Köszönjük, hogy meglátogatta a Nature.com oldalt.Az Ön által használt böngészőverzió korlátozott CSS-támogatással rendelkezik.A legjobb eredmény érdekében javasoljuk, hogy használja a böngésző újabb verzióját (vagy kapcsolja ki a kompatibilitási módot az Internet Explorerben).Addig is a folyamatos támogatás érdekében a webhelyet stílus vagy JavaScript nélkül jelenítjük meg.
A klinikai mesterséges intelligencia (AI) alkalmazásai gyorsan terjednek, de a meglévő orvosi egyetemi tantervek korlátozottan kínálnak oktatást erre a területre.Itt leírunk egy mesterséges intelligencia képzési kurzust, amelyet kanadai orvostanhallgatóknak fejlesztettünk ki és tartottunk, és javaslatokat teszünk a jövőbeli képzéshez.
A mesterséges intelligencia (AI) az orvostudományban javíthatja a munkahelyi hatékonyságot és segítheti a klinikai döntéshozatalt.A mesterséges intelligencia használatának biztonságos irányításához az orvosoknak ismerniük kell a mesterséges intelligenciát.Számos megjegyzés támogatja az AI-koncepciók tanítását1, például az AI-modelleket és az ellenőrzési folyamatokat2.Azonban kevés strukturált terv valósult meg, különösen nemzeti szinten.Pinto dos Santos et al.3.263 orvostanhallgatót kérdeztek meg, és 71%-uk egyetértett azzal, hogy mesterséges intelligencia képzésre van szüksége.A mesterséges intelligencia orvosi közönség számára történő oktatása körültekintő tervezést igényel, amely ötvözi a műszaki és a nem műszaki fogalmakat a gyakran kiterjedt előzetes tudással rendelkező hallgatók számára.Leírjuk tapasztalatainkat a mesterségesintelligencia-műhelysorozat három orvostanhallgatói csoportjának megtartása során, és javaslatokat teszünk a mesterséges intelligencia jövőbeli orvosi oktatásához.
Öthetes Bevezetés a mesterséges intelligenciába az orvostudományba műhelyünk orvostanhallgatók számára háromszor került megrendezésre 2019 februárja és 2021 áprilisa között. Az 1. ábrán látható az egyes workshopok ütemterve, a kurzus változásainak rövid leírásával. három elsődleges tanulási cél: a hallgatók megértik, hogyan dolgozzák fel az adatokat a mesterséges intelligencia alkalmazásokban, elemzik a mesterséges intelligencia szakirodalmát a klinikai alkalmazásokhoz, és kihasználják a mesterséges intelligenciát fejlesztő mérnökökkel való együttműködés lehetőségeit.
A kék az előadás témája, a világoskék pedig az interaktív kérdés-felelet időszak.A rövid szakirodalmi áttekintés középpontjában a szürke rész áll.A narancssárga részek kiválasztott esettanulmányok, amelyek mesterséges intelligencia modelleket vagy technikákat írnak le.A Green egy irányított programozási tanfolyam, amelynek célja a mesterséges intelligencia oktatása klinikai problémák megoldására és modellek értékelésére.A workshopok tartalma és időtartama a tanulói igények felmérése alapján változik.
Az első workshopot a University of British Columbia-n tartották 2019 februárja és áprilisa között, és mind a 8 résztvevő pozitív visszajelzést adott4.A COVID-19 miatt gyakorlatilag 2020 október-novemberében került megrendezésre a második workshop, amelyre 222 orvostanhallgató és 3 rezidens regisztrált 8 kanadai orvosi egyetemről.A prezentációs diák és a kód feltöltve egy nyílt hozzáférésű webhelyre (http://ubcaimed.github.io).Az első iteráció legfontosabb visszajelzése az volt, hogy az előadások túl intenzívek voltak, az anyag pedig túl elméleti.Kanada hat különböző időzónájának kiszolgálása további kihívásokat jelent.Így a második workshop 1 órára lerövidítette az egyes foglalkozásokat, leegyszerűsítette a tananyagot, további esettanulmányokat adott hozzá, és olyan átfogó programokat hoztak létre, amelyek lehetővé tették a résztvevők számára, hogy minimális hibakereséssel fejezzék be a kódrészleteket (1. doboz).A második iteráció kulcsfontosságú visszajelzései között szerepelt a programozási gyakorlatokkal kapcsolatos pozitív visszajelzés, valamint egy gépi tanulási projekt tervezésének bemutatására irányuló kérés.Ezért a harmadik workshopunkon, amelyet gyakorlatilag 126 orvostanhallgatónak tartottunk 2021. március-áprilisban, több interaktív kódolási gyakorlatot és projekt-visszacsatolási ülést is beiktattunk, hogy bemutassuk a műhelykoncepciók projektekre gyakorolt hatását.
