Köszönjük, hogy felkereste a Nature.com weboldalt. Az Ön által használt böngészőverzió korlátozott CSS-támogatással rendelkezik. A legjobb eredmény elérése érdekében javasoljuk a böngésző újabb verziójának használatát (vagy a kompatibilitási mód kikapcsolását az Internet Explorerben). Időközben a folyamatos támogatás biztosítása érdekében a webhelyet stílus és JavaScript nélkül jelenítjük meg.
A klinikai mesterséges intelligencia (MI) alkalmazásai gyorsan terjednek, de a meglévő orvosi egyetemi tantervek korlátozott mértékben fedik le ezt a területet. Itt egy általunk kidolgozott és kanadai orvostanhallgatóknak nyújtott mesterséges intelligencia képzést ismertetünk, és ajánlásokat teszünk a jövőbeli képzésekre vonatkozóan.
A mesterséges intelligencia (MI) az orvostudományban javíthatja a munkahelyi hatékonyságot és segítheti a klinikai döntéshozatalt. A mesterséges intelligencia biztonságos használatának irányításához az orvosoknak rendelkezniük kell bizonyos ismeretekkel a mesterséges intelligenciáról. Számos hozzászólás javasolja a MI-fogalmak1 oktatását, például a MI-modellek és -ellenőrzési folyamatok2 magyarázatát. Azonban kevés strukturált terv valósult meg, különösen országos szinten. Pinto dos Santos és munkatársai3. 263 orvostanhallgatót kérdeztek meg, és 71%-uk egyetértett abban, hogy mesterséges intelligencia képzésre van szükségük. A mesterséges intelligencia orvosi közönségnek történő oktatása gondos tervezést igényel, amely ötvözi a technikai és nem technikai fogalmakat a gyakran széleskörű előzetes ismeretekkel rendelkező hallgatók számára. Leírjuk tapasztalatainkat, amelyeket egy sor orvostanhallgatói csoportnak tartottunk MI-workshopok lebonyolításával, és ajánlásokat teszünk a jövőbeli MI-vel kapcsolatos orvosi oktatásra vonatkozóan.
Öthetes, orvostanhallgatóknak szóló „Bevezetés a mesterséges intelligenciába az orvostudományban” című műhelyfoglalkozásunkat három alkalommal tartottuk 2019 februárja és 2021 áprilisa között. Az egyes műhelyek ütemtervét, a kurzust érintő változások rövid leírásával együtt, az 1. ábra mutatja. Kurzusunknak három fő tanulási célja van: a hallgatók megértik, hogyan dolgozzák fel az adatokat a mesterséges intelligencia alkalmazásokban, elemzik a mesterséges intelligenciával kapcsolatos szakirodalmat a klinikai alkalmazások szempontjából, és kihasználják a mesterséges intelligenciát fejlesztő mérnökökkel való együttműködés lehetőségeit.
A kék az előadás témáját, a világoskék pedig az interaktív kérdés-felelek részt jelöli. A szürke rész a rövid irodalmi áttekintés fókuszában áll. A narancssárga részek válogatott esettanulmányok, amelyek mesterséges intelligencia modelleket vagy technikákat írnak le. A zöld egy irányított programozási kurzus, amelynek célja, hogy megtanítsa a mesterséges intelligenciát klinikai problémák megoldására és modellek értékelésére. A workshopok tartalma és időtartama a hallgatók igényeinek felmérésétől függően változik.
Az első workshopot a Brit Columbiai Egyetemen tartották 2019 februárja és áprilisa között, és mind a 8 résztvevő pozitív visszajelzést adott4. A COVID-19 miatt a második workshopra virtuálisan került sor 2020 októberében-novemberében, amelyre 222 orvostanhallgató és 3 rezidens regisztrált 8 kanadai orvosi egyetemről. A prezentációs diákat és a kódot feltöltötték egy nyílt hozzáférésű oldalra (http://ubcaimed.github.io). Az első alkalommal adott fő visszajelzés az volt, hogy az előadások túl intenzívek, az anyag pedig túl elméleti jellegű volt. Kanada hat különböző időzónájának kiszolgálása további kihívásokat jelent. Ezért a második workshopon minden alkalmat 1 órára lerövidítettek, leegyszerűsítették a tananyagot, több esettanulmányt adtak hozzá, és olyan sablonprogramokat hoztak létre, amelyek lehetővé tették a résztvevők számára, hogy minimális hibakereséssel fejezzenek be kódrészleteket (1. doboz). A második alkalommal adott fő visszajelzések között szerepelt a programozási gyakorlatokra adott pozitív visszajelzés, valamint egy gépi tanulási projekt tervezésének bemutatására irányuló kérés. Ezért a harmadik workshopunkon, amelyet 2021 márciusában és áprilisában 126 orvostanhallgató számára tartottunk virtuálisan, interaktívabb kódolási gyakorlatokat és projekt-visszajelzési üléseket is beiktattunk, hogy bemutassuk a workshop koncepcióinak projektekre gyakorolt hatását.
