Hvala vam što ste posjetili Nature.com. Verzija preglednika koju koristite ima ograničenu podršku za CSS. Za najbolje rezultate preporučujemo korištenje novije verzije preglednika (ili isključivanje načina kompatibilnosti u Internet Exploreru). U međuvremenu, kako bismo osigurali kontinuiranu podršku, prikazujemo stranicu bez stiliziranja ili JavaScripta.
Primjena kliničke umjetne inteligencije (UI) brzo raste, ali postojeći nastavni planovi i programi medicinskih fakulteta nude ograničenu nastavu koja pokriva ovo područje. Ovdje opisujemo tečaj obuke za umjetnu inteligenciju koji smo razvili i održali kanadskim studentima medicine te dajemo preporuke za buduću obuku.
Umjetna inteligencija (UI) u medicini može poboljšati učinkovitost na radnom mjestu i pomoći u kliničkom donošenju odluka. Kako bi sigurno vodili korištenje umjetne inteligencije, liječnici moraju imati određeno razumijevanje umjetne inteligencije. Mnogi komentari zagovaraju podučavanje koncepata umjetne inteligencije1, poput objašnjavanja modela umjetne inteligencije i procesa verifikacije2. Međutim, provedeno je malo strukturiranih planova, posebno na nacionalnoj razini. Pinto dos Santos i sur.3. Anketirano je 263 studenta 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 opsežno predznanje. Opisujemo naše iskustvo u održavanju serije radionica o umjetnoj inteligenciji za tri skupine studenata medicine i dajemo preporuke za buduće medicinsko obrazovanje u području umjetne inteligencije.
Naša petotjedna radionica Uvod u umjetnu inteligenciju u medicini za studente medicine održana je tri puta između veljače 2019. i travnja 2021. Raspored svake radionice, 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 primjenama umjetne inteligencije, analiziraju literaturu o umjetnoj inteligenciji za kliničke primjene i iskoriste prilike za suradnju s inženjerima koji razvijaju umjetnu inteligenciju.
Plava boja označava temu predavanja, a svijetloplava interaktivno razdoblje za pitanja i odgovore. Sivi dio je fokus kratkog pregleda literature. Narančasti dijelovi su odabrane studije slučaja koje opisuju modele ili tehnike umjetne inteligencije. Zelena boja je vođeni tečaj programiranja osmišljen za podučavanje umjetne inteligencije rješavanju kliničkih problema i evaluaciji modela. Sadržaj i trajanje radionica variraju 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 COVID-19, druga radionica održana je virtualno u listopadu i studenom 2020., a prijavilo se 222 studenta medicine i 3 specijalizanata s 8 kanadskih medicinskih fakulteta. Prezentacijski slajdovi i kod preneseni su na stranicu otvorenog pristupa (http://ubcaimed.github.io). Ključna povratna informacija iz prve iteracije bila je da su predavanja bila preintenzivna, a materijal previše teoretski. Opsluživanje šest različitih vremenskih zona Kanade predstavlja dodatne izazove. Stoga je druga radionica skratila svaku sesiju na 1 sat, pojednostavila gradivo tečaja, dodala više studija slučaja i izradila standardne programe koji su omogućili sudionicima da dovrše isječke koda uz minimalno otklanjanje pogrešaka (Okvir 1). Ključne povratne informacije iz druge iteracije uključivale su pozitivne povratne informacije o vježbama programiranja i zahtjev za demonstraciju planiranja projekta strojnog učenja. Stoga smo u našoj trećoj radionici, održanoj virtualno za 126 studenata medicine u ožujku i travnju 2021., uključili više interaktivnih vježbi kodiranja i sesija s povratnim informacijama o projektima kako bismo pokazali utjecaj korištenja koncepata radionica na projekte.
Analiza podataka: Područje istraživanja u statistici koje identificira značajne obrasce u podacima analiziranjem, obradom i komuniciranjem obrazaca podataka.
Rudarenje podataka: proces identificiranja i izdvajanja podataka. U kontekstu umjetne inteligencije, ovo 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.
