Paldies, ka apmeklējāt Nature.com. Pārlūka versijai, kuru izmantojat, ir ierobežots CSS atbalsts. Lai iegūtu labākos rezultātus, mēs iesakām izmantot jaunāku pārlūka versiju (vai izslēgt saderības režīmu Internet Explorer). Pa to laiku, lai nodrošinātu pastāvīgu atbalstu, mēs parādām vietni bez stila vai JavaScript.
Klīniskā mākslīgā intelekta (AI) pielietojumi strauji aug, bet esošās medicīnas skolas mācību programmas piedāvā ierobežotu mācīšanu, kas aptver šo jomu. Šeit mēs aprakstam mākslīgā intelekta apmācības kursu, kuru izstrādājām un piegādājām Kanādas medicīnas studentiem, un sniedzam ieteikumus turpmākai apmācībai.
Mākslīgais intelekts (AI) medicīnā var uzlabot darba vietas efektivitāti un palīdzēt klīnisko lēmumu pieņemšanā. Lai droši vadītu mākslīgā intelekta izmantošanu, ārstiem ir jābūt zināmai izpratnei par mākslīgo intelektu. Daudzi komentāri atbalsta AI konceptuņu mācīšanu1, piemēram, AI modeļu un verifikācijas procesu izskaidrošanu2. Tomēr ir īstenoti daži strukturēti plāni, it īpaši valsts līmenī. Pinto dos Santos et al.3. Tika aptaujāti 263 medicīnas studenti un 71% piekrita, ka viņiem ir vajadzīgas apmācības mākslīgā intelekta jomā. Mākslīgā intelekta mācīšanai medicīnas auditorijai ir nepieciešams rūpīgs dizains, kas apvieno tehniskas un netehniskas koncepcijas studentiem, kuriem bieži ir plašas iepriekšējas zināšanas. Mēs aprakstām savu pieredzi, nodrošinot virkni AI semināru trim medicīnas studentu grupām un sniedziet ieteikumus turpmākai medicīniskajai izglītībai AI.
Mūsu piecu nedēļu ievads mākslīgajā intelektā medicīnas darbnīcā medicīnas studentiem tika rīkots trīs reizes no 2019. gada februāra līdz 2021. gada aprīlim. Katras semināra grafiks ar īsu kursa izmaiņu aprakstu ir parādīts 1. attēlā. Mūsu kursam ir. Trīs primārās mācīšanās mērķi: studenti saprot, kā dati tiek apstrādāti mākslīgā intelekta lietojumos, analizē mākslīgā intelekta literatūru klīniskajām lietojumprogrammām un izmanto iespējas sadarboties ar inženieriem, kas izstrādā mākslīgo intelektu.
Zils ir lekcijas tēma, un gaiši zils ir interaktīvais jautājumu un atbilžu periods. Pelēkā sadaļa ir īsā literatūras apskata uzmanības centrā. Oranžās sadaļas ir atlasītas gadījumu izpēti, kas apraksta mākslīgā intelekta modeļus vai paņēmienus. Grīns ir vadīts programmēšanas kurss, kas paredzēts mākslīgā intelekta mācīšanai, lai atrisinātu klīniskās problēmas un novērtētu modeļus. Darbnīcu saturs un ilgums mainās atkarībā no studentu vajadzību novērtējuma.
Pirmais seminārs notika Britu Kolumbijas universitātē no 2019. gada februāra līdz aprīlim, un visi 8 dalībnieki sniedza pozitīvu atgriezenisko saiti4. Sakarā ar COVID-19, otrais seminārs praktiski notika 2020. gada oktobrī-novembrī, reģistrējoties 222 medicīnas studentiem un 3 iedzīvotājiem no 8 Kanādas medicīnas skolām. Prezentācijas slaidi un kods ir augšupielādēti atvērtas piekļuves vietnē (http://ubcaimed.github.io). Pirmās iterācijas galvenās atgriezeniskās saites bija tas, ka lekcijas bija pārāk intensīvas un materiāls bija arī teorētisks. Kalpojot Kanādas sešās dažādās laika joslās, rada papildu izaicinājumus. Tādējādi otrais seminārs saīsināja katru sesiju līdz 1 stundu, vienkāršoja kursa materiālu, pievienoja vairāk gadījumu pētījumu un izveidoja katlu plāksnes programmas, kas dalībniekiem ļāva pabeigt kodu fragmentus ar minimālu atkļūdošanu (1. aile). Galvenās atgriezeniskās saites no otrās iterācijas ietvēra pozitīvas atsauksmes par programmēšanas vingrinājumiem un pieprasījumu demonstrēt mašīnmācīšanās projekta plānošanu. Tāpēc mūsu trešajā seminārā, kas praktiski notika 126 medicīnas studentiem 2021. gada martā-aprīlī, mēs iekļāvām vairāk interaktīvus kodēšanas vingrinājumus un projekta atgriezeniskās saites sesijas, lai parādītu darbnīcas koncepciju izmantošanas ietekmi uz projektiem.
