Hvala što ste posjetili Nature.com.Verzija preglednika koji koristite ima ograničenu podršku za CSS.Za najbolje rezultate preporučujemo korištenje novije verzije preglednika (ili isključivanje načina rada kompatibilnosti u Internet Exploreru).U međuvremenu, kako bismo osigurali stalnu podršku, prikazujemo stranicu bez stiliziranja ili JavaScripta.
Primjene kliničke umjetne inteligencije (AI) brzo rastu, ali postojeći nastavni programi medicinskih škola nude ograničenu nastavu koja pokriva ovo područje.Ovdje opisujemo tečaj osposobljavanja za umjetnu inteligenciju koji smo razvili i isporučili kanadskim studentima medicine i dajemo preporuke za buduću obuku.
Umjetna inteligencija (AI) u medicini može poboljšati učinkovitost radnog mjesta i pomoći u donošenju kliničkih odluka.Kako bi sigurno vodili upotrebu umjetne inteligencije, liječnici moraju imati neko razumijevanje o umjetnoj inteligenciji.Mnogi komentari zagovaraju podučavanje koncepata umjetne inteligencije1, poput objašnjavanja modela umjetne inteligencije i procesa verifikacije2.Međutim, malo je strukturiranih planova provedeno, osobito na nacionalnoj razini.Pinto dos Santos i dr.3.Ispitana su 263 studenta medicine i 71% se složilo da im je potrebna obuka za umjetnu inteligenciju.Podučavanje umjetne inteligencije medicinskoj publici zahtijeva pažljiv dizajn koji kombinira tehničke i netehničke koncepte za studente koji često imaju opsežno predznanje.Opisujemo naše iskustvo u održavanju niza radionica umjetne inteligencije za tri skupine studenata medicine i dajemo preporuke za buduće medicinsko obrazovanje o umjetnoj inteligenciji.
Naša petotjedna radionica Uvod u umjetnu inteligenciju u medicini za studente medicine održana je tri puta između veljače 2019. i travnja 2021. Raspored za svaku radionicu, s kratkim opisom promjena u tečaju, prikazan je na slici 1. Naš tečaj ima tri primarna cilja učenja: studenti razumiju kako se podaci obrađuju u aplikacijama umjetne inteligencije, analiziraju literaturu o umjetnoj inteligenciji za kliničke primjene i iskoriste prilike za suradnju s inženjerima koji razvijaju umjetnu inteligenciju.
Plava je tema predavanja, a svijetloplava je interaktivni period pitanja i odgovora.Sivi dio je fokus kratkog pregleda literature.Narančasti dijelovi su odabrane studije slučaja koje opisuju modele ili tehnike umjetne inteligencije.Green je vođeni tečaj programiranja osmišljen za podučavanje umjetne inteligencije rješavanju kliničkih problema i evaluaciji modela.Sadržaj i trajanje radionica variraju ovisno o procjeni potreba učenika.
Prva radionica održana je na Sveučilištu British Columbia od veljače do travnja 2019., a svih 8 sudionika dalo je pozitivne povratne informacije4.Zbog COVID-19, druga radionica održana je virtualno u listopadu i studenom 2020., a prijavila su se 222 studenta medicine i 3 specijalizanata iz 8 kanadskih medicinskih škola.Prezentacijski slajdovi i kôd preneseni su na mjesto s otvorenim pristupom (http://ubcaimed.github.io).Ključna povratna informacija iz prve iteracije bila je da su predavanja bila preintenzivna, a gradivo previše teoretsko.Opsluživanje šest različitih vremenskih zona Kanade predstavlja dodatne izazove.Stoga je druga radionica skratila svaku sesiju na 1 sat, pojednostavila materijal tečaja, dodala više studija slučaja i stvorila standardne programe 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 vježbama programiranja i zahtjev za demonstracijom planiranja za projekt strojnog učenja.Stoga smo u našoj trećoj radionici, virtualno održanoj za 126 studenata medicine u ožujku i travnju 2021., uključili više interaktivnih vježbi kodiranja i povratnih informacija o projektima kako bismo pokazali utjecaj korištenja koncepata radionica na projekte.
Analiza podataka: Područje proučavanja statistike koje identificira značajne obrasce u podacima analizom, obradom i priopćavanjem obrazaca podataka.