Adatelemzés: A statisztika azon tudományterülete, amely az adatokban található értelmes mintázatokat azonosítja az adatminták elemzése, feldolgozása és kommunikációja révén.
Adatbányászat: az adatok azonosításának és kinyerésének folyamata. A mesterséges intelligencia kontextusában ez gyakran nagy, és minden mintához több változó tartozik.
Dimenziócsökkentés: Az a folyamat, amelynek során sok egyedi jellemzővel rendelkező adatot kevesebb jellemzővé alakítunk át, miközben megőrizzük az eredeti adatkészlet fontos tulajdonságait.
Jellemzők (mesterséges intelligencia kontextusában): egy minta mérhető tulajdonságai. Gyakran felcserélhetően használják a „tulajdonság” vagy a „változó” kifejezésekkel.
Gradiens Aktivációs Térkép: A mesterséges intelligencia modellek (különösen a konvolúciós neurális hálózatok) értelmezésére használt technika, amely elemzi a hálózat utolsó részének optimalizálási folyamatát, hogy azonosítsa az adatok vagy képek azon régióit, amelyek nagy prediktív képességgel rendelkeznek.
Standard modell: Egy meglévő MI-modell, amelyet előre betanítottak hasonló feladatok elvégzésére.
Tesztelés (mesterséges intelligencia kontextusában): annak megfigyelése, hogy egy modell hogyan hajt végre egy feladatot olyan adatok felhasználásával, amelyekkel korábban még nem találkozott.
Betanítás (mesterséges intelligencia kontextusában): Modell biztosítása adatokkal és eredményekkel, hogy a modell a belső paramétereit úgy módosítsa, hogy optimalizálja a feladatok új adatok felhasználásával történő végrehajtásának képességét.
Vektor: adattömb. A gépi tanulásban minden tömbelem általában a minta egyedi jellemzője.
Az 1. táblázat felsorolja a 2021 áprilisára vonatkozó legújabb kurzusokat, beleértve az egyes témákhoz tartozó célzott tanulási célokat is. Ez a workshop a műszaki szinten újoncok számára készült, és az orvosi alapképzés első évén túl semmilyen matematikai ismeretet nem igényel. A kurzust 6 orvostanhallgató és 3 felsőfokú mérnöki diplomával rendelkező tanár fejlesztette ki. A mérnökök mesterséges intelligencia elméletet fejlesztenek az oktatáshoz, az orvostanhallgatók pedig klinikailag releváns anyagokat tanulnak.
A workshopok előadásokat, esettanulmányokat és irányított programozást tartalmaznak. Az első előadáson áttekintjük a biostatisztika adatelemzésének kiválasztott koncepcióit, beleértve az adatvizualizációt, a logisztikus regressziót, valamint a leíró és induktív statisztika összehasonlítását. Bár az adatelemzés a mesterséges intelligencia alapja, kizárunk olyan témákat, mint az adatbányászat, a szignifikanciavizsgálat vagy az interaktív vizualizáció. Erre az időbeli korlátok, valamint az a tény miatt volt szükség, hogy egyes egyetemi hallgatók előzetesen képzettek a biostatisztikai területen, és egyedibb gépi tanulási témákat szerettek volna lefedni. A következő előadás bemutatja a modern módszereket, és tárgyalja a mesterséges intelligencia problémamegfogalmazását, a mesterséges intelligencia modellek előnyeit és korlátait, valamint a modell tesztelését. Az előadásokat a meglévő mesterséges intelligencia eszközökkel kapcsolatos szakirodalom és gyakorlati kutatások egészítik ki. Hangsúlyozzuk azokat a készségeket, amelyek szükségesek egy modell hatékonyságának és megvalósíthatóságának értékeléséhez a klinikai kérdések megválaszolása érdekében, beleértve a meglévő mesterséges intelligencia eszközök korlátainak megértését. Például megkértük a hallgatókat, hogy értelmezzék a Kupperman és munkatársai által javasolt gyermekgyógyászati fejsérülési irányelveket,5 amelyek egy mesterséges intelligencia döntési fa algoritmust valósítottak meg annak meghatározására, hogy egy CT-vizsgálat hasznos lenne-e egy orvosi vizsgálat alapján. Hangsúlyozzuk, hogy ez egy gyakori példa arra, hogy a mesterséges intelligencia prediktív elemzéseket nyújt az orvosok számára értelmezésre, ahelyett, hogy helyettesítené az orvosokat.