Datu analīze: statistikas pētījumu joma, kas identificē jēgpilnus datu modeļus, analizējot, apstrādājot un paziņojot datu modeļus.
Datu ieguve: datu identificēšanas un ieguves process. Mākslīgā intelekta kontekstā tas bieži ir liels, ar vairākiem mainīgajiem katram paraugam.
Dimensionalitātes samazināšana: datu pārveidošanas process ar daudzām individuālām funkcijām mazākās funkcijās, vienlaikus saglabājot sākotnējās datu kopas svarīgās īpašības.
Raksturlielumi (mākslīgā intelekta kontekstā): izmērāmās parauga īpašības. Bieži lieto savstarpēji aizstājami ar “īpašumu” vai “mainīgo”.
Gradienta aktivizācijas karte: metode, ko izmanto mākslīgā intelekta modeļu (īpaši konvolūcijas neironu tīklu) interpretēšanai, kas analizē tīkla pēdējās daļas optimizācijas procesu, lai identificētu ļoti prognozējošu datu vai attēlu reģionus.
Standarta modelis: esošs AI modelis, kas ir iepriekš apmācīts, lai veiktu līdzīgus uzdevumus.
Pārbaude (mākslīgā intelekta kontekstā): novērošana, kā modelis veic uzdevumu, izmantojot datus, ar kuriem tas iepriekš nav saskāries.
Apmācība (mākslīgā intelekta kontekstā): modeļa nodrošināšana ar datiem un rezultātiem, lai modelis pielāgotu savus iekšējos parametrus, lai optimizētu spēju veikt uzdevumus, izmantojot jaunus datus.
Vektors: datu masīvs. Mašīnmācībā katrs masīva elements parasti ir unikāla parauga iezīme.
1. tabulā ir uzskaitīti jaunākie kursi 2021. gada aprīlim, ieskaitot katras tēmas mērķtiecīgus mācību mērķus. Šī seminārs ir paredzēts tiem, kas ir jauni tehniskajā līmenī, un tai nav vajadzīgas nekādas matemātiskas zināšanas, kas pārsniedz pirmo medicīniskās grāda iegūšanas gadu. Kursu izstrādāja 6 medicīnas studenti un 3 skolotāji ar progresīviem grādiem inženierzinātnēs. Inženieri izstrādā mākslīgā intelekta teoriju, lai mācītu, un medicīnas studenti mācās klīniski nozīmīgu materiālu.
Semināros ir lekcijas, gadījumu izpēte un vadīta programmēšana. Pirmajā lekcijā mēs pārskatām izvēlētās datu analīzes jēdzienus biostatistikā, ieskaitot datu vizualizāciju, loģistisko regresiju un aprakstošās un induktīvās statistikas salīdzinājumu. Lai arī datu analīze ir mākslīgā intelekta pamats, mēs izslēdzam tādas tēmas kā datu ieguve, nozīmīguma pārbaude vai interaktīva vizualizācija. Tas bija saistīts ar laika ierobežojumiem, kā arī tāpēc, ka dažiem bakalaura studentiem bija iepriekšēja apmācība biostatistikā un vēlējās aptvert unikālākas mašīnmācīšanās tēmas. Turpmākā lekcija iepazīstina ar modernām metodēm un apspriež AI problēmu formulēšanu, AI modeļu priekšrocības un ierobežojumus, kā arī modeļa pārbaudi. Lekcijas papildina literatūra un praktiski pētījumi par esošajām mākslīgā intelekta ierīcēm. Mēs uzsveram prasmes, kas vajadzīgas, lai novērtētu modeļa efektivitāti un iespējamību klīnisko jautājumu risināšanai, ieskaitot esošo mākslīgā intelekta ierīču ierobežojumu izpratni. Piemēram, mēs lūdzām studentus interpretēt Kupperman et al., 5, kas ieviesa mākslīgā intelekta lēmumu koku koku algoritmu, lai noteiktu, vai CT skenēšana būtu noderīga, pamatojoties uz ārsta pārbaudi, ierosinātās Pediatrijas galvas traumu vadlīnijas. Mēs uzsveram, ka tas ir izplatīts AI piemērs, kas ārstiem nodrošina prognozējošu analītiku interpretēt, nevis aizstāt ārstus.
