Köszönjük, hogy meglátogatta a nature.com webhelyet. A használt böngésző verziója korlátozott CSS -támogatással rendelkezik. A legjobb eredmény elérése érdekében javasoljuk, hogy használja a böngésző újabb verzióját (vagy kikapcsolja a kompatibilitási módot az Internet Explorerben). Időközben a folyamatos támogatás biztosítása érdekében a webhelyet stílus vagy javascript nélkül mutatjuk be.
A klinikai mesterséges intelligencia (AI) alkalmazása gyorsan növekszik, de a meglévő orvosi iskolai tantervek korlátozott tanítást kínálnak ezen a területen. Itt írjuk le egy mesterséges hírszerző képzést, amelyet kifejlesztettünk és átadtunk a kanadai orvostanhallgatóknak, és ajánlásokat fogalmazunk meg a jövőbeli képzésre.
A mesterséges intelligencia (AI) az orvostudományban javíthatja a munkahelyi hatékonyságot és segítheti a klinikai döntéshozatalt. A mesterséges intelligencia használatának biztonságos irányításához az orvosoknak megérteniük kell a mesterséges intelligenciát. Számos hozzászólás támogatja az AI Concepts1 tanítását, például az AI modellek és az ellenőrzési folyamatok magyarázata2. Kevés strukturált tervet hajtottak végre, különösen nemzeti szinten. Pinto dos Santos et al.3. 263 orvostanhallgatót vizsgáltak fel, és 71% -uk egyetértett abban, hogy mesterséges intelligencia képzésre van szükségük. A mesterséges intelligencia tanítása az orvosi közönség számára gondos kialakítást igényel, amely ötvözi a technikai és nem műszaki fogalmakat azoknak a hallgatóknak, akik gyakran széles körű előzetes ismeretekkel rendelkeznek. Leírjuk tapasztalatainkat, hogy az AI műhelyek sorozatát átadjuk három orvostanhallgató -csoportnak, és ajánlásokat teszünk az AI jövőbeli orvosi oktatására.
Öt hetes bevezetésünket az orvostudományi hallgatók számára a Mesterséges Intelligencia-Intelligencia 2019. február és 2021 április között háromszor tartottuk. Az egyes műhelyek ütemtervét, a kurzus változásainak rövid leírásával, az 1. ábrán látható. Három elsődleges tanulási célkitűzés: A hallgatók megértik, hogy az adatok hogyan dolgoznak fel a mesterséges intelligencia alkalmazásokban, elemezzék a klinikai alkalmazások mesterséges intelligencia irodalmát, és kihasználják a lehetőséget, hogy együttműködjenek a mesterséges intelligencia kidolgozó mérnökeivel.
A kék az előadás témája, és a világoskék az interaktív kérdés és válaszidőszak. A szürke szakasz a rövid irodalmi áttekintés fókuszában. A narancssárga szakaszok kiválasztott esettanulmányok, amelyek leírják a mesterséges intelligencia modelleket vagy technikákat. A Green egy irányított programozási kurzus, amelynek célja a mesterséges intelligencia tanítása a klinikai problémák megoldására és a modellek értékelésére. A műhelyek tartalma és időtartama a hallgatói igények értékelésétől függően változhat.
Az első workshopot a British Columbia Egyetemen tartották 2019. február és április között, és mind a 8 résztvevő pozitív visszajelzést adott. A COVID-19 miatt a második műhelyt gyakorlatilag 2020 októberében tartották, 222 orvostanhallgatóval és 3 kanadai orvosi iskolából származó 3 lakossal. A prezentációs diákat és a kódot feltöltötték egy nyílt hozzáférési webhelyre (http://ubcaimed.github.io). Az első iterációból származó legfontosabb visszajelzés az volt, hogy az előadások túl intenzívek voltak, és az anyag is elméleti. Kanada hat különböző időzónájának kiszolgálása további kihívásokat jelent. Így a második műhely az egyes üléseket 1 órára rövidítette, egyszerűsítette a kurzus anyagát, további esettanulmányokat adott hozzá, és kazánlapprogramokat készített, amelyek lehetővé tették a résztvevők számára, hogy minimális hibakereséssel (1. rovat) kitöltsék a kódrészleteket. A második iterációból származó kulcsfontosságú visszajelzések tartalmaztak pozitív visszajelzéseket a programozási gyakorlatokról és a gépi tanulási projekt tervezésének bemutatására. Ezért a harmadik műhelyünkben, amelyet 2021 március-áprilisban gyakorlatilag 126 orvostanhallgató számára tartottak, több interaktív kódolási gyakorlatot és projekt-visszacsatolási üléseket is beépítettünk a műhely fogalmainak a projektekre gyakorolt hatásainak bemutatására.
