Děkujeme, že jste navštívili Nature.com.Verze prohlížeče, kterou používáte, má omezenou podporu CSS.Pro dosažení nejlepších výsledků doporučujeme používat novější verzi prohlížeče (nebo vypnout režim kompatibility v aplikaci Internet Explorer).Mezitím, abychom zajistili trvalou podporu, zobrazujeme stránky bez stylů nebo JavaScriptu.
Aplikace klinické umělé inteligence (AI) rychle rostou, ale stávající učební osnovy lékařských fakult nabízejí omezenou výuku pokrývající tuto oblast.Zde popisujeme výukový kurz umělé inteligence, který jsme vyvinuli a poskytli kanadským studentům medicíny, a poskytujeme doporučení pro budoucí výcvik.
Umělá inteligence (AI) v medicíně může zlepšit efektivitu pracoviště a pomoci klinickému rozhodování.Aby bylo možné bezpečně řídit používání umělé inteligence, musí mít lékaři nějaké znalosti o umělé inteligenci.Mnoho komentářů obhajuje výuku konceptů umělé inteligence1, jako je vysvětlení modelů umělé inteligence a ověřovacích procesů2.Bylo však realizováno jen málo strukturovaných plánů, zejména na národní úrovni.Pinto dos Santos a kol.3.Dotazováno bylo 263 studentů medicíny a 71 % souhlasilo, že potřebují školení v umělé inteligenci.Výuka umělé inteligence pro lékařské publikum vyžaduje pečlivý design, který kombinuje technické a netechnické koncepty pro studenty, kteří mají často rozsáhlé předchozí znalosti.Popisujeme naše zkušenosti s poskytováním série workshopů AI třem skupinám studentů medicíny a dáváme doporučení pro budoucí lékařské vzdělávání v AI.
Náš pětitýdenní workshop Úvod do umělé inteligence v medicíně pro studenty medicíny se konal třikrát od února 2019 do dubna 2021. Harmonogram každého workshopu se stručným popisem změn kurzu je uveden na obrázku 1. Náš kurz má tři základní učební cíle: studenti porozumí tomu, jak se data zpracovávají v aplikacích umělé inteligence, analyzují literaturu o umělé inteligenci pro klinické aplikace a využívají příležitostí ke spolupráci s inženýry vyvíjejícími umělou inteligenci.
Modrá je tématem přednášky a světle modrá je interaktivní období otázek a odpovědí.Šedá část je zaměřena na stručný přehled literatury.Oranžové části jsou vybrané případové studie, které popisují modely nebo techniky umělé inteligence.Green je řízený programovací kurz určený k výuce umělé inteligence řešit klinické problémy a vyhodnocovat modely.Obsah a délka 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 virtuálně v říjnu až listopadu 2020, přihlásilo se 222 studentů medicíny a 3 rezidenti 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.Obsluhování kanadských šesti různých časových pásem představuje další výzvy.Druhý workshop tedy zkrátil každou lekci na 1 hodinu, zjednodušil materiál kurzu, přidal další případové studie a vytvořil standardní programy, které účastníkům umožnily dokončit úryvky kódu s minimálním laděním (rámeček 1).Klíčová zpětná vazba z druhé iterace zahrnovala pozitivní zpětnou vazbu na programovací cvičení a požadavek na předvedení plánování projektu strojového učení.Proto jsme do našeho třetího workshopu, který se virtuálně konal pro 126 studentů medicíny v březnu až dubnu 2021, zařadili více interaktivních cvičení kódování a sezení se zpětnou vazbou k projektu, abychom ukázali dopad používání konceptů workshopu na projekty.
Analýza dat: Studijní obor ve statistice, který identifikuje smysluplné vzorce v datech analýzou, zpracováním a sdělováním vzorů dat.
Data mining: proces identifikace a získávání dat.V kontextu umělé inteligence je to často velké, s více proměnnými pro každý vzorek.
Redukce rozměrů: Proces transformace dat s mnoha individuálními prvky na méně prvků při zachování důležitých vlastností původního souboru dat.