Adatelemzés: A statisztika olyan tudományterülete, amely az adatok értelmes mintázatait azonosítja az adatminták elemzésével, feldolgozásával és közlésével.
Adatbányászat: az adatok azonosításának és kinyerésének folyamata.A mesterséges intelligencia kontextusában ez gyakran nagy, minden mintához több változó tartozik.
Dimenziócsökkentés: Az a folyamat, amelynek során sok egyedi jellemzőt tartalmazó adatokat kevesebb jellemzővé alakítanak át, miközben megőrzik az eredeti adatkészlet fontos tulajdonságait.
Jellemzők (a mesterséges intelligencia keretében): a minta mérhető tulajdonságai.Gyakran felváltva használják a „tulajdonsággal” vagy a „változóval”.
Gradiens aktiválási térkép: A mesterséges intelligencia modellek (különösen a konvolúciós neurális hálózatok) értelmezésére használt technika, amely elemzi a hálózat utolsó részének optimalizálásának folyamatát, hogy azonosítsa az adatok vagy képek azon régióit, amelyek nagy prediktív képességgel rendelkeznek.
Szabványos modell: Meglévő mesterséges intelligencia modell, amelyet előzetesen kiképeztek hasonló feladatok elvégzésére.
Tesztelés (a mesterséges intelligencia keretében): annak megfigyelése, hogy egy modell hogyan hajt végre egy feladatot olyan adatok felhasználásával, amelyekkel korábban nem találkozott.
Képzés (mesterséges intelligencia keretében): Modell biztosítása adatokkal és eredményekkel, hogy a modell úgy állítsa be belső paramétereit, hogy optimalizálja a képességét az új adatok felhasználásával végzett feladatok elvégzésére.
Vektor: adattömb.A gépi tanulásban általában minden tömbelem a minta egyedi jellemzője.
Az 1. táblázat felsorolja a 2021. áprilisi legújabb kurzusokat, beleértve az egyes témakörök célzott tanulási céljait.Ez a workshop a műszaki szintet kezdőknek szól, és nem igényel matematikai ismereteket az orvosi alapképzés első évén túl.A kurzust 6 orvostanhallgató és 3 felsőfokú mérnöki végzettségű tanár dolgozta ki.A mérnökök mesterséges intelligencia-elméletet fejlesztenek oktatás céljából, az orvostanhallgatók pedig klinikailag releváns anyagokat tanulnak.
A workshopok előadásokat, esettanulmányokat és irányított programozást foglalnak magukban.Az első előadásban az adatelemzés kiválasztott fogalmait tekintjük át a biostatisztika területén, beleértve az adatvizualizációt, a logisztikus regressziót, valamint a leíró és induktív statisztikák összehasonlítását.Bár az adatelemzés a mesterséges intelligencia alapja, kizárjuk az olyan témákat, mint az adatbányászat, a szignifikanciateszt vagy az interaktív vizualizáció.Ennek oka az időbeli korlátok és az is, hogy egyes egyetemi hallgatók előzetes biostatisztikai képzésben részesültek, és egyedibb gépi tanulási témákat szerettek volna lefedni.A következő előadás bemutatja a modern módszereket, és tárgyalja az AI probléma megfogalmazását, az AI modellek előnyeit és korlátait, valamint a modelltesztelést.Az előadásokat a meglévő mesterséges intelligencia eszközökkel kapcsolatos szakirodalom és gyakorlati kutatás egészíti ki.Hangsúlyozzuk azokat a készségeket, amelyek szükségesek egy modell hatékonyságának és megvalósíthatóságának értékeléséhez a klinikai kérdések megoldására, beleértve a meglévő mesterséges intelligencia-eszközök korlátainak megértését.Például arra kértük a hallgatókat, hogy értelmezzék a Kupperman és munkatársai által javasolt gyermekkori fejsérülési irányelveket, 5 amelyek egy mesterséges intelligencia döntési fa algoritmust valósítottak meg annak meghatározására, hogy a CT-vizsgálat hasznos lenne-e az orvos vizsgálata alapján.Hangsúlyozzuk, hogy ez egy gyakori példa arra, hogy a mesterséges intelligencia prediktív elemzést biztosít az orvosok számára, hogy értelmezzék, ahelyett, hogy helyettesítenék az orvosokat.
