Děkujeme za návštěvu Nature.com. Verze prohlížeče, kterou používáte, má omezenou podporu CSS. Pro dosažení nejlepších výsledků doporučujeme použít novější verzi vašeho prohlížeče (nebo vypíná režim kompatibility v Internet Explorer). Mezitím, abychom zajistili pokračující podporu, zobrazujeme web bez stylu nebo JavaScriptu.
Aplikace klinické umělé inteligence (AI) rychle rostou, ale stávající osnovy lékařské školy nabízejí omezenou výuku pokrývající tuto oblast. Zde popisujeme kurz umělé inteligence, který jsme vyvinuli a dodávali kanadským studentům medicíny a vydávali doporučení pro budoucí školení.
Umělá inteligence (AI) v medicíně může zlepšit účinnost na pracovišti a pomoci klinickému rozhodování. Aby lékaři bezpečně řídili používání umělé inteligence, musí mít určité pochopení umělé inteligence. Mnoho komentářů obhajuje výuku AI konceptů1, jako je vysvětlení modelů AI a ověřovacích procesů2. Bylo však provedeno jen málo strukturovaných plánů, zejména na národní úrovni. Pinto Dos Santos et al.3. 263 studentů medicíny bylo zkoumáno a 71% souhlasilo s tím, že potřebují školení v umělé inteligenci. Výuka umělé inteligence lékařskému publiku vyžaduje pečlivý design, který kombinuje technické a netechnické koncepty pro studenty, kteří mají často rozsáhlé předchozí znalosti. Popisujeme naše zkušenosti s doručováním řady workshopů AI třem skupinám studentů medicíny a doporučení pro budoucí lékařské vzdělávání v AI.
Náš pěttýdenní úvod do umělé inteligence v medicíně semináře pro studenty medicíny se konal třikrát od února 2019 do dubna 2021. Rozvrh pro každý workshop s krátkým popisem změn kurzu je uveden na obrázku 1. Náš kurz má. Tři primární cíle učení: Studenti chápou, jak jsou data zpracovávána v aplikacích umělé inteligence, analyzujte literaturu o umělé inteligenci pro klinické aplikace a využívají příležitosti ke spolupráci s inženýry rozvíjejícími umělou inteligenci.
Blue je téma přednášky a světle modrá je interaktivní doba otázky a odpovědi. Šedá část je zaměřena na krátkou přehled literatury. Oranžové sekce jsou vybrány případové studie, které popisují modely nebo techniky umělé inteligence. Green je programovací kurz s průvodcem navrženým tak, aby učil umělou inteligenci k řešení klinických problémů a vyhodnocení modelů. Obsah a trvání workshopů se liší v závislosti na posouzení potřeb studentů.
První workshop se konal na University of British Columbia od února do dubna 2019 a všech 8 účastníků poskytlo pozitivní zpětnou vazbu4. Kvůli Covid-19 se druhý workshop konal prakticky v říjnu-listopadu 2020, s 222 studenty medicíny a 3 obyvateli z 8 kanadských lékařských škol. Prezentační snímky a kód byly nahrány na web s otevřeným přístupem (http://ubcaimed.github.io). Klíčovou zpětnou vazbou z první iterace bylo, že přednášky byly příliš intenzivní a materiál příliš teoretický. Sloužit šest různých časových pásů Kanady představuje další výzvy. Druhý workshop tedy zkrátil každou relaci na 1 hodinu, zjednodušil materiál kurzu, přidal další případové studie a vytvořil programy kotlů, které účastníkům umožnily dokončit úryvky kódu s minimálním laděním (rámeček 1). Klíčová zpětná vazba z druhé iterace zahrnovala pozitivní zpětnou vazbu k programovacím cvičením a žádost o prokázání plánování projektu strojového učení. Proto jsme v našem třetím semináři, který se konal prakticky pro 126 studentů medicíny v březnu-duben 2021, jsme zahrnuli více interaktivních kódovacích cvičení a relace zpětné vazby projektů, abychom prokázali dopad používání konceptů dílny na projekty.
Analýza dat: Pole studia ve statistikách, které identifikují smysluplné vzorce v datech analýzou, zpracováním a komunikací dat.
Dolování dat: Proces identifikace a extrahování dat. V souvislosti s umělou inteligencí je to často velké, s více proměnnými pro každý vzorek.
Snížení dimenze: Proces transformace dat s mnoha jednotlivými funkcemi na méně funkcí při zachování důležitých vlastností původního souboru dat.
