epidemiologiji, "karakteristika" je opisana kao "varijabla" ili "atribut".
Zadržavanje znanja. Budući da je primjena AI ograničena, u kojoj mjeri sudionici zadržavaju znanje ostaje za vidjeti. Nastavni programi medicinske škole često se oslanjaju na raspoređeno ponavljanje kako bi se ojačalo znanje tijekom praktičnih rotacija, 9 što se također može primijeniti na AI obrazovanje.
Profesionalnost je važnija od pismenosti. Dubina materijala dizajnirana je bez matematičke strogosti, što je bio problem pri pokretanju kliničkih tečajeva umjetne inteligencije. U primjerima programiranja koristimo program predloška koji sudionicima omogućuje popunjavanje polja i pokretanje softvera bez potrebe za utvrđivanjem načina postavljanja cjelovitog programiranja.
Zabrinutost zbog umjetne inteligencije rješava se: Rasprostranjena je zabrinutost da bi umjetna inteligencija mogla zamijeniti neke kliničke dužnosti3. Da bismo riješili ovo pitanje, objašnjavamo ograničenja AI, uključujući činjenicu da gotovo sve AI tehnologije koje su odobrili regulatori zahtijevaju nadzor liječnika11. Također naglašavamo važnost pristranosti jer su algoritmi skloni pristranosti, posebno ako skup podataka nije raznolik12. Slijedom toga, određena podskupina može se pogrešno modelirati, što dovodi do nepoštenih kliničkih odluka.
Resursi su javno dostupni: Stvorili smo javno dostupne resurse, uključujući slajdove predavanja i kod. Iako je pristup sinkronom sadržaju ograničen zbog vremenskih zona, sadržaj otvorenog koda je prikladna metoda za asinhrono učenje jer AI stručnost nije dostupna na svim medicinskim školama.
Interdisciplinarna suradnja: Ova radionica je zajedničko ulaganje koje su pokrenuli studenti medicine za planiranje tečajeva zajedno s inženjerima. To pokazuje mogućnosti suradnje i nedostatke znanja u oba područja, omogućavajući sudionicima da razumiju potencijalnu ulogu koju mogu pridonijeti u budućnosti.
Definirajte AI temeljne kompetencije. Definiranje popisa kompetencija pruža standardiziranu strukturu koja se može integrirati u postojeće medicinske kurikulume temeljene na kompetencijama. Ova radionica trenutno koristi objektivne razine 2 (razumijevanje), 3 (aplikacija) i 4 (analiza) Bloomove taksonomije. Imati resurse na višim razinama klasifikacije, poput stvaranja projekata, može dodatno ojačati znanje. Ovo zahtijeva rad s kliničkim stručnjacima kako bi utvrdili kako se AI teme mogu primijeniti na kliničke tijekove rada i sprječavanje podučavanja ponavljajućih tema već uključenih u standardne medicinske kurikulume.
Stvorite studije slučaja pomoću AI. Slično kliničkim primjerima, učenje temeljeno na slučajevima može pojačati apstraktne koncepte isticajući njihovu važnost za klinička pitanja. Na primjer, jedna studija radionice analizirala je Googleov sustav za otkrivanje dijabetičke retinopatije utemeljen na AI-u kako bi identificirao izazove na putu od laboratorija do klinike, poput zahtjeva za vanjskom validacijom i putova odobrenja regulacije.
Koristite iskustveno učenje: Tehničke vještine zahtijevaju usredotočenu praksu i ponovljenu primjenu za savladavanje, slično rotirajućim iskustvima učenja kliničkih polaznika. Jedno od potencijalnih rješenja je model prevrtanja učionice, za koji se navodi da poboljšava zadržavanje znanja u inženjerskom obrazovanju14. U ovom modelu studenti neovisno pregledavaju teorijski materijal, a vrijeme nastave posvećeno je rješavanju problema kroz studije slučaja.
Skaliranje za multidisciplinarne sudionike: Zamišljamo o usvajanju AI koji uključuje suradnju u više disciplina, uključujući liječnike i savezničke zdravstvene radnike s različitim razinama obuke. Stoga će se kurikulumi možda trebati razviti u savjetovanju s fakultetom iz različitih odjela kako bi svoj sadržaj prilagodili različitim područjima zdravstvene zaštite.