A rendelkezésre álló nyílt forráskódú bootstrap programozási példákban (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) bemutatjuk, hogyan végezzünk feltáró adatelemzést, dimenziócsökkentést, szabványos modellbetöltést és betanítást. .és tesztelés.Google Colaboratory jegyzetfüzeteket használunk (Google LLC, Mountain View, CA), amelyek lehetővé teszik Python-kód futtatását webböngészőből.A 2. ábra egy programozási gyakorlat példáját mutatja be.Ez a gyakorlat magában foglalja a rosszindulatú daganatok előrejelzését a Wisconsin Open Breast Imaging Dataset6 és egy döntési fa algoritmus segítségével.
Mutasson be programokat a hét folyamán kapcsolódó témákban, és válasszon példákat a közzétett AI-alkalmazásokból.A programozási elemek csak akkor szerepelnek, ha relevánsnak tartják a jövőbeli klinikai gyakorlatba való betekintést, például a modellek értékelésének módját annak meghatározására, hogy készen állnak-e a klinikai vizsgálatokban való használatra.Ezek a példák egy teljes körű, teljes körű alkalmazásban csúcsosodnak ki, amely az orvosi képparaméterek alapján jóindulatúnak vagy rosszindulatúnak minősíti a daganatokat.
Az előzetes tudás heterogenitása.Résztvevőink változatos matematikai tudásszintűek voltak.A haladó mérnöki háttérrel rendelkező hallgatók például mélyebb anyagokat keresnek, például hogyan hajtsák végre saját Fourier-transzformációikat.A Fourier-algoritmus osztályonkénti tárgyalása azonban nem lehetséges, mert a jelfeldolgozás mélyreható ismerete szükséges.
Látogatói kiáramlás.Csökkent a követő üléseken való részvétel, különösen az online formátumok esetében.Megoldás lehet a jelenlét nyomon követése és a teljesítési bizonyítvány kiállítása.Az orvosi iskolákról ismert, hogy felismerik a hallgatók tanórán kívüli tanulmányi tevékenységeinek átiratait, ami arra ösztönözheti a hallgatókat, hogy diplomát szerezzenek.
Tanfolyamtervezés: Mivel a mesterséges intelligencia nagyon sok részterületet ölel fel, a megfelelő mélységű és szélességű alapkoncepciók kiválasztása kihívást jelenthet.Fontos téma például az AI-eszközök használatának folyamatossága a laboratóriumtól a klinikáig.Miközben foglalkozunk az adatok előfeldolgozásával, a modellépítéssel és az érvényesítéssel, nem foglalkozunk olyan témákkal, mint a big data elemzése, az interaktív vizualizáció vagy az AI klinikai kísérletei, ehelyett a legegyedibb AI-koncepciókra koncentrálunk.A mi vezérelvünk az írástudás fejlesztése, nem a készségek.Például az értelmezhetőség szempontjából fontos annak megértése, hogy egy modell hogyan dolgozza fel a bemeneti jellemzőket.Ennek egyik módja a gradiens aktiválási térképek használata, amelyek képesek megjeleníteni, hogy az adatok mely régiói előre jelezhetők.Ehhez azonban többváltozós számításra van szükség, és nem vezethető be8.A közös terminológia kialakítása kihívást jelentett, mert megpróbáltuk elmagyarázni, hogyan dolgozhatunk az adatokkal, mint vektorokkal matematikai formalizmus nélkül.Vegye figyelembe, hogy a különböző kifejezéseknek ugyanaz a jelentése, például az epidemiológiában a „jellemzőt” „változóként” vagy „attribútumként” írják le.
A tudás megtartása.Mivel a mesterséges intelligencia alkalmazása korlátozott, a résztvevők milyen mértékben tartják meg a tudást, még várni kell.Az orvosi iskolai tantervek gyakran támaszkodnak az időközönkénti ismétlésre, hogy megerősítsék a tudást a gyakorlati rotációk során,9 ami az AI-oktatásban is alkalmazható.