Pieejamajos atvērtā koda sāknēšanas programmēšanas piemēros (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programing_examples) mēs demonstrējam, kā veikt izpētes datu analīzi, dimensiju samazināšanu, standarta modeļa ielādi un apmācību Apvidū un pārbaude. Mēs izmantojam Google Colaboratory piezīmjdatorus (Google LLC, Mountain View, CA), kas ļauj Python kodu izpildīt no tīmekļa pārlūka. Att. 2. attēlā sniegts programmēšanas vingrinājuma piemērs. Šis vingrinājums ietver ļaundabīgu audzēju prognozēšanu, izmantojot Viskonsinas atvērtās krūts attēlveidošanas datu kopu6 un lēmumu koku algoritmu.
Visas nedēļas laikā pašreizējās programmas par saistītajām tēmām un atlasiet piemērus no publicētajām AI lietojumprogrammām. Programmēšanas elementi tiek iekļauti tikai tad, ja tos uzskata par būtiskiem, lai sniegtu ieskatu turpmākajā klīniskajā praksē, piemēram, kā novērtēt modeļus, lai noteiktu, vai tie ir gatavi lietošanai klīniskajos pētījumos. Šie piemēri kulminācija ir pilnvērtīga visaptveroša lietojumprogramma, kas audzējus klasificē kā labdabīgu vai ļaundabīgu, pamatojoties uz medicīniskā attēla parametriem.
Iepriekšējo zināšanu neviendabīgums. Mūsu dalībnieki atšķīrās pēc matemātisko zināšanu līmeņa. Piemēram, studenti ar progresīvu inženierzinātņu pieredzi meklē padziļinātu materiālu, piemēram, kā veikt savas Furjē transformācijas. Tomēr Furjē algoritma apspriešana klasē nav iespējama, jo tai ir vajadzīgas padziļinātas zināšanas par signālu apstrādi.
Apmeklēšanas aizplūšana. Apmeklēšana pēcpārbaudes sanāksmēs samazinājās, it īpaši tiešsaistes formātos. Risinājums var būt apmeklējumu izsekošana un pabeigšanas sertifikāta sniegt sertifikātu. Ir zināms, ka medicīnas skolas atzīst studentu ārpusklases akadēmisko aktivitāšu stenogrammas, kas var mudināt studentus iegūt grādu.
Kursa dizains: Tā kā AI aptver tik daudz apakšlauku, atbilstoša dziļuma un platuma pamata koncepciju izvēle var būt izaicinoša. Piemēram, svarīga tēma ir AI rīku lietošanas nepārtrauktība no laboratorijas līdz klīnikai. Kamēr mēs aptveram datu priekšapstrādi, modeļa veidošanu un validāciju, mēs neietveram tādas tēmas kā Big Data Analytics, interaktīva vizualizācija vai AI klīnisko pētījumu veikšana, tā vietā mēs koncentrējamies uz unikālākajām AI koncepcijām. Mūsu pamatprincips ir uzlabot lasītprasmi, nevis prasmes. Piemēram, izpratne par to, kā modelis apstrādā ievades pazīmes, ir svarīga interpretācijai. Viens veids, kā to izdarīt, ir izmantot gradienta aktivizācijas kartes, kas var vizualizēt, kuri datu reģioni ir paredzami. Tomēr tas prasa daudzfaktoru aprēķinu, un to nevar ieviest8. Kopīgas terminoloģijas attīstīšana bija izaicinoša, jo mēs mēģinājām izskaidrot, kā strādāt ar datiem kā vektori bez matemātiskā formālisma. Ņemiet vērā, ka dažādiem terminiem ir tāda pati nozīme, piemēram, epidemioloģijā, “raksturlielums” tiek aprakstīts kā “mainīgs” vai “atribūts”.
Zināšanu saglabāšana. Tā kā AI pielietojums ir ierobežots, tas, cik lielā mērā dalībnieki saglabā zināšanas. Medicīnas skolas mācību programmas bieži paļaujas uz atkārtotu atkārtošanos, lai pastiprinātu zināšanas praktiskās rotācijas laikā, 9, ko var izmantot arī AI izglītībai.