Karakteristike (u kontekstu umjetne inteligencije): mjerljiva svojstva uzorka. Često se koriste naizmjenično s pojmom „svojstvo“ ili „varijabla“.
Mapa aktivacije gradijenta: Tehnika koja se koristi za interpretaciju modela umjetne inteligencije (posebno konvolucijskih neuronskih mreža), koja analizira proces optimizacije posljednjeg dijela mreže kako bi se identificirala područja podataka ili slika koja su visoko prediktivna.
Standardni model: Postojeći model umjetne inteligencije koji je prethodno obučen za obavljanje sličnih zadataka.
Testiranje (u kontekstu umjetne inteligencije): promatranje kako model izvršava zadatak koristeći podatke s kojima se prije nije susreo.
Trening (u kontekstu umjetne inteligencije): Pružanje modela podacima i rezultatima kako bi model prilagodio svoje unutarnje parametre kako bi optimizirao svoju sposobnost izvršavanja zadataka korištenjem novih podataka.
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 radionica namijenjena je onima koji su novi na tehničkoj razini i ne zahtijeva nikakvo matematičko znanje nakon prve godine preddiplomskog studija medicine. Tečaj je razvilo 6 studenata medicine i 3 nastavnika s višim stupnjevima inženjerstva. Inženjeri razvijaju teoriju umjetne inteligencije za podučavanje, a studenti medicine uče klinički relevantne materijale.
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 deskriptivne i induktivne statistike. Iako je analiza podataka temelj umjetne inteligencije, isključujemo teme poput rudarenja podataka, testiranja značajnosti ili interaktivne vizualizacije. To je bilo zbog vremenskih ograničenja, a i zato što su neki studenti preddiplomskih studija imali prethodnu obuku iz biostatistike i željeli su obraditi jedinstvenije teme strojnog učenja. Sljedeće predavanje predstavlja moderne metode i raspravlja o formuliranju problema umjetne inteligencije, prednostima i ograničenjima modela umjetne inteligencije te testiranju modela. Predavanja su nadopunjena literaturom i praktičnim istraživanjima o postojećim uređajima umjetne inteligencije. Naglašavamo 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 interpretiraju smjernice za dječje ozljede glave koje su predložili Kupperman i suradnici,5 koje su implementirale algoritam stabla odlučivanja umjetne inteligencije kako bi se utvrdilo hoće li CT skeniranje biti korisno na temelju liječničkog pregleda. Naglašavamo da je ovo uobičajen primjer umjetne inteligencije koja pruža prediktivnu analitiku liječnicima za interpretaciju, umjesto da zamjenjuje liječnike.
U dostupnim primjerima bootstrap programiranja otvorenog koda (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demonstriramo kako izvršiti istraživačku analizu podataka, smanjenje dimenzionalnosti, učitavanje standardnog modela te učenje i testiranje. Koristimo Google Colaboratory bilježnice (Google LLC, Mountain View, CA), koje omogućuju izvršavanje Python koda iz web preglednika. Na slici 2 prikazan je primjer programerske vježbe. Ova vježba uključuje predviđanje malignih bolesti pomoću Wisconsin Open Breast Imaging Dataset6 i algoritma stabla odlučivanja.
Tijekom tjedna prezentirajte programe o srodnim temama i odaberite primjere iz objavljenih primjena umjetne inteligencije. Elementi programiranja uključeni su samo ako se smatraju relevantnima za pružanje uvida u buduću kliničku praksu, poput načina procjene modela kako bi se utvrdilo jesu li spremni za upotrebu u kliničkim ispitivanjima. Ovi primjeri kulminiraju potpunom aplikacijom 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 detaljnije materijale, poput toga kako izvesti vlastite Fourierove transformacije. Međutim, rasprava o Fourierovom algoritmu u nastavi nije moguća jer zahtijeva detaljno znanje o obradi signala.