Adatelemzés: A statisztikák tanulmányi területe, amely az adatminták elemzésével, feldolgozásával és kommunikációjával azonosítja az adatok értelmes mintáit.
Adatbányászat: Az adatok azonosításának és kinyerésének folyamata. A mesterséges intelligencia összefüggésében ez gyakran nagy, minden mintához több változóval rendelkezik.
Dimenzió csökkentése: Az adatok sok egyedi tulajdonsággal történő átalakításának folyamata kevesebb tulajdonságra, miközben megőrzi az eredeti adatkészlet fontos tulajdonságait.
Jellemzők (a mesterséges intelligencia összefüggésében): A minta mérhető tulajdonságai. Gyakran felcserélhetően használják a „tulajdonság” vagy a „változó” segítségével.
Gradiens aktiválási térkép: A mesterséges intelligencia modellek (különösen a konvolúciós neurális hálózatok) értelmezésére szolgáló technika, amely elemzi a hálózat utolsó részének optimalizálásának folyamatát, hogy azonosítsa az adat- vagy kép régióit, amelyek nagyon prediktívak.
Szabványos modell: egy meglévő AI modell, amelyet előzetesen képzettek hasonló feladatok elvégzésére.
Tesztelés (a mesterséges intelligencia összefüggésében): Megfigyelés, hogy egy modell hogyan hajt végre egy feladatot olyan adatok felhasználásával, amelyekkel még nem találkozott.
Képzés (a mesterséges intelligencia összefüggésében): Modell megadása az adatokkal és az eredményekkel úgy, hogy a modell beállítsa belső paramétereit, hogy optimalizálja a feladatok elvégzésének képességét új adatok felhasználásával.
Vektor: Az adatok tömbje. A gépi tanulásban az egyes tömb elemek általában a minta egyedi tulajdonsága.
Az 1. táblázat felsorolja a 2021 áprilisi legfrissebb kurzusokat, beleértve az egyes témák célzott tanulási célkitűzéseit. Ezt a műhelyt a műszaki szinten újaknak szánták, és nem igényelnek matematikai ismereteket az egyetemi diploma első évének első évében. A kurzust 6 orvostanhallgató és 3 fejlett végzettséggel rendelkező tanár fejlesztette ki. A mérnökök mesterséges intelligencia elméletet fejlesztenek ki a tanításhoz, és az orvostanhallgatók klinikailag releváns anyagot tanulnak.
A műhelyek közé tartozik az előadások, esettanulmányok és irányított programozás. Az első előadásban áttekintjük az adatok elemzésének kiválasztott fogalmait a biostatisztikában, ideértve az adatok megjelenítését, a logisztikus regressziót, valamint a leíró és induktív statisztikák összehasonlítását. Noha az adatok elemzése a mesterséges intelligencia alapja, kizárjuk azokat a témákat, mint az adatbányászat, a szignifikancia tesztelés vagy az interaktív megjelenítés. Ennek oka az időkorlátozások, és azért is, mert néhány egyetemi hallgató korábbi biostatisztikai képzést folytatott, és egyedi gépi tanulási témákat akartak lefedni. A későbbi előadás bemutatja a modern módszereket, és megvitatja az AI problémak megfogalmazását, az AI modellek előnyeit és korlátait, valamint a modellvizsgálatot. Az előadásokat az irodalom és a meglévő mesterséges intelligencia eszközök gyakorlati kutatása egészíti ki. Hangsúlyozzuk azokat a készségeket, amelyek szükségesek a modell hatékonyságának és megvalósíthatóságának értékeléséhez a klinikai kérdések kezelésére, ideértve a meglévő mesterséges intelligencia -eszközök korlátozásainak megértését. Például arra kértük a hallgatókat, hogy értelmezzék a Kupperman et al., 5 által javasolt gyermekgyógyászati sérülési iránymutatásokat, amelyek mesterséges intelligencia döntési fa algoritmust hajtottak végre annak meghatározására, hogy a CT -vizsgálat hasznos -e az orvos vizsgálata alapján. Hangsúlyozzuk, hogy ez egy általános példa arra, hogy az AI prediktív elemzést nyújt az orvosok értelmezéséhez, ahelyett, hogy az orvosokat helyettesíti.