Data mining: proces identificiranja i ekstrakcije podataka.U kontekstu umjetne inteligencije, to je često veliko, s više varijabli za svaki uzorak.
Smanjenje dimenzionalnosti: Proces transformacije podataka s mnogo pojedinačnih značajki u manje značajki uz očuvanje važnih svojstava izvornog skupa podataka.
Obilježja (u kontekstu umjetne inteligencije): mjerljiva svojstva uzorka.Često se koristi kao sinonim za "svojstvo" ili "varijabla".
Karta aktivacije gradijenta: Tehnika koja se koristi za tumačenje modela umjetne inteligencije (osobito konvolucijskih neuronskih mreža), koja analizira proces optimizacije zadnjeg dijela mreže kako bi se identificirale regije podataka ili slika koje su visoko prediktivne.
Standardni model: postojeći AI model koji je prethodno 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 svoju sposobnost obavljanja zadataka koristeći nove podatke.
Vektor: niz podataka.U strojnom učenju svaki element niza 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 tek počinju s tehničkom razinom i ne zahtijeva nikakvo matematičko znanje nakon prve godine dodiplomskog studija medicine.Tečaj je razvilo 6 studenata medicine i 3 nastavnika s visokim stupnjem inženjerstva.Inženjeri razvijaju teoriju umjetne inteligencije za podučavanje, a studenti medicine uče klinički relevantan materijal.
Radionice uključuju predavanja, studije slučaja i vođeno programiranje.U prvom predavanju razmatramo odabrane koncepte analize podataka u biostatistici, uključujući vizualizaciju podataka, logističku regresiju te usporedbu deskriptivne i induktivne statistike.Iako je analiza podataka temelj umjetne inteligencije, isključujemo teme kao što su rudarenje podataka, testiranje značajnosti ili interaktivna vizualizacija.To je bilo zbog vremenskih ograničenja i zato što su neki studenti dodiplomskog studija prethodno prošli obuku iz biostatistike i željeli su pokriti više jedinstvenih tema strojnog učenja.Sljedeće predavanje predstavlja suvremene metode i raspravlja o formuliranju problema umjetne inteligencije, prednostima i ograničenjima modela umjetne inteligencije te testiranju modela.Predavanja su dopunjena literaturom i praktičnim istraživanjima o postojećim uređajima umjetne inteligencije.Ističemo vještine potrebne za procjenu učinkovitosti i izvedivosti modela za rješavanje kliničkih pitanja, uključujući razumijevanje ograničenja postojećih uređaja umjetne inteligencije.Na primjer, zamolili smo studente da protumače smjernice za pedijatrijske ozljede glave koje su predložili Kupperman et al., 5 koje su implementirale algoritam stabla odlučivanja umjetne inteligencije kako bi se utvrdilo bi li CT skeniranje bilo korisno na temelju liječničkog pregleda.Naglašavamo da je ovo uobičajeni primjer umjetne inteligencije koji pruža prediktivnu analitiku koju liječnici tumače, umjesto da zamjenjuje liječnike.
U dostupnim primjerima bootstrap programiranja otvorenog koda (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demonstriramo kako izvesti istraživačku analizu podataka, smanjenje dimenzionalnosti, standardno učitavanje modela i obuku .i testiranje.Koristimo bilježnice Google Colaboratory (Google LLC, Mountain View, CA), koje omogućuju izvršavanje Python koda iz web preglednika.Na slici. Slika 2 prikazuje primjer vježbe programiranja.Ova vježba uključuje predviđanje zloćudnih bolesti korištenjem Wisconsin Open Breast Imaging Dataset6 i algoritma stabla odlučivanja.
Prezentirajte programe tijekom tjedna o povezanim temama i odaberite primjere iz objavljenih AI aplikacija.Elementi programiranja uključeni su samo ako se smatraju relevantnima za pružanje uvida u buduću kliničku praksu, kao što je kako procijeniti modele kako bi se utvrdilo jesu li spremni za upotrebu u kliničkim ispitivanjima.Ovi primjeri kulminiraju potpunom aplikacijom od kraja do kraja koja klasificira tumore kao benigne ili maligne na temelju parametara medicinske slike.