Charakteristika (v kontextu umělé inteligence): měřitelné vlastnosti vzorku.Často se používá zaměnitelně s „vlastností“ nebo „proměnnou“.
Gradient Activation Map: Technika používaná k interpretaci modelů umělé inteligence (zejména konvolučních neuronových sítí), která analyzuje proces optimalizace poslední části sítě k identifikaci oblastí dat nebo obrázků, které jsou vysoce prediktivní.
Standardní model: Stávající model umělé inteligence, který byl předem vycvičen k provádění podobných úkolů.
Testování (v kontextu umělé inteligence): pozorování toho, jak model provádí úkol pomocí dat, se kterými se dosud nesetkal.
Školení (v kontextu umělé inteligence): Poskytnutí modelu daty a výsledky tak, aby model upravil své vnitřní parametry tak, aby optimalizoval svou schopnost provádět úkoly pomocí nových dat.
Vektor: pole dat.Ve strojovém učení je každý prvek pole obvykle jedinečnou vlastností vzorku.
Tabulka 1 uvádí nejnovější kurzy pro duben 2021, včetně cílených výukových cílů pro každé téma.Tento workshop je určen pro začátečníky na technické úrovni a nevyžaduje žádné matematické znalosti nad rámec prvního ročníku bakalářského studia medicíny.Kurz byl vyvinut 6 studenty medicíny a 3 učiteli s pokročilými inženýrskými tituly.Inženýři vyvíjejí teorii umělé inteligence pro výuku a studenti medicíny se učí klinicky relevantní materiál.
Workshopy zahrnují přednášky, případové studie a řízené programování.V první přednášce zopakujeme vybrané koncepty analýzy dat v biostatistike, včetně vizualizace dat, logistické regrese a srovnání deskriptivní a induktivní statistiky.Přestože je analýza dat základem umělé inteligence, vylučujeme témata jako dolování dat, testování významnosti nebo interaktivní vizualizace.Bylo to kvůli časovým omezením a také proto, že někteří vysokoškolští studenti měli předchozí školení v biostatistike a chtěli pokrýt více unikátních témat strojového učení.Následná přednáška představí moderní metody a pojednává o formulaci problémů AI, výhodách a omezeních modelů AI a testování modelů.Přednášky jsou doplněny literaturou a praktickým výzkumem existujících zařízení umělé inteligence.Klademe důraz na dovednosti potřebné k vyhodnocení účinnosti a proveditelnosti modelu pro řešení klinických otázek, včetně pochopení omezení stávajících zařízení umělé inteligence.Požádali jsme například studenty, aby interpretovali pokyny pro pediatrické poranění hlavy navržené Kuppermanem et al., 5 který implementoval algoritmus rozhodovacího stromu umělé inteligence, aby určil, zda by bylo CT vyšetření užitečné na základě vyšetření lékařem.Zdůrazňujeme, že se jedná o běžný příklad umělé inteligence, která poskytuje prediktivní analytiku, kterou mohou lékaři interpretovat, spíše než nahrazovat lékaře.
V dostupných příkladech programování bootstrap s otevřeným zdrojovým kódem (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) předvádíme, jak provádět průzkumnou analýzu dat, redukci rozměrů, načítání standardního modelu a školení. .a testování.Používáme notebooky Google Colaboratory (Google LLC, Mountain View, CA), které umožňují spouštění kódu Python z webového prohlížeče.Na obr. Obrázek 2 je příklad programovacího cvičení.Toto cvičení zahrnuje predikci malignit pomocí Wisconsin Open Breast Imaging Dataset6 a algoritmu rozhodovacího stromu.
Prezentujte během týdne programy na související témata a vyberte příklady z publikovaných aplikací umělé inteligence.Prvky programování jsou zahrnuty pouze tehdy, jsou-li považovány za relevantní pro poskytování náhledu do budoucí klinické praxe, například jak hodnotit modely, aby bylo možné určit, zda jsou připraveny k použití v klinických studiích.Tyto příklady vrcholí plnohodnotnou end-to-end aplikací, která klasifikuje nádory jako benigní nebo maligní na základě parametrů lékařského obrazu.
