Děkujeme za návštěvu webu Nature.com. Verze prohlížeče, kterou používáte, má omezenou podporu CSS. Pro dosažení nejlepších výsledků doporučujeme používat novější verzi prohlížeče (nebo vypnout režim kompatibility v prohlížeči Internet Explorer). Mezitím, abychom zajistili průběžnou podporu, zobrazujeme web bez stylů a JavaScriptu.
Aplikace klinické umělé inteligence (AI) se rychle rozvíjejí, ale stávající učební plány lékařských fakult nabízejí omezenou výuku v této oblasti. Zde popisujeme kurz umělé inteligence, který jsme vyvinuli a poskytli kanadským studentům medicíny, a předkládáme doporučení pro budoucí vzdělávání.
Umělá inteligence (AI) v medicíně může zlepšit efektivitu pracoviště a usnadnit klinické rozhodování. Aby lékaři mohli bezpečně řídit používání umělé inteligence, musí mít určité znalosti o umělé inteligenci. Mnoho komentářů doporučuje výuku konceptů AI1, jako je vysvětlování modelů AI a ověřovacích procesů2. Nicméně, zejména na národní úrovni, bylo implementováno jen málo strukturovaných plánů. Pinto dos Santos a kol.3. Bylo dotázáno 263 studentů medicíny a 71 % z nich souhlasilo s tím, že potřebují školení v oblasti umělé inteligence. Výuka umělé inteligence pro lékařské publikum vyžaduje pečlivý návrh, který kombinuje technické i netechnické koncepty pro studenty, kteří mají často rozsáhlé předchozí znalosti. Popisujeme naše zkušenosti s pořádáním série workshopů o umělé inteligenci pro tři skupiny studentů medicíny a předkládáme doporučení pro budoucí lékařské vzdělávání v oblasti AI.
Náš pětitýdenní workshop Úvod do umělé inteligence v medicíně pro studenty medicíny se konal třikrát v období od února 2019 do dubna 2021. Harmonogram každého workshopu se stručným popisem změn v kurzu je uveden na obrázku 1. Náš kurz má tři hlavní vzdělávací cíle: studenti pochopí, jak se data zpracovávají v aplikacích umělé inteligence, analyzují literaturu o umělé inteligenci pro klinické aplikace a využívají příležitostí ke spolupráci s inženýry, kteří umělou inteligenci vyvíjejí.
Modrá je téma přednášky a světle modrá je interaktivní část pro otázky a odpovědi. Šedá sekce je zaměřena na stručný přehled literatury. Oranžové sekce představují vybrané případové studie, které popisují modely nebo techniky umělé inteligence. Zelená je kurz programování s průvodcem, jehož cílem je naučit umělou inteligenci řešit klinické problémy a vyhodnocovat modely. Obsah a délka trvání workshopů se liší v závislosti na posouzení potřeb studentů.
První workshop se konal na Univerzitě Britské Kolumbie 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 a zaregistrovalo se ho 222 studentů medicíny a 3 rezidenti z 8 kanadských lékařských fakult. Prezentační slajdy 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. Služba v šesti různých časových pásmech Kanady představuje další výzvy. Druhý workshop proto zkrátil každou lekci na 1 hodinu, zjednodušil studijní materiál, přidal více případových studií a vytvořil šablonovité programy, které účastníkům umožnily dokončit úryvky kódu s minimálním laděním (rámeček 1). Mezi klíčovou zpětnou vazbu z druhé iterace patřila pozitivní zpětná vazba k programovacím cvičením a žádost o demonstraci plánování projektu strojového učení. Proto jsme do našeho třetího workshopu, který se konal virtuálně pro 126 studentů medicíny v březnu až dubnu 2021, zahrnuli více interaktivních cvičení na kódování a setkání s projektovou zpětnou vazbou, abychom demonstrovali dopad využití konceptů workshopů na projekty.
Analýza dat: Oblast studia ve statistice, která identifikuje smysluplné vzory v datech analýzou, zpracováním a sdělováním datových vzorů.
Dolování dat: proces identifikace a extrakce dat. V kontextu umělé inteligence se často jedná o rozsáhlý proces s více proměnnými pro každý vzorek.