Heterogenost predznanja.Naši sudionici su se razlikovali po razini matematičkog znanja.Na primjer, studenti s naprednim inženjerskim obrazovanjem traže dublji materijal, kao što je kako izvesti vlastitu Fourierovu transformaciju.Međutim, raspravljanje o Fourierovom algoritmu u nastavi nije moguće jer zahtijeva dubinsko poznavanje obrade signala.
Odljev posjećenosti.Sudjelovanje na naknadnim sastancima se smanjilo, osobito u online formatima.Rješenje može biti praćenje pohađanja i izdavanje potvrde o završetku.Poznato je da medicinske škole priznaju prijepise studentskih izvannastavnih akademskih aktivnosti, što može potaknuti studente da steknu diplomu.
Dizajn tečaja: Budući da umjetna inteligencija obuhvaća toliko mnogo potpolja, odabir temeljnih koncepata odgovarajuće dubine i širine može biti izazovan.Na primjer, važna je tema kontinuitet korištenja AI alata od laboratorija do klinike.Iako pokrivamo pretprocesiranje podataka, izradu modela i provjeru valjanosti, ne uključujemo teme kao što su analitika velikih podataka, interaktivna vizualizacija ili provođenje kliničkih ispitivanja umjetne inteligencije, umjesto toga usredotočeni smo na najunikatnije koncepte umjetne inteligencije.Naš vodeći princip je poboljšati pismenost, a ne vještine.Na primjer, razumijevanje načina na koji model obrađuje ulazne značajke važno je za interpretabilnost.Jedan od načina da to učinite je korištenje gradijentnih aktivacijskih karti, koje mogu vizualizirati koja su područja podataka predvidljiva.Međutim, to zahtijeva multivarijatni račun i ne može se uvesti8.Razvijanje zajedničke terminologije bilo je izazovno jer smo pokušavali objasniti kako raditi s podacima kao vektorima bez matematičkog formalizma.Imajte na umu da različiti izrazi imaju isto značenje, na primjer, u epidemiologiji, "karakteristika" se opisuje kao "varijabla" ili "atribut".
Zadržavanje znanja.Budući da je primjena umjetne inteligencije ograničena, ostaje da se vidi u kojoj će mjeri sudionici zadržati znanje.Kurikulumi medicinskih škola često se oslanjaju na ponavljanje u razmacima kako bi se ojačalo znanje tijekom praktičnih rotacija,9 što se također može primijeniti na obrazovanje umjetne inteligencije.
Profesionalnost je važnija od pismenosti.Dubina materijala osmišljena je bez matematičke strogosti, što je predstavljalo problem pri pokretanju kliničkih tečajeva o umjetnoj inteligenciji.U primjerima programiranja koristimo predložak programa koji sudionicima omogućuje ispunjavanje polja i pokretanje softvera bez potrebe da smišljaju kako postaviti kompletno programsko okruženje.
Razmotrena zabrinutost oko umjetne inteligencije: Postoji raširena zabrinutost da bi umjetna inteligencija mogla zamijeniti neke kliničke dužnosti3.Kako bismo riješili ovaj problem, objašnjavamo ograničenja umjetne inteligencije, uključujući činjenicu da gotovo sve tehnologije umjetne inteligencije odobrene od strane regulatora zahtijevaju nadzor liječnika11.Također naglašavamo važnost pristranosti jer su algoritmi skloni pristranosti, osobito ako skup podataka nije raznolik12.Posljedično, određena podskupina može biti pogrešno modelirana, što dovodi do nepravednih 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 prikladna je metoda za asinkrono učenje jer stručnost AI nije dostupna na svim medicinskim školama.
Interdisciplinarna suradnja: Ova radionica je zajednički pothvat koji su pokrenuli studenti medicine kako bi planirali tečajeve zajedno s inženjerima.Ovo pokazuje mogućnosti suradnje i nedostatke znanja u oba područja, omogućujući sudionicima da razumiju potencijalnu ulogu koju mogu doprinijeti u budućnosti.
Definirajte ključne kompetencije umjetne inteligencije.Definiranje popisa kompetencija osigurava standardiziranu strukturu koja se može integrirati u postojeće medicinske kurikulume temeljene na kompetencijama.Ova radionica trenutno koristi razine ciljeva učenja 2 (Razumijevanje), 3 (Primjena) i 4 (Analiza) Bloomove taksonomije.Posjedovanje resursa na višim razinama klasifikacije, poput izrade projekata, može dodatno ojačati znanje.To zahtijeva suradnju s kliničkim stručnjacima kako bi se utvrdilo kako se teme umjetne inteligencije mogu primijeniti na kliničke tijekove rada i spriječiti poučavanje ponavljajućih tema koje su već uključene u standardni medicinski kurikulum.