Odljev prisutnih. Prisutnost na naknadnim sastancima smanjila se, posebno u online formatu. Rješenje bi moglo biti praćenje prisutnosti i izdavanje potvrde o završetku. Poznato je da medicinski fakulteti priznaju transkripte izvannastavnih akademskih aktivnosti studenata, što može potaknuti studente na stjecanje diplome.
Dizajn tečaja: Budući da umjetna inteligencija obuhvaća toliko podoblasti, odabir ključnih koncepata odgovarajuće dubine i širine može biti izazovan. Na primjer, kontinuitet korištenja alata umjetne inteligencije od laboratorija do klinike važna je tema. Iako pokrivamo predobradu podataka, izgradnju modela i validaciju, ne uključujemo teme poput analize velikih podataka, interaktivne vizualizacije ili provođenja kliničkih ispitivanja umjetne inteligencije, već se usredotočujemo na najjedinstvenije koncepte umjetne inteligencije. Naš vodeći princip je poboljšanje pismenosti, a ne vještina. Na primjer, razumijevanje načina na koji model obrađuje ulazne značajke važno je za interpretabilnost. Jedan od načina za to je korištenje mapa aktivacije gradijenta, koje mogu vizualizirati koja su područja podataka predvidljiva. Međutim, to zahtijeva multivarijantni račun i ne može se uvesti8. Razvoj zajedničke terminologije bio je izazovan jer smo pokušavali objasniti kako raditi s podacima kao vektorima bez matematičkog formalizma. Imajte na umu da različiti pojmovi imaju isto značenje, na primjer, u epidemiologiji se „karakteristika“ opisuje kao „varijabla“ ili „atribut“.
Zadržavanje znanja. Budući da je primjena umjetne inteligencije ograničena, tek treba vidjeti u kojoj će mjeri polaznici zadržavati znanje. Nastavni planovi i programi medicinskih fakulteta često se oslanjaju na raspoređeno ponavljanje kako bi se učvrstilo znanje tijekom praktičnih rotacija,9 što se također može primijeniti na obrazovanje o umjetnoj inteligenciji.
Profesionalnost je važnija od pismenosti. Dubina gradiva je osmišljena bez matematičke strogosti, što je bio problem prilikom pokretanja kliničkih tečajeva umjetne inteligencije. U primjerima programiranja koristimo predložak programa koji omogućuje polaznicima da ispune polja i pokrenu softver bez potrebe da smišljaju kako postaviti cjelovito programsko okruženje.
Zabrinutost zbog umjetne inteligencije: Postoji široko rasprostranjena zabrinutost da bi umjetna inteligencija mogla zamijeniti neke kliničke dužnosti3. Kako bismo se pozabavili ovim problemom, objašnjavamo ograničenja umjetne inteligencije, uključujući činjenicu da gotovo sve tehnologije umjetne inteligencije koje su odobrili regulatori zahtijevaju nadzor liječnika11. Također naglašavamo važnost pristranosti jer su algoritmi skloni pristranosti, posebno ako skup podataka nije raznolik12. Posljedično, određena podskupina može biti netočno modelirana, što dovodi do nepoštenih kliničkih odluka.
Resursi su javno dostupni: Izradili smo javno dostupne resurse, uključujući slajdove za predavanja i kod. Iako je pristup sinkronom sadržaju ograničen zbog vremenskih zona, sadržaj otvorenog koda prikladna je metoda za asinkrono učenje budući da stručnost umjetne inteligencije nije dostupna na svim medicinskim fakultetima.
Interdisciplinarna suradnja: Ova radionica je zajednički pothvat koji su pokrenuli studenti medicine kako bi zajedno s inženjerima planirali tečajeve. Ovo pokazuje mogućnosti suradnje i nedostatke u znanju u oba područja, omogućujući sudionicima da shvate potencijalnu ulogu koju mogu doprinijeti u budućnosti.
Definirajte ključne kompetencije umjetne inteligencije. Definiranje popisa kompetencija pruža 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, kao što je izrada 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 spriječilo podučavanje ponavljajućih tema koje su već uključene u standardne medicinske kurikulume.