Redukce dimenzionality: Proces transformace dat s mnoha individuálními rysy na méně rysů při zachování důležitých vlastností původní datové sady.
Charakteristiky (v kontextu umělé inteligence): měřitelné vlastnosti vzorku. Často se používají zaměnitelně s pojmy „vlastnost“ nebo „proměnná“.
Mapa aktivace gradientu: Technika používaná k interpretaci modelů umělé inteligence (zejména konvolučních neuronových sítí), která analyzuje proces optimalizace poslední části sítě za účelem identifikace oblastí dat nebo obrázků, které jsou vysoce prediktivní.
Standardní model: Existující model umělé inteligence, který byl předem natrénován k provádění podobných úkolů.
Testování (v kontextu umělé inteligence): pozorování, jak model provádí úkol s využitím dat, se kterými se dříve nesetkal.
Trénování (v kontextu umělé inteligence): Poskytnutí modelu dat a výsledků tak, aby model upravil své vnitřní parametry a optimalizoval tak svou schopnost provádět úkoly s využitím nových dat.
Vektor: pole dat. Ve strojovém učení je každý prvek pole obvykle jedinečným prvkem vzorku.
Tabulka 1 uvádí nejnovější kurzy pro duben 2021, včetně cílených výukových cílů pro každé téma. Tento workshop je určen pro ty, kteří jsou na technické úrovni nováčky, a nevyžaduje žádné matematické znalosti nad rámec prvního ročníku bakalářského studia medicíny. Kurz byl vyvinut 6 studenty medicíny a 3 učiteli s vyšším vzděláním v inženýrství. Inženýři vyvíjejí teorii umělé inteligence pro výuku a studenti medicíny se učí klinicky relevantní látku.
Workshopy zahrnují přednášky, případové studie a řízené programování. V první přednášce se budeme věnovat vybraným konceptům analýzy dat v biostatistice, včetně vizualizace dat, logistické regrese a srovnání deskriptivní a induktivní statistiky. Ačkoli je analýza dat základem umělé inteligence, vylučujeme témata, jako je dolování dat, testování významnosti nebo interaktivní vizualizace. To bylo způsobeno časovými omezeními a také proto, že někteří studenti bakalářského studia měli předchozí vzdělání v biostatistice a chtěli se věnovat specifičtějším tématům strojového učení. Následující přednáška představuje moderní metody a diskutuje o formulaci problémů s umělou inteligencí, výhodách a omezeních modelů umělé inteligence a testování modelů. Přednášky jsou doplněny literaturou a praktickým výzkumem stávajících zařízení umělé inteligence. Klademe důraz na dovednosti potřebné k vyhodnocení efektivity a proveditelnosti modelu pro řešení klinických otázek, včetně pochopení omezení stávajících zařízení umělé inteligence. Například jsme studenty požádali, aby interpretovali směrnice pro dětská poranění hlavy navržené Kuppermanem a kol.,5 které implementovaly algoritmus rozhodovacího stromu umělé inteligence k určení, zda by CT vyšetření bylo užitečné na základě lékařského vyšetření. Zdůrazňujeme, že se jedná o běžný příklad toho, jak umělá inteligence poskytuje prediktivní analýzy pro lékaře k interpretaci, spíše než aby lékaře nahrazovala.
V dostupných příkladech bootstrapového programování s otevřeným zdrojovým kódem (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) demonstrujeme, jak provádět explorativní analýzu dat, redukci dimenzionality, načítání standardního modelu a trénování a testování. Používáme notebooky Google Colaboratory (Google LLC, Mountain View, CA), které umožňují spouštění kódu v Pythonu z webového prohlížeče. Obrázek 2 ukazuje příklad programovacího cvičení. Toto cvičení zahrnuje predikci malignit pomocí datové sady Wisconsin Open Breast Imaging Dataset6 a algoritmu rozhodovacího stromu.
Prezentujte programy v průběhu týdne na související témata a vybírejte příklady z publikovaných aplikací umělé inteligence. Prvky programování jsou zahrnuty pouze tehdy, pokud jsou považovány za relevantní pro poskytnutí vhledu do budoucí klinické praxe, například jak vyhodnotit modely a určit, zda jsou připraveny k použití v klinických studiích. Tyto příklady vyvrcholí plnohodnotnou komplexní aplikací, která klasifikuje nádory jako benigní nebo maligní na základě parametrů lékařského obrazu.