A rendelkezésre álló nyílt forráskódú bootstrap programozási példákban (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) bemutatjuk, hogyan kell elvégezni a feltáró adatok elemzését, a dimenzió csökkentését, a standard modell betöltését és az edzést. - és a tesztelés. A Google Colaboratory Notebooks -ot (Google LLC, Mountain View, CA) használjuk, amelyek lehetővé teszik a Python -kód végrehajtását egy böngészőből. A 2. ábrán bemutatja a programozási gyakorlat példáját. Ez a gyakorlat magában foglalja a rosszindulatú daganatok előrejelzését a Wisconsin Open Mell Imaging DataSet6 és a döntési fa algoritmus felhasználásával.
Bemutatja a programokat a hét folyamán a kapcsolódó témákban, és válasszon példákat a közzétett AI alkalmazásokból. A programozási elemek csak akkor szerepelnek, ha relevánsak a jövőbeli klinikai gyakorlatba való betekintéshez, például a modellek értékeléséhez annak meghatározása érdekében, hogy készen állnak -e a klinikai vizsgálatokban való felhasználásra. Ezek a példák egy teljes értékű, teljes körű alkalmazásba kerülnek, amely a daganatokat jóindulatú vagy rosszindulatúnak tekinti az orvosi képparaméterek alapján.
A korábbi tudás heterogenitása. Résztvevőink a matematikai ismeretek szintjén változtak. Például a fejlett műszaki háttérrel rendelkező hallgatók mélyebb anyagokat keresnek, például a saját Fourier-transzformációik végrehajtásának módját. Az osztályban a Fourier algoritmus megvitatása azonban nem lehetséges, mivel a jelfeldolgozás mélyreható ismerete szükséges.
A részvételi kiáramlás. A nyomon követési találkozókon való részvétel csökkent, különösen online formátumokban. Megoldás lehet a részvétel nyomon követése és a kitöltési igazolás biztosítása. Az orvosi iskolákról ismert, hogy elismerik a hallgatók tanórán kívüli tudományos tevékenységeinek átiratát, amely ösztönözheti a tanulókat a diploma megszerzésére.
A tanfolyam kialakítása: Mivel az AI oly sok alteret terjeszt, a megfelelő mélység és szélesség alapfogalmának kiválasztása kihívást jelenthet. Például fontos téma az AI -eszközök folytonossága a laboratóriumból a klinikába. Miközben az adatok előfeldolgozását, a modellépítést és az érvényesítést fedezzük, nem foglalunk olyan témákat, mint a Big Data Analytics, az interaktív megjelenítés vagy az AI klinikai vizsgálatok elvégzése, hanem a legegyedibb AI -koncepciókra összpontosítunk. Vezető elvünk az írástudás, nem pedig a készségek javítása. Például az értelmezhetőség szempontjából fontos annak megértése, hogy a modell hogyan folyamatok bemeneti jellemzőit. Ennek egyik módja a gradiens aktiválási térképek használata, amelyek elképzelhetik, hogy az adatok mely régiói kiszámíthatók. Ehhez azonban többváltozós számításra van szükség, és nem vezethető be8. A közös terminológia kidolgozása kihívást jelentett, mert megpróbáltuk elmagyarázni, hogyan kell az adatokkal vektorként dolgozni matematikai formalizmus nélkül. Vegye figyelembe, hogy a különböző kifejezéseknek ugyanaz a jelentése, például az epidemiológiában, egy „tulajdonságot” „változónak” vagy „attribútumnak” neveznek.
Tudásmegtartás. Mivel az AI alkalmazása korlátozott, a résztvevők megőrzésének mértéke azt, hogy az ismereteket megtartják. Az orvosi iskolai tantervek gyakran a távolsági ismétlésre támaszkodnak, hogy megerősítsék az ismereteket a gyakorlati forgás során, 9, amely szintén alkalmazható az AI oktatásra.