Charakteristiky (v kontextu umělé inteligence): měřitelné vlastnosti vzorku. Často se používá zaměnitelně s „vlastností“ nebo „proměnnou“.
Aktivační mapa gradientu: Technika používaná k interpretaci modelů umělé inteligence (zejména konvoluční neuronové sítě), které analyzují proces optimalizace poslední části sítě k identifikaci oblastí dat nebo obrázků, které jsou vysoce prediktivní.
Standardní model: Existující model AI, který byl předem vyškolen pro provádění podobných úkolů.
Testování (v souvislosti s umělou inteligencí): pozorování, jak model provádí úkol pomocí dat, s nimiž se dosud nesetkal.
Školení (v kontextu umělé inteligence): Poskytování modelu s údaji a výsledky tak, aby model upravoval své interní parametry tak, aby optimalizoval jeho schopnost provádět úkoly pomocí nových dat.
Vektor: pole dat. V strojovém učení je každý prvek pole obvykle jedinečným rysem vzorku.
Tabulka 1 uvádí nejnovější kurzy pro duben 2021, včetně cílených cílů učení pro každé téma. Tento workshop je určen pro ty nové na technické úrovni a nevyžaduje žádné matematické znalosti po prvním roce vysokoškolského lékařského titulu. Kurz byl vyvinut 6 studenty medicíny a 3 učiteli s pokročilým titulem v inženýrství. Inženýři vyvíjejí teorii umělé inteligence, aby mohli učit, a studenti medicíny se učí klinicky relevantní materiál.
Workshopy zahrnují přednášky, případové studie a řízené programování. V první přednášce jsme kontrolovali vybrané koncepty analýzy dat v biostatistice, včetně vizualizace dat, logistické regrese a srovnání popisných a indukčních statistik. Ačkoli analýza dat je základem umělé inteligence, vylučujeme témata, jako je těžba dat, testování významnosti nebo interaktivní vizualizace. Bylo to kvůli časovým omezením a také proto, že někteří vysokoškolští studenti měli předchozí školení v biostatistice a chtěli pokrýt více jedinečných témat strojového učení. Následující přednáška zavádí moderní metody a diskutuje o formulaci problému AI, výhodách a omezení modelů AI a testování modelu. Přednášky jsou doplněny literaturou a praktickým výzkumem stávajících zařízení pro umělou inteligenci. Zdůrazňujeme dovednosti potřebné k vyhodnocení účinnosti a proveditelnosti modelu k řešení klinických otázek, včetně porozumění omezením stávajících zařízení umělé inteligence. Například jsme požádali studenty, aby interpretovali pokyny pro poranění hlavy pediatrické hlavy navržené Kupperman et al., 5, které implementovaly algoritmus stromu umělé inteligence, aby určili, zda by CT skenování bylo užitečné na základě vyšetření lékaře. Zdůrazňujeme, že se jedná o běžný příklad AI poskytující prediktivní analytiku pro lékaře, aby mohli interpretovat, spíše než nahrazení lékařů.
V dostupných příkladech programování bootstrap s otevřeným zdrojovým kódem (https://github.com/ubcaimed/ubcaimed.github.io/tree/Master/Programming_examples), demonstrujeme, jak provádět analýzu průzkumných dat, snížení rozměrů, standardní zatížení modelu a školení a trénink a trénink a školení . a testování. Používáme notebooky Google Colaboratory (Google LLC, Mountain View, CA), které umožňují provádět Python kód z webového prohlížeče. Na obr. Obrázek 2 uvádí příklad programovacího cvičení. Toto cvičení zahrnuje predikci malignit pomocí Wisconsin Open Breast Imaging DataSet6 a algoritmus rozhodovacího stromu.
Předkládají programy po celý týden o souvisejících tématech a vyberte příklady z publikovaných aplikací AI. Programovací prvky jsou zahrnuty pouze tehdy, pokud jsou považovány za relevantní pro poskytování vhledu do budoucí klinické praxe, například jak hodnotit modely, aby se určilo, zda jsou připraveny k použití v klinických studiích. Tyto příklady vyvrcholily plnohodnotnou aplikací end-to-end, která klasifikuje nádory jako benigní nebo maligní na základě parametrů lékařského obrazu.
Heterogenita předchozích znalostí. Naši účastníci se lišili na úrovni matematických znalostí. Například studenti s pokročilým inženýrským zázemím hledají podrobnější materiál, například jak provádět vlastní Fourierovy transformace. Diskuse o Fourierově algoritmu ve třídě však není možné, protože vyžaduje hloubkovou znalost zpracování signálu.