Heterogenita předchozích znalostí. Naši účastníci se lišili úrovní matematických znalostí. Například studenti s pokročilým inženýrským vzděláním hledají hlubší materiál, například jak provádět vlastní Fourierovy transformace. Diskuse o Fourierově algoritmu ve výuce však není možná, protože vyžaduje hluboké znalosti zpracování signálů.
Odliv docházky. Účast na následných schůzkách klesla, zejména v online formátu. Řešením může být sledování docházky a vydávání certifikátu o absolvování. Je známo, že lékařské fakulty uznávají přepisy mimoškolních akademických aktivit studentů, což může studenty povzbudit k získání titulu.
Návrh kurzu: Protože umělá inteligence zahrnuje tolik podoborů, může být výběr klíčových konceptů s odpovídající hloubkou a šířkou náročný. Například kontinuita používání nástrojů umělé inteligence od laboratoře až po kliniku je důležitým tématem. I když se zabýváme předzpracováním dat, tvorbou modelů a validací, nezahrnujeme témata, jako je analýza velkých dat, interaktivní vizualizace nebo provádění klinických studií umělé inteligence, místo toho se zaměřujeme na nejunikátnější koncepty umělé inteligence. Naší hlavní zásadou je zlepšit 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 dokáží vizualizovat, které oblasti dat jsou předvídatelné. To však vyžaduje vícerozměrný kalkul a nelze to zavést8. Vypracování společné terminologie bylo náročné, protože jsme se snažili vysvětlit, jak pracovat s daty jako s vektory bez matematického formalismu. Všimněte si, že různé termíny mají stejný význam, například v epidemiologii se „charakteristika“ popisuje jako „proměnná“ nebo „atribut“.
Uchovávání znalostí. Vzhledem k omezenému využití umělé inteligence je třeba teprve zjistit, do jaké míry si účastníci znalosti uchovají. Učební osnovy lékařských fakult se často spoléhají na pravidelné opakování, aby se znalosti během praktických rotací upevnily,9 což lze aplikovat i na vzdělávání v oblasti umělé inteligence.
Profesionalita je důležitější než gramotnost. Hloubka materiálu je navržena bez matematické rigoróznosti, což byl problém při zavádění klinických kurzů umělé inteligence. V programovacích příkladech používáme šablonový program, který umožňuje účastníkům vyplnit pole a spustit software, aniž by museli zjišťovat, jak nastavit kompletní programovací prostředí.
Řešení obav ohledně umělé inteligence: Existují rozšířené obavy, že by umělá inteligence mohla nahradit některé klinické povinnosti3. Abychom se touto otázkou zabývali, vysvětlujeme omezení umělé inteligence, včetně skutečnosti, že téměř všechny technologie umělé inteligence schválené regulačními orgány vyžadují dohled lékaře11. Zdůrazňujeme také důležitost zkreslení, protože algoritmy jsou náchylné k zkreslení, zejména pokud datová sada 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 přednáškových slajdů a kódu. Přestože je přístup k synchronnímu obsahu omezen kvůli časovým pásmům, open source obsah je pohodlnou metodou pro asynchronní učení, protože odborné znalosti v oblasti umělé inteligence nejsou k dispozici na všech lékařských fakultách.
Mezioborová spolupráce: Tento workshop je společným projektem studentů medicíny s cílem společně plánovat kurzy s inženýry. Workshop demonstruje možnosti spolupráce a mezery ve znalostech v obou oblastech a umožňuje účastníkům pochopit, jakou roli mohou v budoucnu potenciálně přispět.
Definování klíčových kompetencí v oblasti umělé inteligence. Definování seznamu kompetencí poskytuje standardizovanou strukturu, kterou lze integrovat do stávajících lékařských osnov založených na kompetencích. Tento workshop v současné době využívá úrovně učebních cílů 2 (Porozumění), 3 (Aplikace) a 4 (Analýza) Bloomovy taxonomie. Zdroje na vyšších úrovních klasifikace, jako je tvorba projektů, mohou dále posílit znalosti. To vyžaduje spolupráci s klinickými odborníky s cílem určit, jak lze témata umělé inteligence aplikovat na klinické pracovní postupy, a zabránit výuce opakujících se témat, která jsou již zahrnuta ve standardních lékařských osnovách.