A szakmaiság fontosabb, mint a műveltség.Az anyag mélységét matematikai szigor nélkül tervezték, ami problémát okozott a mesterséges intelligencia klinikai kurzusainak elindításakor.A programozási példákban egy sablonprogramot használunk, amely lehetővé teszi a résztvevőknek, hogy kitöltsenek mezőket és futtassák a szoftvert anélkül, hogy ki kellene találniuk, hogyan állítsanak be egy teljes programozási környezetet.
A mesterséges intelligenciával kapcsolatos aggodalmakra vonatkozik: Széles körben elterjedt az aggodalom, hogy a mesterséges intelligencia helyettesíthet egyes klinikai feladatokat3.A probléma megoldása érdekében elmagyarázzuk a mesterséges intelligencia korlátait, többek között azt a tényt, hogy a szabályozó hatóságok által jóváhagyott szinte valamennyi mesterségesintelligencia-technológia orvosi felügyeletet igényel11.Hangsúlyozzuk a torzítás fontosságát is, mert az algoritmusok hajlamosak a torzításra, különösen akkor, ha az adathalmaz nem változatos12.Következésképpen előfordulhat, hogy egy bizonyos alcsoport hibásan modellezhető, ami tisztességtelen klinikai döntésekhez vezethet.
A források nyilvánosan elérhetők: Nyilvánosan elérhető forrásokat hoztunk létre, beleértve az előadásdiákat és a kódot.Bár a szinkron tartalomhoz való hozzáférés az időzónák miatt korlátozott, a nyílt forráskódú tartalom kényelmes módszer az aszinkron tanuláshoz, mivel az AI-szakértelem nem minden orvosi egyetemen érhető el.
Interdiszciplináris együttműködés: Ez a workshop egy orvostanhallgatók által kezdeményezett közös vállalkozás, hogy mérnökökkel közösen tervezzenek kurzusokat.Ez együttműködési lehetőségeket és tudásbeli hiányosságokat mutat mindkét területen, lehetővé téve a résztvevők számára, hogy megértsék, milyen potenciális szerepet játszhatnak a jövőben.
Határozza meg az AI alapvető kompetenciáit.A kompetenciák listájának meghatározása szabványosított struktúrát biztosít, amely integrálható a meglévő kompetencia alapú orvosi tantervekbe.Ez a műhely jelenleg a Bloom-féle taxonómia 2. (megértés), 3. (alkalmazás) és 4. (analízis) tanulási célkitűzés szintjét használja.A magasabb osztályozási szintű erőforrások, például projektek létrehozása tovább erősítheti a tudást.Ehhez klinikai szakértőkkel való együttműködésre van szükség annak meghatározására, hogy a mesterséges intelligencia témakörei hogyan alkalmazhatók a klinikai munkafolyamatokra, és meg kell akadályozni a szokásos orvosi tantervekben már szereplő ismétlődő témák tanítását.
Készítsen esettanulmányokat mesterséges intelligencia segítségével.A klinikai példákhoz hasonlóan az esetalapú tanulás is megerősítheti az elvont fogalmakat azáltal, hogy kiemeli relevanciájukat a klinikai kérdésekben.Egy műhelytanulmány például elemezte a Google mesterséges intelligencián alapuló diabéteszes retinopátia-detektáló rendszerét 13, hogy azonosítsa a laboratóriumtól a klinikáig tartó úton felmerülő kihívásokat, például a külső validálási követelményeket és a hatósági jóváhagyási útvonalakat.
Használja a tapasztalati tanulást: A technikai készségek koncentrált gyakorlást és ismételt alkalmazást igényelnek a mesterképzéshez, hasonlóan a klinikai gyakornokok változó tanulási tapasztalataihoz.Az egyik lehetséges megoldás az átfordított osztálytermi modell, amely a jelentések szerint javítja a tudásmegtartást a mérnökképzésben14.Ebben a modellben a hallgatók önállóan nézik át az elméleti anyagot, és az órai időt a problémák esettanulmányokon keresztül történő megoldására fordítják.