Odtok docházky. Účast na následných setkáních klesla, zejména v online formátech. Řešením může být sledování účasti a poskytnutí osvědčení o dokončení. Je známo, že lékařské školy uznávají přepisy mimoškolních akademických aktivit studentů, které mohou studenty povzbudit, aby se starali o titul.
Konstrukce kurzu: Protože AI zahrnuje tolik subfieldů, může být výběr základních konceptů vhodné hloubky a šířky. Důležitým tématem je například kontinuita používání nástrojů AI z laboratoře na kliniku. I když pokrýváme předběžné zpracování dat, budování modelů a ověření, nezahrnujeme témata, jako je analýza velkých dat, interaktivní vizualizace nebo provádění klinických hodnocení AI, místo toho se zaměřujeme na nejunikátnější koncepty AI. Naším hlavním principem je zlepšit gramotnost, nikoli dovednosti. Například pochopení toho, jak model zpracovává vstupní funkce, je důležité pro interpretabilitu. Jedním ze způsobů, jak toho dosáhnout, je použít aktivační mapy gradientu, které mohou vizualizovat, které oblasti dat jsou předvídatelné. To však vyžaduje multivariační počet a nelze jej zavést8. Vývoj společné terminologie byl náročný, protože jsme se snažili vysvětlit, jak pracovat s daty jako vektory bez matematického formalismu. Všimněte si, že různé pojmy mají stejný význam, například v epidemiologii, „charakteristika“ je popsána jako „proměnná“ nebo „atribut“.
Udržování znalostí. Protože aplikace AI je omezená, je třeba vidět, do jaké míry si účastníci uchovávají znalosti. Osnovy lékařské školy se často spoléhají na rozmístěné opakování, aby posílily znalosti během praktických rotací, 9, které lze také aplikovat na vzdělávání AI.
Profesionalita je důležitější než gramotnost. Hloubka materiálu je navržena bez matematické přísnosti, což byl problém při zahájení klinických kurzů v umělé inteligenci. V příkladech programování používáme program šablony, který umožňuje účastníkům vyplňovat pole a spustit software, aniž by museli přijít na to, jak nastavit kompletní programovací prostředí.
Obavy týkající se umělé inteligence se zabývají: existuje rozsáhlé obavy, že umělá inteligence by mohla nahradit některé klinické povinnosti3. K vyřešení tohoto problému vysvětlujeme omezení AI, včetně skutečnosti, že téměř všechny technologie AI schválené regulačními orgány vyžadují dohled lékaře111. Zdůrazňujeme také důležitost zkreslení, protože algoritmy jsou náchylné k zaujatosti, zejména pokud sada dat není rozmanitá12. V důsledku toho může být určitá podskupina modelována nesprávně, což vede k nespravedlivým klinickým rozhodnutím.
Zdroje jsou veřejně dostupné: Vytvořili jsme veřejně dostupné zdroje, včetně přednášek a kódu. Přestože je přístup k synchronním obsahu omezený kvůli časovým pásmům, obsah s otevřeným zdrojovým kódem je vhodnou metodou pro asynchronní učení, protože odborné znalosti AI nejsou k dispozici na všech lékařských fakultách.
Interdisciplinární spolupráce: Tento workshop je společný podnik iniciovaný studenty medicíny při plánování kurzů spolu s inženýry. To prokazuje příležitosti pro spolupráci a mezery v znalostech v obou oblastech, což účastníkům umožňuje pochopit potenciální roli, kterou mohou v budoucnu přispět.
Definujte základní kompetence AI. Definování seznamu kompetencí poskytuje standardizovanou strukturu, kterou lze integrovat do stávajících lékařských učebních osnov založených na kompetencích. Tento workshop v současné době používá vzdělávací objektivní úrovně 2 (porozumění), 3 (aplikace) a 4 (analýza) Bloomovy taxonomie. Mít zdroje na vyšší úrovni klasifikace, jako je vytváření projektů, může dále posílit znalosti. To vyžaduje spolupráci s klinickými odborníky, aby se určila, jak lze témata AI aplikovat na klinické pracovní postupy a zabránit výuce opakujících se témat, která již byla zahrnuta do standardních lékařských učebních osnov.
Vytvořte případové studie pomocí AI. Podobně jako u klinických příkladů může učení založené na případech posílit abstraktní koncepty zdůrazněním jejich relevance pro klinické otázky. Například jedna studie Workshopu analyzovala systém detekce diabetické retinopatie založený na AI založeným na Google, aby se identifikovaly výzvy podél cesty od laboratoře na kliniku, jako jsou požadavky na externí validaci a regulační schválení.