Umjetna inteligencija je visokotehnološka, a njegovi temeljni pojmovi povezani su s matematikom i informatikom. Obuka zdravstvenog osoblja za razumijevanje umjetne inteligencije predstavlja jedinstvene izazove u odabiru sadržaja, kliničkoj relevantnosti i metodama isporuke. Nadamo se da će uvidi stečeni od AI u obrazovnim radionicama pomoći budućim odgajateljima da prihvate inovativne načine za integriranje AI u medicinsko obrazovanje.
Google Colaboratory Python skripta je otvoreni izvor i dostupna je na: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG i Khan, S. Rethinking Medical Education: poziv na akciju. AKKAD. lijek. 88, 1407–1410 (2013).
McCoy, LG itd. Što studenti medicine zaista trebaju znati o umjetnoj inteligenciji? NPZH brojevi. Medicina 3, 1–3 (2020).
Dos Santos, DP i sur. Stavovi studenata medicine prema umjetnoj inteligenciji: višecentrično istraživanje. EURO. zračenje. 29, 1640–1646 (2019).
Fan, KY, HU, R. i Singla, R. Uvod u strojno učenje za studente medicine: pilot projekt. J. Med. podučavati. 54, 1042–1043 (2020).
Cooperman N, et al. Identificiranje djece s vrlo niskim rizikom od klinički značajnih ozljeda mozga nakon ozljede glave: prospektivna kohortna studija. Lancet 374, 1160–1170 (2009).
Ulica, WN, Wolberg, WH i Mangasarian, ol. Ekstrakcija nuklearnih značajki za dijagnozu tumora dojke. Biomedicinska znanost. Obrada slike. Biomedicinska znanost. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. i Peng, L. Kako razviti modele strojnog učenja za zdravstvo. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR i sur. Grad-Cam: Vizualna interpretacija dubokih mreža putem lokalizacije koja se temelji na gradijentima. Zbornik radova Međunarodne konferencije IEEE o računalnom vidu, 618–626 (2017).
Kumaravel B, Stewart K i ILIC D. Razvoj i procjena spiralnog modela za procjenu kompetencija utemeljenih na dokazima koji koriste OESS u preddiplomskom medicinskom obrazovanju. BMK medicina. podučavati. 21, 1–9 (2021).
Kolachalama VB i Garg PS strojno učenje i medicinsko obrazovanje. NPZH brojevi. lijek. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. i De Rooy, M. Umjetna inteligencija u radiologiji: 100 komercijalnih proizvoda i njihovi znanstveni dokazi. EURO. zračenje. 31, 3797–3804 (2021).
Topol, EJ Medicina visokih performansi: konvergencija ljudske i umjetne inteligencije. Nat. lijek. 25, 44–56 (2019).
Bede, E. i sur. Evaluacija sustava dubokog učenja raspoređenog u klinici za otkrivanje dijabetičke retinopatije. Zbornik radova s CHI konferencije 2020. o ljudskim čimbenicima u računalnim sustavima (2020.).
Kerr, B. Prevrnuta učionica iz inženjerskog obrazovanja: Pregled istraživanja. Zbornik radova s Međunarodne konferencije 2015. o interaktivnom kolaborativnom učenju (2015).
Autori zahvaljuju Danielle Walker, Tim Salcudin i Peter Zandstra iz klastera za istraživanje biomedicinske slike i umjetne inteligencije na Sveučilištu British Columbia na podršci i financiranju.
RH, PP, ZH, RS i MA bili su odgovorni za razvoj sadržaja za nastavu radionice. RH i PP bili su odgovorni za razvoj primjera programiranja. KYF, OY, MT i PW bili su odgovorni za logističku organizaciju projekta i analizu radionica. RH, OY, MT, RS bili su odgovorni za stvaranje figura i tablica. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS bili su odgovorni za izradu i uređivanje dokumenta.
Komunikacijska medicina zahvaljuje Carolyn McGregor, Fabio Moraes i Aditya Borati na njihovom doprinosu u pregledu ovog rada.
Post Vrijeme: 199-2024 veljače