Profesionalitāte ir svarīgāka par lasītprasmi. Materiāla dziļums ir veidots bez matemātiskas stingrības, kas bija problēma, uzsākot klīniskos kursus mākslīgajā intelektā. Programmēšanas piemēros mēs izmantojam veidņu programmu, kas dalībniekiem ļauj aizpildīt laukus un palaist programmatūru, neizdomājot, kā iestatīt pilnīgu programmēšanas vidi.
Bažas par risināto mākslīgo intelektu: pastāv plašas bažas, ka mākslīgais intelekts varētu aizstāt dažus klīniskos pienākumus3. Lai risinātu šo jautājumu, mēs izskaidrojam AI ierobežojumus, ieskaitot faktu, ka gandrīz visām AI tehnoloģijām, kuras apstiprinājuši regulatori, ir nepieciešama ārsta uzraudzība11. Mēs arī uzsveram neobjektivitātes nozīmi, jo algoritmi ir pakļauti aizspriedumiem, it īpaši, ja datu kopa nav daudzveidīga12. Līdz ar to noteiktu apakšgrupu var modelēt nepareizi, izraisot negodīgus klīniskus lēmumus.
Resursi ir publiski pieejami: mēs esam izveidojuši publiski pieejamus resursus, ieskaitot lekciju slaidus un kodu. Lai arī piekļuve sinhronajam saturam ir ierobežota laika joslu dēļ, atvērtā pirmkoda saturs ir ērta metode asinhronajai mācībai, jo AI kompetence nav pieejama visās medicīnas skolās.
Starpdisciplinārā sadarbība: Šī darbnīca ir kopuzņēmums, ko medicīnas studenti ierosina plānot kursus kopā ar inženieriem. Tas parāda sadarbības iespējas un zināšanu nepilnības abās jomās, ļaujot dalībniekiem izprast iespējamo lomu, ko viņi var dot nākotnē.
Definējiet AI pamatkompetences. Kompetenču saraksta noteikšana nodrošina standartizētu struktūru, kuru var integrēt esošajās uz kompetencē balstītajām medicīniskajām mācību programmām. Šajā seminārā pašlaik tiek izmantoti mācību mērķa 2. līmeņi (izpratne), 3 (lietojumprogramma) un 4 (analīze) par Blūma taksonomijas. Resursi augstākā klasifikācijas līmenī, piemēram, projektu izveidošana, var vēl vairāk stiprināt zināšanas. Tas prasa strādāt ar klīniskajiem ekspertiem, lai noteiktu, kā AI tēmas var izmantot klīniskajās darbplūsmās un novērst atkārtotu tēmu mācīšanu, kas jau ir iekļautas standarta medicīniskajās mācību programmās.
Izveidojiet gadījumu izpēti, izmantojot AI. Līdzīgi kā klīniskie piemēri, uz gadījumiem balstīta mācīšanās var pastiprināt abstraktus koncepcijas, uzsverot to nozīmi klīniskajos jautājumos. Piemēram, vienā semināra pētījumā tika analizēta Google AI balstīta diabētiskās retinopātijas noteikšanas sistēma 13, lai identificētu izaicinājumus pa ceļu no laboratorijas uz klīniku, piemēram, ārējās validācijas prasības un regulatīvās apstiprināšanas ceļi.
Izmantojiet pieredzes apguvi: tehniskajām prasmēm ir nepieciešama fokusēta prakse un atkārtota piemērošana, lai apgūtu, līdzīgi kā klīnisko praktikantu rotējošā mācīšanās pieredze. Viens no potenciālajiem risinājumiem ir pārlūkots klases modelis, par kuru ziņots, lai uzlabotu zināšanu saglabāšanu inženierzinātņu izglītībā14. Šajā modelī studenti patstāvīgi pārskata teorētisko materiālu, un klases laiks ir veltīts problēmu risināšanai, izmantojot gadījumu izpēti.
Mērogošana daudznozaru dalībniekiem: mēs iedomājamies AI adopciju, kas saistīta ar sadarbību vairākās disciplīnās, ieskaitot ārstus un sabiedroto veselības aprūpes speciālistus ar atšķirīgu apmācības līmeni. Tāpēc, iespējams, būs jāizstrādā mācību programmas, konsultējoties ar dažādu departamentu mācībspēkiem, lai pielāgotu to saturu dažādām veselības aprūpes jomām.