Méretezés a multidiszciplináris résztvevők számára: A mesterséges intelligencia elfogadását úgy képzeljük el, hogy több szakterületen is együttműködnek, beleértve az orvosokat és a rokon egészségügyi szakembereket, akik különböző szintű képzettséggel rendelkeznek.Ezért előfordulhat, hogy a tanterveket a különböző tanszékek oktatóival egyeztetve kell kidolgozni, hogy tartalmukat az egészségügy különböző területeihez igazítsák.
A mesterséges intelligencia csúcstechnológia, és alapvető fogalmai a matematikához és a számítástechnikához kapcsolódnak.Az egészségügyi személyzet képzése a mesterséges intelligencia megértésére egyedülálló kihívásokat jelent a tartalom kiválasztásában, a klinikai relevanciában és a szállítási módszerekben.Reméljük, hogy az AI in Education műhelymunkáiból nyert meglátások segíteni fogják a jövő oktatóit abban, hogy innovatív módszereket alkalmazzanak a mesterséges intelligencia orvosi oktatásba való integrálására.
A Google Colaboratory Python szkript nyílt forráskódú, és a következő címen érhető el: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG és Khan, S. Az orvosi oktatás újragondolása: cselekvésre való felhívás.Akkad.gyógyszer.88, 1407–1410 (2013).
McCoy, LG stb. Mit kell igazán tudniuk az orvostanhallgatóknak a mesterséges intelligenciáról?NPZh számok.Medicine 3, 1–3 (2020).
Dos Santos, DP, et al.Az orvostanhallgatók hozzáállása a mesterséges intelligenciához: egy többközpontú felmérés.EURO.sugárzás.29, 1640–1646 (2019).
Fan, KY, Hu, R. és Singla, R. Bevezetés az orvostanhallgatók gépi tanulásába: kísérleti projekt.J. Med.tanít.54, 1042–1043 (2020).
Cooperman N és mtsai.Olyan gyermekek azonosítása, akiknél nagyon alacsony a klinikailag jelentős agysérülés kockázata a fejsérülés után: prospektív kohorsz vizsgálat.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH és Mangasarian, OL.Nukleáris jellemző extrakció az emlődaganat diagnosztizálásához.Orvosbiológiai Tudomány.Képfeldolgozás.Orvosbiológiai Tudomány.Weiss.1905, 861-870 (1993).
Chen, PHC, Liu, Y. és Peng, L. Hogyan fejlesszünk gépi tanulási modelleket az egészségügyben.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: Mély hálózatok vizuális értelmezése gradiens alapú lokalizáción keresztül.Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K és Ilic D. Spirálmodell kidolgozása és értékelése bizonyítékokon alapuló orvosi kompetenciák értékelésére az EBESZ felhasználásával az orvosi alapképzésben.BMK Medicina.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. Mesterséges intelligencia a radiológiában: 100 kereskedelmi termék és tudományos bizonyítékaik.EURO.sugárzás.31, 3797–3804 (2021).
Topol, EJ Nagy teljesítményű medicina: az emberi és a mesterséges intelligencia konvergenciája.Nat.gyógyszer.25, 44–56 (2019).
Bede, E. et al.A klinikán a diabéteszes retinopátia kimutatására alkalmazott mély tanulási rendszer emberközpontú értékelése.A 2020-as CHI konferencia a számítástechnikai rendszerek emberi tényezőiről (2020) anyaga.
Kerr, B. Az átfordított osztályterem a mérnökképzésben: A kutatás áttekintése.A 2015. évi interaktív együttműködésen alapuló tanulás nemzetközi konferenciájának anyaga (2015).
A szerzők köszönetet mondanak Danielle Walkernek, Tim Salcudinnak és Peter Zandstrának a British Columbia Egyetem Biomedical Imaging and Artificial Intelligence Research Cluster részlegéből a támogatásért és a finanszírozásért.
RH, PP, ZH, RS és MA volt felelős a műhelytanítási tartalom kialakításáért.A programozási példák kidolgozásáért az RH és a PP felelt.A projekt logisztikai megszervezéséért és a műhelyek elemzéséért a KYF, OY, MT és PW volt a felelős.Az ábrák és táblázatok létrehozásáért az RH, OY, MT, RS felelt.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS volt felelős a dokumentum szerkesztéséért és szerkesztéséért.
A kommunikációs orvostudomány köszönetet mond Carolyn McGregornak, Fabio Moraesnek és Aditya Borakatinak a munka áttekintésében nyújtott közreműködésükért.
Feladás időpontja: 2024.02.19