Az elérhető nyílt forráskódú bootstrap programozási példákban (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) bemutatjuk, hogyan végezhetünk feltáró adatelemzést, dimenziócsökkentést, standard modell betöltését, valamint betanítást és tesztelést. Google Colaboratory notebookokat (Google LLC, Mountain View, CA) használunk, amelyek lehetővé teszik a Python kód webböngészőből történő futtatását. A 2. ábra egy programozási gyakorlatot mutat be. Ez a gyakorlat a rosszindulatú daganatok előrejelzését foglalja magában a Wisconsin Open Breast Imaging Dataset6 és egy döntési fa algoritmus segítségével.
A hét folyamán kapcsolódó témákban bemutatott programok, és publikált MI-alkalmazásokból válogatott példák. A programozási elemek csak akkor szerepelnek, ha relevánsnak tekinthetők a jövőbeli klinikai gyakorlatba való betekintés szempontjából, például hogyan lehet a modelleket értékelni annak megállapítására, hogy alkalmasak-e klinikai vizsgálatokban való felhasználásra. Ezek a példák egy teljes értékű, végponttól végpontig terjedő alkalmazásban csúcsosodnak ki, amely az orvosi képalkotó paraméterek alapján jóindulatú vagy rosszindulatú daganatokat osztályoz.
Az előzetes tudás heterogenitása. Résztvevőink matematikai tudásszintje változatos volt. Például a haladó mérnöki háttérrel rendelkező hallgatók mélyebb ismereteket keresnek, például azt, hogyan végezzék el saját Fourier-transzformációikat. A Fourier-algoritmus órán történő megvitatása azonban nem lehetséges, mivel ehhez mélyreható jelfeldolgozási ismeretekre van szükség.
Jelenléti elvesztés. A nyomon követő megbeszéléseken való részvétel csökkent, különösen az online formátumokban. Megoldást jelenthet a részvétel nyomon követése és a kurzus elvégzését igazoló tanúsítvány kiállítása. Az orvosi egyetemekről köztudott, hogy elismerik a hallgatók tanórán kívüli tanulmányi tevékenységeinek átiratait, ami ösztönözheti a hallgatókat a diploma megszerzésére.
Kurzusfelépítés: Mivel a mesterséges intelligencia számos részterületet ölel fel, a megfelelő mélységű és szélességű alapfogalmak kiválasztása kihívást jelenthet. Például fontos téma a mesterséges intelligencia eszközök használatának folytonossága a laboratóriumtól a klinikáig. Bár lefedjük az adatok előfeldolgozását, a modellépítést és a validálást, nem foglalkozunk olyan témákkal, mint a big data elemzés, az interaktív vizualizáció vagy a mesterséges intelligencia klinikai vizsgálatainak lefolytatása, ehelyett a legegyedibb mesterséges intelligencia koncepciókra összpontosítunk. Vezérelvenk az írástudás, nem pedig a készségek fejlesztése. Például az értelmezhetőség szempontjából fontos megérteni, hogy egy modell hogyan dolgozza fel a bemeneti jellemzőket. Ennek egyik módja a gradiens aktivációs térképek használata, amelyek képesek megjeleníteni, hogy az adatok mely régiói kiszámíthatók. Ez azonban többváltozós számítást igényel, és nem vezethető be8. Egy közös terminológia kidolgozása kihívást jelentett, mert megpróbáltuk elmagyarázni, hogyan lehet az adatokkal vektorként dolgozni matematikai formalizmus nélkül. Megjegyezzük, hogy a különböző kifejezések ugyanazt jelentik, például az epidemiológiában a „jellemzőt” „változóként” vagy „attribútumként” írják le.