A professzionalizmus fontosabb, mint az írástudás. Az anyag mélységét matematikai szigor nélkül tervezték meg, ami problémát jelentett a mesterséges intelligencia klinikai kurzusok elindításakor. A programozási példákban egy sablonprogramot használunk, amely lehetővé teszi a résztvevők számára, hogy kitöltsék a mezőket és futtassák a szoftvert anélkül, hogy kitalálnunk kell a teljes programozási környezet beállítását.
A mesterséges intelligenciával kapcsolatos aggodalmak: széles körben aggodalomra ad okot, hogy a mesterséges intelligencia helyettesítheti bizonyos klinikai feladatokat3. Ennek a kérdésnek a kezelése érdekében elmagyarázzuk az AI korlátozásait, beleértve azt a tényt, hogy a szabályozók által jóváhagyott szinte minden AI technológiát igényelnek az orvosok felügyelete11. Hangsúlyozzuk azt is, hogy az elfogultság fontosságát is, mivel az algoritmusok hajlamosak az elfogultságra, különösen, ha az adatkészlet nem változatos12. Következésképpen egy bizonyos alcsoport helytelenül modellezhető, ami tisztességtelen klinikai döntésekhez vezet.
Az erőforrások nyilvánosan elérhetők: nyilvánosan elérhető erőforrásokat hoztunk létre, ideértve az előadás diákat és a kódot. Noha a szinkron tartalomhoz való hozzáférés az időzónák miatt korlátozott, a nyílt forráskódú tartalom kényelmes módszer az aszinkron tanuláshoz, mivel az AI szakértelem nem áll rendelkezésre minden orvosi iskolában.
Interdiszciplináris együttműködés: Ez a műhely egy olyan közös vállalkozás, amelyet az orvostanhallgatók kezdeményeznek a mérnökökkel együtt tanfolyamok megtervezésére. Ez bizonyítja az együttműködési lehetőségeket és a tudáshiányokat mindkét területen, lehetővé téve a résztvevők számára, hogy megértsék a jövőbeni hozzájárulási potenciális szerepet.
Határozza meg az AI alapvető kompetenciáit. A kompetenciák listájának meghatározása egy szabványosított struktúrát biztosít, amely integrálható a meglévő kompetencia-alapú orvosi tantervekbe. Ez a műhely jelenleg a Bloom taxonómiájának 2. (megértési), 3. (alkalmazás) és 4. (elemzése) tanulási objektív szintjét használja. Ha az erőforrások magasabb szintű besorolási szinten vannak, például a projektek létrehozása, tovább erősíthetik az ismereteket. Ehhez szükség van a klinikai szakértőkkel való együttműködésre annak meghatározása érdekében, hogy az AI témák hogyan alkalmazhatók a klinikai munkafolyamatokban, és megakadályozzák a szokásos orvosi tantervekben már szereplő ismétlődő témák tanítását.
Készítsen esettanulmányokat AI segítségével. A klinikai példákhoz hasonlóan az eset-alapú tanulás megerősítheti az absztrakt fogalmakat, kiemelve azok relevanciáját a klinikai kérdésekben. Például egy műhely-tanulmány elemezte a Google AI-alapú diabéteszes retinopátia-észlelési rendszerét, hogy azonosítsa a kihívásokat a laboratóriumtól a klinikáról, például a külső validálási követelményekről és a szabályozási jóváhagyási útvonalakon.
Használja a tapasztalati tanulást: A műszaki készségek fókuszált gyakorlatot és ismételt alkalmazást igényelnek a mesterképzéshez, hasonlóan a klinikai gyakornokok forgó tanulási tapasztalataihoz. Az egyik potenciális megoldás a megfordított osztálytermi modell, amelyről beszámoltak arról, hogy javítják a tudásmegtartást a mérnöki oktatásban14. Ebben a modellben a hallgatók önállóan vizsgálják át az elméleti anyagokat, és az osztályidőt esettanulmányokon keresztül a problémák megoldására fordítják.
Méretezés a multidiszciplináris résztvevők számára: Úgy gondoljuk, hogy az AI örökbefogadása több tudományágon keresztüli együttműködést érint, ideértve az orvosokat és a szövetséges egészségügyi szakembereket, akik különböző szintű képzéssel rendelkeznek. Ezért lehet, hogy a tanterveket a különböző osztályokból származó karokkal konzultálva kell kidolgozni, hogy tartalmát az egészségügyi ellátás különböző területeire szabják.