Heterogenita dosavadních znalostí.Naši účastníci se lišili úrovní svých 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 možná, protože vyžaduje důkladnou znalost zpracování signálu.
Odliv docházky.Účast na následných setkáních klesala, zejména v online formátech.Řešením může být sledování docházky a poskytnutí certifikátu o absolvování.Lékařské fakulty jsou známé tím, že uznávají přepisy mimoškolních akademických aktivit studentů, což může studenty povzbudit k tomu, aby studovali.
Návrh kurzu: Protože umělá inteligence zahrnuje mnoho podpolí, výběr základních konceptů vhodné hloubky a šířky může být náročný.Důležitým tématem je například kontinuita používání nástrojů AI z laboratoře na kliniku.I když se zabýváme předzpracováním dat, sestavováním modelů a ověřováním, nezahrnujeme témata, jako je analýza velkých dat, interaktivní vizualizace nebo provádění klinických testů umělé inteligence, místo toho se zaměřujeme na nejunikátnější koncepty umělé inteligence.Naším hlavním principem je zlepšovat gramotnost, nikoli dovednosti.Například pochopení toho, jak model zpracovává vstupní prvky, je důležité pro interpretovatelnost.Jedním ze způsobů, jak toho dosáhnout, je použití gradientních aktivačních map, které mohou vizualizovat, které oblasti dat jsou předvídatelné.To však vyžaduje vícerozměrný počet a nelze jej zavést8.Vyvinout společnou terminologii bylo náročné, protože jsme se snažili vysvětlit, jak pracovat s daty jako vektory bez matematického formalismu.Všimněte si, že různé termíny mají stejný význam, například v epidemiologii je „charakteristika“ popisována jako „proměnná“ nebo „atribut“.
Uchovávání znalostí.Protože aplikace umělé inteligence je omezená, do jaké míry si účastníci udrží znalosti, se teprve uvidí.Učební osnovy lékařských fakult často spoléhají na opakování s určitým odstupem, aby se posílily znalosti během praktických rotací,9 což lze také použít na vzdělávání v oblasti umělé inteligence.
Profesionalita je důležitější než gramotnost.Hloubka materiálu je navržena bez matematické přísnosti, což byl problém při spouštění klinických kurzů umělé inteligence.V příkladech programování používáme šablonový program, který umožňuje účastníkům vyplnit pole a spustit software, aniž by museli vymýšlet, jak nastavit kompletní programovací prostředí.
Vyřešené obavy z umělé inteligence: Existuje rozšířená obava, že umělá inteligence by mohla nahradit některé klinické povinnosti3.Abychom tento problém vyřešili, vysvětlujeme omezení AI, včetně skutečnosti, že téměř všechny technologie AI schválené regulačními orgány vyžadují lékařský dohled11.Zdůrazňujeme také důležitost zkreslení, protože algoritmy jsou náchylné ke zkreslení, zvláště pokud soubor dat není různorodý12.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 snímků přednášek a kódu.Ačkoli je přístup k synchronnímu obsahu omezený kvůli časovým pásmům, obsah s otevřeným zdrojovým kódem je pohodlnou metodou pro asynchronní učení, protože odborné znalosti AI nejsou k dispozici na všech lékařských fakultách.
Mezioborová spolupráce: Tento workshop je společným podnikem iniciovaným studenty medicíny za účelem plánování kurzů společně s inženýry.To ukazuje možnosti spolupráce a mezery ve 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 osnov založených na kompetencích.Tento workshop v současnosti využívá výukový cíl úrovně 2 (porozumění), 3 (aplikace) a 4 (analýza) Bloomovy taxonomie.Mít zdroje na vyšších úrovních klasifikace, jako je vytváření projektů, může dále posílit znalosti.To vyžaduje spolupráci s klinickými odborníky, abychom zjistili, jak lze témata umělé inteligence aplikovat na klinické pracovní postupy, a předcházet výuce opakujících se témat, která jsou již součástí standardních lékařských osnov.