Použití zážitkového učení: Technické dovednosti vyžadují zaměřenou praxi a opakované aplikace, aby zvládli, podobně jako rotující zkušenosti s učením klinických stážistů. Jedním potenciálním řešením je převrácený model učebny, o kterém bylo hlášeno, že zlepšuje udržení znalostí ve inženýrském vzdělávání14. V tomto modelu studenti kontrolují teoretický materiál nezávisle a třídní čas se věnuje řešení problémů prostřednictvím případových studií.
Měřítko pro multidisciplinární účastníky: Představujeme si přijetí AI zahrnující spolupráci napříč několika obory, včetně lékařů a spojeneckých zdravotnických pracovníků s různou úrovní školení. Proto je třeba po konzultaci s fakultou z různých oddělení vyvinout učební osnovy, aby se jejich obsah přizpůsobil různým oblastem zdravotní péče.
Umělá inteligence je high-tech a její hlavní koncepty souvisejí s matematikou a informatikou. Školení zdravotnických pracovníků k pochopení umělé inteligence představuje jedinečné výzvy při výběru obsahu, klinické relevanci a metodách doručování. Doufáme, že poznatky získané z AI ve vzdělávacích seminářích pomohou budoucím pedagogům přijmout inovativní způsoby integrace AI do lékařského vzdělávání.
Skript Google Colaboratory Python je open source a je k dispozici na adrese: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG a Khan, S. Přehodnocení lékařského vzdělávání: Volání k akci. Akkad. lék. 88, 1407–1410 (2013).
McCoy, LG atd. Co skutečně potřebují studenti medicíny vědět o umělé inteligenci? NPZH čísla. Medicine 3, 1–3 (2020).
Dos Santos, DP, et al. Postoje studentů medicíny k umělé inteligenci: multicentrické průzkum. EURO. záření. 29, 1640–1646 (2019).
Fan, KY, Hu, R. a Singla, R. Úvod do strojového učení pro studenty medicíny: pilotní projekt. J. Med. učit. 54, 1042–1043 (2020).
Cooperman N, et al. Identifikace dětí s velmi nízkým rizikem klinicky významného poškození mozku po poranění hlavy: prospektivní kohortová studie. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH a Mangasarian, ol. Extrakce jaderných prvků pro diagnostiku nádoru prsu. Biomedicínská věda. Zpracování obrazu. Biomedicínská věda. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. a Peng, L. Jak vyvinout modely strojového učení pro zdravotní péči. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-Cam: Vizuální interpretace hlubokých sítí prostřednictvím lokalizace založené na gradientu. Sborník mezinárodní konference IEEE o počítačové vizi, 618–626 (2017).
Kumaravel B, Stewart K a Ilic D. Vývoj a hodnocení spirálového modelu pro hodnocení kompetencí medicíny založené na důkazech pomocí OSCE v vysokoškolském lékařském vzdělávání. BMK Medicine. učit. 21, 1–9 (2021).
Kolachalama VB a Garg PS Machine Learning and Medical Education. NPZH čísla. lék. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. a De Rooy, M. Umělá inteligence v radiologii: 100 komerčních produktů a jejich vědecké důkazy. EURO. záření. 31, 3797–3804 (2021).
Topol, EJ vysoce výkonná medicína: Konvergence lidské a umělé inteligence. Nat. lék. 25, 44–56 (2019).
Bede, E. a kol. Hodnocení systému hlubokého učení zaměřeného na člověka nasazeného na klinice pro detekci diabetické retinopatie. Sborník z konference CHI z roku 2020 o lidských faktorech ve výpočetních systémech (2020).
Kerr, B. Převrácená učebna v inženýrském vzdělávání: Recenze výzkumu. Sborník z mezinárodní konference o interaktivním spolupráci v roce 2015 (2015).
Autoři děkují Danielle Walkerovi, Timu Salcudinovi a Peter Zandstra z biomedicínského zobrazování a výzkumu umělé inteligence na University of British Columbia za podporu a financování.
RH, PP, ZH, RS a MA byly zodpovědné za vývoj obsahu dílny. RH a PP byli zodpovědní za vývoj příkladů programování. KYF, OY, MT a PW byly zodpovědné za logistickou organizaci projektu a analýzu workshopů. RH, OY, MT, RS byly zodpovědné za vytváření postav a tabulek. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS byly zodpovědné za přípravu a úpravu dokumentu.
Komunikační medicína děkuje Carolyn McGregor, Fabio Moraes a Aditya Borakati za jejich příspěvky k přezkumu této práce.
Čas příspěvku: únor-19-2024