Mākslīgais intelekts ir augsto tehnoloģiju, un tās pamatjēdzieni ir saistīti ar matemātiku un datorzinātnēm. Veselības aprūpes personāla apmācība, lai izprastu mākslīgo intelektu, rada unikālus izaicinājumus satura izvēlē, klīniskajā atbilstībā un piegādes metodēs. Mēs ceram, ka atziņas, kas iegūtas no AI izglītības semināros, palīdzēs nākamajiem pedagogiem izmantot novatoriskus veidus, kā AI integrēt medicīniskajā izglītībā.
Google Colaboratory Python skripts ir atvērtā koda un pieejams vietnē: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
ProBer, KG un Khan, S. Medicīnas izglītības pārdomāšana: aicinājums uz rīcību. Akkad. medicīna. 88, 1407–1410 (2013).
McCoy, LG utt. Kas medicīnas studentiem patiešām jāzina par mākslīgo intelektu? NPZH numuri. Medicīna 3, 1–3 (2020).
Dos Santos, DP, et al. Medicīnas studentu attieksme pret mākslīgo intelektu: daudzcentru aptauja. Eiro. starojums. 29, 1640–1646 (2019).
Fan, KY, Hu, R. un Singla, R. Ievads mašīnmācībā medicīnas studentiem: izmēģinājuma projekts. J. Med. mācīt. 54, 1042–1043 (2020).
Cooperman N, et al. Bērnu identificēšana ar ļoti zemu klīniski nozīmīga smadzeņu traumas risku pēc galvas traumas: perspektīvs kohortas pētījums. Lancet 374, 1160–1170 (2009).
Iela, wn, wolberg, wh un mangasarian, ol. Kodola pazīmju ekstrakcija krūts audzēja diagnozei. Biomedicīnas zinātne. Attēlu apstrāde. Biomedicīnas zinātne. Veiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. un Peng, L. Kā izstrādāt mašīnmācīšanās modeļus veselības aprūpei. Nat. Metjū. 18, 410–414 (2019).
Selvarju, Rr et al. Grad-cam: dziļo tīklu vizuālā interpretācija, izmantojot uz gradienta balstītu lokalizāciju. IEEE Starptautiskās Computer Vision konferences materiāli, 618–626 (2017).
Kumaravel B, Stewart K un ILIC D. Spirāles modeļa izstrāde un novērtēšana, lai novērtētu uz pierādījumiem balstītas medicīnas kompetences, izmantojot EDSO bakalaura medicīnisko izglītību. BMK zāles. mācīt. 21, 1–9 (2021).
Kolachalama VB un Garg PS mašīnmācība un medicīniskā izglītība. NPZH numuri. medicīna. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. un de Rooy, M. Mākslīgais intelekts radioloģijā: 100 komerciāli produkti un to zinātniskie pierādījumi. Eiro. starojums. 31, 3797–3804 (2021).
Topols, EJ augstas veiktspējas zāles: cilvēku un mākslīgā intelekta konverģence. Nat. medicīna. 25, 44–56 (2019).
Bede, E. et al. Uz cilvēku vērsts dziļas mācību sistēmas novērtējums, kas izvietots klīnikā diabētiskās retinopātijas noteikšanai. 2020. gada CHI konferences par cilvēku faktoriem skaitļošanas sistēmās (2020).
Kerr, B. Pārlūkotā klase inženierzinātņu izglītībā: pētījumu pārskats. 2015. gada Starptautiskās interaktīvās sadarbības mācīšanās konferences materiāli (2015).
Autori pateicas Danielle Walker, Tim Salcudin un Peter Zandstra no Biomedicīnas attēlveidošanas un mākslīgā intelekta pētījumu klastera Britu Kolumbijas universitātē par atbalstu un finansējumu.
RH, PP, ZH, RS un MA bija atbildīgi par darbnīcas mācību satura izstrādi. RH un PP bija atbildīgi par programmēšanas piemēru izstrādi. Kyf, Oy, MT un PW bija atbildīgi par projekta loģistisko organizāciju un semināru analīzi. RH, OY, MT, RS bija atbildīgi par skaitļu un galdu izveidi. RH, Kyf, PP, ZH, Oy, My, PW, TL, MA, RS bija atbildīgi par dokumenta izstrādi un rediģēšanu.
Komunikācijas medicīna pateicas Karolīnai Makgregorai, Fabio Moraes un Aditya Borakati par viņu ieguldījumu šī darba pārskatīšanā.
Pasta laiks: 19.-19. Februāris