Tudásmegőrzés. Mivel a mesterséges intelligencia alkalmazása korlátozott, a résztvevők tudásának megőrzése még várat magára. Az orvosi egyetemek tantervei gyakran az időközönkénti ismétlésre támaszkodnak a tudás gyakorlati rotációk során történő megerősítése érdekében,9 ami a mesterséges intelligencia oktatásában is alkalmazható.
A szakmaiság fontosabb, mint a műveltség. Az anyag mélysége matematikai szigorúság nélkül lett megtervezve, ami problémát jelentett a mesterséges intelligencia klinikai kurzusainak elindításakor. A programozási példákban egy sablonprogramot használunk, amely lehetővé teszi a résztvevők számára, hogy kitöltsék a mezőket és futtassák a szoftvert anélkül, hogy kitalálniuk kellene, hogyan kell beállítani egy komplett programozási környezetet.
A mesterséges intelligenciával kapcsolatos aggodalmak kezelése: Széles körben elterjedt az aggodalom, hogy a mesterséges intelligencia felválthat bizonyos klinikai feladatokat3. Ennek a problémának a megoldása érdekében ismertetjük a mesterséges intelligencia korlátait, beleértve azt a tényt is, hogy a szabályozó hatóságok által jóváhagyott szinte összes MI-technológia orvosi felügyeletet igényel11. Hangsúlyozzuk az elfogultság fontosságát is, mivel az algoritmusok hajlamosak az elfogultságra, különösen, ha az adathalmaz nem sokszínű12. Következésképpen egy bizonyos alcsoportot helytelenül modellezhetünk, ami igazságtalan klinikai döntésekhez vezethet.
Az erőforrások nyilvánosan elérhetők: Létrehoztunk nyilvánosan elérhető erőforrásokat, beleértve az előadások diáit és a kódot. Bár a szinkron tartalmakhoz való hozzáférés korlátozott az időzónák miatt, a nyílt forráskódú tartalom kényelmes módszer az aszinkron tanulásra, mivel a mesterséges intelligencia szakértelem nem minden orvosi egyetemen érhető el.
Interdiszciplináris együttműködés: Ez a workshop egy közös vállalkozás, amelyet orvostanhallgatók kezdeményeztek, hogy mérnökökkel közösen tervezzenek kurzusokat. Ez bemutatja az együttműködési lehetőségeket és a tudásbeli hiányosságokat mindkét területen, lehetővé téve a résztvevők számára, hogy megértsék a jövőbeni lehetséges szerepüket.
Határozza meg a mesterséges intelligencia alapkompetenciáit. A kompetenciák listájának meghatározása egy szabványosított struktúrát biztosít, amely integrálható a meglévő kompetenciaalapú orvosi tantervekbe. Ez a workshop jelenleg Bloom taxonómiájának 2. (Megértés), 3. (Alkalmazás) és 4. (Elemzés) tanulási célkitűzési szintjét használja. A magasabb osztályozási szintű erőforrások, például a projektek létrehozása, tovább erősíthetik a tudást. Ehhez klinikai szakértőkkel kell együttműködni annak meghatározása érdekében, hogy a mesterséges intelligenciával kapcsolatos témák hogyan alkalmazhatók a klinikai munkafolyamatokban, és el kell kerülni a standard orvosi tantervekben már szereplő ismétlődő témák oktatását.
Esettanulmányok készítése mesterséges intelligencia segítségével. A klinikai példákhoz hasonlóan az esettanulmány-alapú tanulás is megerősítheti az absztrakt fogalmakat azáltal, hogy kiemeli azok relevanciáját a klinikai kérdésekhez. Például egy műhelytanulmány elemezte a Google mesterséges intelligencia alapú diabéteszes retinopátia felismerő rendszerét, 13 hogy azonosítsa a laboratóriumtól a klinikáig vezető út kihívásait, például a külső validációs követelményeket és a szabályozási jóváhagyási útvonalakat.
Tapasztalati tanulás alkalmazása: A műszaki készségek elsajátításához célzott gyakorlásra és ismételt alkalmazásra van szükség, hasonlóan a klinikai gyakornokok rotációs tanulási tapasztalataihoz. Az egyik lehetséges megoldás a fordított osztálytermi modell, amelyről beszámoltak, hogy javítja a tudásmegóvást a mérnökképzésben. Ebben a modellben a hallgatók önállóan tekintik át az elméleti anyagot, és az órán a problémák esettanulmányokon keresztüli megoldására kerül sor.