Vytvářejte případové studie pomocí AI.Podobně jako u klinických příkladů může učení na základě případu posílit abstraktní koncepty tím, že zdůrazní jejich význam pro klinické otázky.Například jedna dílenská studie analyzovala systém detekce diabetické retinopatie 13 společnosti Google založený na AI, aby identifikoval problémy na cestě z laboratoře do kliniky, jako jsou požadavky na externí validaci a cesty regulačního schválení.
Používejte zkušenostní učení: Technické dovednosti vyžadují soustředěnou praxi a opakovanou aplikaci k zvládnutí, podobně jako rotující učební zkušenosti klinických studentů.Jedním z potenciálních řešení je model převrácené třídy, o kterém se uvádí, že zlepšuje uchovávání znalostí v inženýrském vzdělávání14.V tomto modelu studenti samostatně procházejí teoretickou látku a hodina je věnována řešení problémů prostřednictvím případových studií.
Škálování pro multidisciplinární účastníky: Představujeme si přijetí AI zahrnující spolupráci napříč různými obory, včetně lékařů a příbuzných zdravotnických profesionálů s různou úrovní školení.Proto může být nutné vypracovat učební osnovy po konzultaci s učiteli z různých kateder, aby se jejich obsah přizpůsobil různým oblastem zdravotní péče.
Umělá inteligence je high-tech a její základní koncepty souvisejí s matematikou a informatikou.Školení zdravotnického personálu, aby porozuměli umělé inteligenci, představuje jedinečné výzvy ve výběru obsahu, klinické relevanci a metodách poskytování.Doufáme, že poznatky získané z workshopů AI in Education pomohou budoucím pedagogům přijmout inovativní způsoby, jak integrovat AI do lékařského vzdělávání.
Skript Google Colaboratory Python je otevřený zdroj a je dostupný na adrese: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG a Khan, S. Přehodnocení lékařského vzdělávání: výzva k akci.Akkad.lék.88, 1407–1410 (2013).
McCoy, LG atd. Co studenti medicíny skutečně potřebují vědět o umělé inteligenci?čísla NPZh.Medicína 3, 1–3 (2020).
Dos Santos, DP, a kol.Postoj studentů medicíny k umělé inteligenci: multicentrický 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, a kol.Identifikace dětí s velmi nízkým rizikem klinicky významného poranění mozku po poranění hlavy: prospektivní kohortová studie.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH a Mangasarian, OL.Extrakce jaderných znaků pro diagnostiku nádoru prsu.Biomedicína.Zpracování obrazu.Biomedicína.Weiss.1905, 861-870 (1993).
Chen, PHC, Liu, Y. a Peng, L. Jak vyvinout modely strojového učení pro zdravotnictví.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR a kol.Grad-cam: Vizuální interpretace hlubokých sítí pomocí lokalizace založené na gradientu.Sborník příspěvků z mezinárodní konference IEEE o počítačovém vidění, 618–626 (2017).
Kumaravel B, Stewart K a Ilic D. Vývoj a hodnocení spirálového modelu pro hodnocení kompetencí medicíny založené na důkazech s využitím OBSE v pregraduálním lékařském vzdělávání.Medicína BMK.učit.21, 1–9 (2021).
Kolachalama VB a Garg PS Strojové učení a lékařské vzdělání.čísla NPZh.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.Human-centred hodnocení systému hlubokého učení nasazeného na klinice pro detekci diabetické retinopatie.Sborník z konference CHI 2020 o lidských faktorech v počítačových systémech (2020).
Kerr, B. Převrácená třída v inženýrském vzdělávání: Přehled výzkumu.Sborník příspěvků z mezinárodní konference o interaktivním kolaborativním učení 2015 (2015).
Autoři děkují Danielle Walker, Timu Salcudinovi a Peteru Zandstrovi z Biomedical Imaging and Artificial Intelligence Research Cluster na University of British Columbia za podporu a financování.
RH, PP, ZH, RS a MA byly zodpovědné za rozvoj obsahu workshopové výuky.RH a PP byly zodpovědné 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 vytvoření obrázků a tabulek.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS byly zodpovědné za návrh a úpravu dokumentu.
Communication Medicine děkuje Carolyn McGregor, Fabio Moraes a Aditya Borakati za jejich příspěvky k recenzi této práce.
Čas odeslání: 19. února 2024