Vytvářejte případové studie pomocí umělé inteligence. Podobně jako klinické příklady může učení založené na případech posílit abstraktní koncepty zdůrazněním jejich relevance pro klinické otázky. Například jedna workshopová studie analyzovala systém detekce diabetické retinopatie založený na umělé inteligenci od společnosti Google13 s cílem identifikovat problémy na cestě z laboratoře do kliniky, jako jsou požadavky na externí validaci a postupy schvalování regulačními orgány.
Využívejte zážitkové učení: Technické dovednosti vyžadují soustředěnou praxi a opakované uplatňování k osvojení, podobně jako rotující studijní zkušenosti klinických stážistů. Jedním z možných řešení je model obrácené výuky, o kterém se píše, že zlepšuje uchovávání znalostí v inženýrském vzdělávání14. V tomto modelu si studenti samostatně opakují teoretickou látku a čas ve výuce je věnován řešení problémů prostřednictvím případových studií.
Škálování pro multidisciplinární účastníky: Předpokládáme, že zavádění umělé inteligence bude zahrnovat spolupráci napříč různými obory, včetně lékařů a dalších zdravotnických pracovníků s různou úrovní vzdělání. Proto může být nutné vyvíjet učební osnovy ve spolupráci s fakultami 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 v porozumění umělé inteligenci představuje jedinečné výzvy, pokud jde o výběr obsahu, klinickou relevanci a metody výuky. Doufáme, že poznatky získané z workshopů AI ve vzdělávání pomohou budoucím pedagogům přijmout inovativní způsoby integrace umělé inteligence do lékařského vzdělávání.
Skript Google Colaboratory v Pythonu je open source a dostupný na adrese: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG a Khan, S. Přehodnocení lékařského vzdělávání: výzva k akci. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG atd. Co by studenti medicíny skutečně měli vědět o umělé inteligenci? Čísla NPZh. Medicine 3, 1–3 (2020).
Dos Santos, DP a kol. Postoje studentů medicíny k umělé inteligenci: multicentrický průzkum. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R. a Singla, R. Úvod do strojového učení pro studenty medicíny: pilotní projekt. J. Med. teach. 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 nádorů prsu. Biomedicínská věda. Zpracování obrazu. Biomedicínská věda. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. a Peng, L. Jak vyvíjet 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 z mezinárodní konference IEEE o počítačovém vidění, 618–626 (2017).
Kumaravel B, Stewart K a Ilic D. Vývoj a hodnocení spirálního modelu pro hodnocení kompetencí v medicíně založené na důkazech s využitím OSCE v pregraduálním lékařském vzdělávání. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB a Garg PS Strojové učení a lékařské vzdělávání. Čísla NPZh. medicína. 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. medicine. 25, 44–56 (2019).
Bede, E. a kol. Hodnocení systému hlubokého učení nasazeného v klinice pro detekci diabetické retinopatie zaměřené na člověka. Sborník z konference CHI 2020 o lidských faktorech v počítačových systémech (2020).
Kerr, B. Převrácená učebna v inženýrském vzdělávání: Výzkumný přehled. Sborník z mezinárodní konference o interaktivním kolaborativním učení z roku 2015 (2015).
Autoři děkují Danielle Walkerové, Timu Salcudinovi a Peteru Zandstrovi z výzkumného klastru biomedicínského zobrazování a umělé inteligence na Univerzitě Britské Kolumbie za podporu a financování.
RH, PP, ZH, RS a MA byli zodpovědní za vývoj výukového obsahu workshopu. RH a PP byli zodpovědní za vývoj programovacích příkladů. KYF, OY, MT a PW byli zodpovědní za logistickou organizaci projektu a analýzu workshopů. RH, OY, MT a RS byli zodpovědní za vytvoření obrázků a tabulek. RH, KYF, PP, ZH, OY, MY, PW, TL, MA a RS byli zodpovědní za vypracování a editaci dokumentu.
Časopis Communication Medicine děkuje Carolyn McGregorové, Fabiovi Moraesovi a Adityovi Borakatimu za jejich příspěvky k recenznímu řízení této práce.
Čas zveřejnění: 19. února 2024