Több tudományágat érintő résztvevők igényeinek kielégítése: Úgy gondoljuk, hogy a mesterséges intelligencia bevezetése több tudományág együttműködését foglalja magában, beleértve a különböző képzettségi szintű orvosokat és más egészségügyi szakembereket. Ezért a tanterveket különböző tanszékek oktatóival konzultálva kell kidolgozni, hogy a tartalmukat az egészségügy különböző területeire szabhassuk.
A mesterséges intelligencia egy csúcstechnológiás ág, amelynek alapfogalmai a matematikához és a számítástechnikához kapcsolódnak. Az egészségügyi személyzet képzése a mesterséges intelligencia megértésére egyedi kihívásokat jelent a tartalomválasztás, a klinikai relevancia és a megvalósítási módszerek terén. Reméljük, hogy az oktatásban alkalmazott MI workshopokon szerzett ismeretek segítenek a jövő oktatóinak abban, hogy innovatív módszereket alkalmazzanak a mesterséges intelligencia integrálására az orvosképzésbe.
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 orvosképzés újragondolása: felhívás a cselekvésre. Akkad. Medicine. 88, 1407–1410 (2013).
McCoy, LG stb. Mit kell valójában tudniuk az orvostanhallgatóknak a mesterséges intelligenciáról? NPZh számok. Medicine 3, 1–3 (2020).
Dos Santos, DP és munkatársai. Orvostanhallgatók attitűdjei a mesterséges intelligenciával kapcsolatban: többközpontú felmérés. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R. és Singla, R. Bevezetés a gépi tanulásba orvostanhallgatók számára: egy kísérleti projekt. J. Med. Teach. 54, 1042–1043 (2020).
Cooperman N és munkatársai. Klinikailag jelentős agysérülés nagyon alacsony kockázatú gyermekek azonosítása fejsérülés után: prospektív kohorszvizsgálat. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH és Mangasarian, OL. Magjellemzők extrakciója emlődaganatok diagnosztizálására. Biomedical Science. Képfeldolgozás. Biomedical Science. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. és Peng, L. Hogyan fejlesszünk gépi tanulási modelleket az egészségügy számára. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Mély hálózatok vizuális értelmezése gradiens alapú lokalizáció segítségével. Az IEEE International Conference on Computer Vision folyóiratának anyagai, 618–626 (2017).
Kumaravel B, Stewart K és Ilic D. Spirális modell kidolgozása és értékelése a bizonyítékokon alapuló orvoslási kompetenciák értékelésére OSCE alkalmazásával az alapképzésben. BMK Medicine. Teach. 21, 1–9 (2021).
Kolachalama VB és Garg PS Gépi tanulás és orvosképzés. NPZh számok. Medicine. 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 orvoslás: az emberi és a mesterséges intelligencia konvergenciája. Nat. medicine. 25, 44–56 (2019).
Bede, E. és munkatársai. Emberközpontú értékelés egy mélytanuló rendszerről, amelyet a klinikán alkalmaznak a diabéteszes retinopátia kimutatására. A 2020-as CHI konferencia anyagai az emberi tényezőkről a számítástechnikai rendszerekben (2020).
Kerr, B. A fordított osztályterem a mérnöki képzésben: kutatási áttekintés. A 2015-ös interaktív együttműködésen alapuló tanulásról szóló nemzetközi konferencia anyagai (2015).
A szerzők köszönetet mondanak Danielle Walkernek, Tim Salcudinnak és Peter Zandstrának a Brit Columbiai Egyetem Biomedikai Képalkotó és Mesterséges Intelligencia Kutató Csoportjából a támogatásért és a finanszírozásért.
RH, PP, ZH, RS és MA voltak felelősek a workshopok tananyagának kidolgozásáért. RH és PP voltak a felelősek a programozási példák kidolgozásáért. KYF, OY, MT és PW voltak a felelősek a projekt logisztikai szervezéséért és a workshopok elemzéséért. RH, OY, MT és RS voltak felelősek az ábrák és táblázatok elkészítéséért. RH, KYF, PP, ZH, OY, MY, PW, TL, MA és RS voltak felelősek a dokumentum szerkesztéséért és megszerkesztéséért.
A Communication Medicine köszönetet mond Carolyn McGregornak, Fabio Moraesnek és Aditya Borakatinak a munka áttekintéséhez való hozzájárulásukért.
Közzététel ideje: 2024. február 19.