A mesterséges intelligencia a csúcstechnika, és alapfogalmai a matematikához és a számítógépes tudományhoz kapcsolódnak. Az egészségügyi személyzet képzése a mesterséges intelligencia megértése érdekében egyedi kihívásokat jelent a tartalom kiválasztása, a klinikai relevancia és a szállítási módszerek területén. Reméljük, hogy az AI -ből az oktatási műhelyekben szerzett betekintések segítenek a jövőbeli oktatóknak az innovatív módszerek felfogásában az AI integrálásában az orvosi oktatásba.
A Google Colaboratory Python szkript nyílt forráskódú és elérhető a következő címen: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG és Khan, S. Az orvosi oktatás átgondolása: cselekvési felhívás. Akkad. gyógyszer. 88, 1407–1410 (2013).
McCoy, LG stb. Mit kell tudni az orvostudományi hallgatóknak a mesterséges intelligenciáról? NPZH számok. 3, 1–3 (2020) orvostudomány.
Dos Santos, DP, et al. Az orvostanhallgatók a mesterséges intelligencia iránti attitűdje: Multicenter felmérés. EURO. sugárzás. 29, 1640–1646 (2019).
Fan, KY, Hu, R. és Singla, R. Bevezetés az orvostanhallgatók gépi tanulásához: kísérleti projekt. J. Med. tanít. 54, 1042–1043 (2020).
Cooperman N, et al. A gyermekek azonosítása a klinikailag szignifikáns agyi sérülés nagyon alacsony kockázatú fejsérülés után: prospektív kohort vizsgálat. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH és Mangasarian, Ol. Nukleáris tulajdonság extrahálás az emlődaganat diagnosztizálásához. Orvosbiológiai tudomány. Képfeldolgozás. Orvosbiológiai tudomány. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. és Peng, L. Hogyan lehet kidolgozni a gépi tanulási modelleket az egészségügyi ellátáshoz. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-CAM: A mély hálózatok vizuális értelmezése a gradiens alapú lokalizáción keresztül. Az IEEE Nemzetközi Konferencia folyóiratai, a Computer Vision -ről, 618–626 (2017).
Kumaravel B, Stewart K és Ilic D. Egy spirálmodell kidolgozása és értékelése a bizonyítékokon alapuló gyógyszerek kompetenciáinak értékelésére az EBES felhasználásával az egyetemi orvosi oktatásban. BMK gyógyszer. tanít. 21, 1–9 (2021).
Kolachalama VB és Garg PS gépi tanulás és orvosi oktatás. NPZH számok. gyógyszer. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. és De Rooy, M. A radiológia mesterséges intelligenciája: 100 kereskedelmi termék és tudományos bizonyítékuk. EURO. sugárzás. 31, 3797–3804 (2021).
Topol, EJ nagyteljesítményű gyógyszer: Az emberi és a mesterséges intelligencia konvergenciája. Nat. gyógyszer. 25, 44–56 (2019).
Bede, E. et al. A klinikán a diabéteszes retinopathia kimutatására szolgáló klinikán alkalmazott mély tanulási rendszer emberközpontú értékelése. A 2020 -as CHI konferencia folyóiratai a számítástechnikai rendszerekben (2020).
Kerr, B. A mérnöki oktatásban a megfordított osztályterem: Kutatási áttekintés. Az interaktív együttműködési tanulásról szóló 2015. évi nemzetközi konferencia folyóiratai (2015).
A szerzők köszönetet mondnak Danielle Walkernek, Tim Salcudinnak és Peter Zandstra -nak a Brit Columbia Egyetemen a Biomedical Képalkotó és Mesterséges Intelligencia Kutató Klaszteréből támogatás és finanszírozás céljából.
Az RH, PP, ZH, RS és Ma felelősek a műhely oktatási tartalmának fejlesztéséért. Az RH és a PP felelősek voltak a programozási példák kidolgozásáért. A KYF, az OY, az MT és a PW felelős a projekt logisztikai szervezetéért és a műhelyek elemzéséért. RH, OY, MT, RS volt a felelős a figurák és táblák létrehozásáért. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS volt a felelős a dokumentum elkészítéséért és szerkesztéséért.
A kommunikációs orvoslás köszönetet mond Carolyn McGregornak, Fabio Moraesnek és Aditya Borakati -nak a munka áttekintéséhez.
A postai idő: 2014. február 19.