Izradite studije slučaja pomoću umjetne inteligencije. Slično kliničkim primjerima, učenje temeljeno na slučajevima može pojačati apstraktne koncepte ističući njihovu relevantnost za klinička pitanja. Na primjer, jedna radionica analizirala je Googleov sustav za otkrivanje dijabetičke retinopatije temeljen na umjetnoj inteligenciji 13 kako bi se identificirali izazovi na putu od laboratorija do klinike, kao što su zahtjevi za vanjsku validaciju i putovi regulatornog odobrenja.
Koristite iskustveno učenje: Tehničke vještine zahtijevaju usmjerenu praksu i ponovljenu primjenu kako bi se savladale, slično rotirajućim iskustvima učenja kliničkih pripravnika. Jedno potencijalno rješenje je model obrnute nastave, za koji se navodi da poboljšava zadržavanje znanja u inženjerskom obrazovanju14. U ovom modelu studenti samostalno pregledavaju teorijski materijal, a vrijeme nastave posvećeno je rješavanju problema kroz studije slučaja.
Skaliranje za multidisciplinarne sudionike: Predviđamo da će primjena umjetne inteligencije uključivati suradnju u više disciplina, uključujući liječnike i srodne zdravstvene djelatnike s različitim razinama obuke. Stoga će možda trebati razviti nastavne planove i programe u konzultaciji s nastavnicima s različitih odjela kako bi se njihov sadržaj prilagodio različitim područjima zdravstvene skrbi.
Umjetna inteligencija je visokotehnološka, a njezini temeljni koncepti povezani su s matematikom i računalstvom. Osposobljavanje 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 o umjetnoj inteligenciji u obrazovanju pomoći budućim edukatorima da prihvate inovativne načine integracije umjetne inteligencije u medicinsko obrazovanje.
Google Colaboratory 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 djelovanje. Akkad. medicina. 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 dr. Stavovi studenata medicine prema umjetnoj inteligenciji: multicentrično istraživanje. EURO. zračenje. 29, 1640–1646 (2019).
Fan, KY, Hu, R. i Singla, R. Uvod u strojno učenje za studente medicine: pilotni projekt. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N i dr. 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 dr. Grad-cam: Vizualna interpretacija dubokih mreža putem lokalizacije temeljene na gradijentu. Zbornik radova s IEEE međunarodne konferencije o računalnom vidu, 618–626 (2017).
Kumaravel B, Stewart K i Ilic D. Razvoj i evaluacija spiralnog modela za procjenu kompetencija medicine utemeljene na dokazima korištenjem OSCE-a u dodiplomskom medicinskom obrazovanju. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB i Garg PS Strojno učenje i medicinsko obrazovanje. NPZh brojevi. medicina. 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 Visokoučinkovita medicina: konvergencija ljudske i umjetne inteligencije. Nat. medicine. 25, 44–56 (2019).
Bede, E. i dr. Evaluacija sustava dubokog učenja usmjerena na čovjeka primijenjenog u klinici za otkrivanje dijabetičke retinopatije. Zbornik radova s konferencije CHI o ljudskim faktorima u računalnim sustavima 2020. (2020.).
Kerr, B. Obrnuta učionica u inženjerskom obrazovanju: Pregled istraživanja. Zbornik radova s Međunarodne konferencije o interaktivnom suradničkom učenju 2015. (2015.).
Autori zahvaljuju Danielle Walker, Timu Salcudinu i Peteru Zandstri iz Istraživačkog klastera za biomedicinsko snimanje i umjetnu inteligenciju Sveučilišta British Columbia na podršci i financiranju.
RH, PP, ZH, RS i MA bili su odgovorni za razvoj 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 i RS bili su odgovorni za izradu slika i tablica. RH, KYF, PP, ZH, OY, MY, PW, TL, MA i RS bili su odgovorni za izradu i uređivanje dokumenta.
Časopis Communication Medicine zahvaljuje Carolyn McGregor, Fabiu Moraesu i Adityi Borakatiju na njihovom doprinosu u pregledu ovog rada.
Vrijeme objave: 19. veljače 2024.