Izradite studije slučaja koristeći AI.Slično kliničkim primjerima, učenje na temelju slučaja može osnažiti apstraktne koncepte naglašavajući njihovu relevantnost za klinička pitanja.Na primjer, jedna radionička studija analizirala je Googleov sustav za otkrivanje dijabetičke retinopatije 13 koji se temelji na umjetnoj inteligenciji kako bi se identificirali izazovi na putu od laboratorija do klinike, kao što su zahtjevi za vanjsku provjeru valjanosti i putovi regulatornog odobrenja.
Koristite iskustveno učenje: Tehničke vještine zahtijevaju usredotočenu praksu i ponovljenu primjenu kako bi se svladale, slično rotirajućim iskustvima učenja kliničkih pripravnika.Jedno potencijalno rješenje je model preokrenute učionice, za koji se izvješćuje da poboljšava zadržavanje znanja u inženjerskom obrazovanju14.U ovom modelu studenti samostalno ponavljaju teorijsko gradivo, a vrijeme nastave posvećuje se rješavanju problema kroz studije slučaja.
Skaliranje za multidisciplinarne sudionike: Zamišljamo usvajanje umjetne inteligencije koje uključuje suradnju između više disciplina, uključujući liječnike i srodne zdravstvene stručnjake s različitim razinama obuke.Stoga će nastavne planove i programe možda trebati razviti u dogovoru s nastavnicima s različitih odjela kako bi se njihov sadržaj prilagodio različitim područjima zdravstvene skrbi.
Umjetna inteligencija je visokotehnološka i njezini su temeljni koncepti povezani 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 na radionicama AI u obrazovanju pomoći budućim edukatorima da prihvate inovativne načine za integraciju AI u medicinsko obrazovanje.
Google Collaboratory Python skripta je otvorenog koda i dostupna na: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG i Khan, S. Ponovno promišljanje medicinskog obrazovanja: poziv na akciju.Akkad.lijek.88, 1407–1410 (2013).
McCoy, LG itd. Što studenti medicine doista trebaju znati o umjetnoj inteligenciji?NPZh brojevi.Medicina 3, 1–3 (2020).
Dos Santos, DP, et al.Stavovi studenata medicine prema umjetnoj inteligenciji: multicentrično istraživanje.EURO.radijacija.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 značajne ozljede mozga nakon ozljede glave: prospektivna kohortna studija.Lancet 374, 1160–1170 (2009).
Street, 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 temeljene na gradijentu.Zbornik radova IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K i Ilic D. Razvoj i evaluacija spiralnog modela za procjenu medicinskih kompetencija temeljenih na dokazima korištenjem OSCE-a u dodiplomskom 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.radijacija.31, 3797-3804 (2021).
Topol, EJ Medicina visokih performansi: konvergencija ljudske i umjetne inteligencije.Nat.lijek.25, 44–56 (2019).
Bede, E. i sur.Procjena sustava dubinskog učenja usmjerena na čovjeka u klinici za otkrivanje dijabetičke retinopatije.Zbornik radova CHI konferencije o ljudskim faktorima u računalnim sustavima 2020. (2020.).
Kerr, B. Preokrenuta učionica u inženjerskom obrazovanju: Pregled istraživanja.Proceedings of the 2015 International Conference on Interactive Collaborative Learning (2015).
Autori zahvaljuju Danielle Walker, Timu Salcudinu i Peteru Zandstri iz Klastera za istraživanje biomedicinske slike i umjetne inteligencije na Sveučilištu British Columbia na potpori i financiranju.
RH, PP, ZH, RS i MA bili su zaduženi za izradu nastavnog sadržaja 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 izradu slika i tablica.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS bili su odgovorni za izradu i uređivanje dokumenta.
Communication Medicine zahvaljuje Carolyn McGregor, Fabio Moraes i Aditya Borakati na njihovom doprinosu recenziji ovog rada.
Vrijeme objave: 19. veljače 2024