Paldies, ka apmeklējāt vietni Nature.com.Jūsu izmantotajai pārlūkprogrammas versijai ir ierobežots CSS atbalsts.Lai iegūtu vislabākos rezultātus, ieteicams izmantot jaunāku pārlūkprogrammas versiju (vai izslēgt saderības režīmu pārlūkprogrammā Internet Explorer).Tikmēr, lai nodrošinātu pastāvīgu atbalstu, mēs rādām vietni bez stila vai JavaScript.
Klīniskā mākslīgā intelekta (AI) lietojumi strauji pieaug, taču esošās medicīnas skolu mācību programmas piedāvā ierobežotu apmācību, kas aptver šo jomu.Šeit mēs aprakstām mākslīgā intelekta apmācības kursu, ko izstrādājām un piegādājām Kanādas medicīnas studentiem, un sniedzam ieteikumus turpmākajām apmācībām.
Mākslīgais intelekts (AI) medicīnā var uzlabot darba vietas efektivitāti un palīdzēt pieņemt klīniskus lēmumus.Lai droši vadītu mākslīgā intelekta izmantošanu, ārstiem ir jābūt zināmai izpratnei par mākslīgo intelektu.Daudzi komentāri atbalsta AI jēdzienu mācīšanu1, piemēram, AI modeļu un verifikācijas procesu skaidrošanu2.Tomēr ir īstenots maz strukturētu plānu, īpaši valsts līmenī.Pinto dos Santos et al.3.Tika aptaujāti 263 medicīnas studenti, un 71% piekrita, ka viņiem nepieciešama apmācība mākslīgā intelekta jomā.Mākslīgā intelekta mācīšana medicīnas auditorijai prasa rūpīgu dizainu, kurā ir apvienoti tehniskie un netehniskie jēdzieni studentiem, kuriem bieži ir plašas priekšzināšanas.Mēs aprakstām savu pieredzi, nodrošinot AI semināru sēriju trīs medicīnas studentu grupām, un sniedzam ieteikumus turpmākai medicīnas izglītībai mākslīgā intelekta jomā.
Mūsu piecu nedēļu seminārs “Ievads mākslīgajā intelektā medicīnā” medicīnas studentiem notika trīs reizes no 2019. gada februāra līdz 2021. gada aprīlim. Katra semināra grafiks ar īsu kursa izmaiņu aprakstu ir parādīts 1. attēlā. Mūsu kursā ir trīs galvenie mācību mērķi: studenti saprot, kā dati tiek apstrādāti mākslīgā intelekta lietojumprogrammās, analizē mākslīgā intelekta literatūru klīniskiem lietojumiem un izmanto iespējas sadarboties ar inženieriem, kas izstrādā mākslīgo intelektu.
Zils ir lekcijas tēma, un gaiši zils ir interaktīvais jautājumu un atbilžu periods.Īsā literatūras apskata uzmanības centrā ir pelēkā sadaļa.Oranžās sadaļas ir atlasīti gadījumu pētījumi, kas apraksta mākslīgā intelekta modeļus vai metodes.Green ir vadīts programmēšanas kurss, kas paredzēts, lai mācītu mākslīgo intelektu risināt klīniskas problēmas un novērtēt modeļus.Semināru saturs un ilgums atšķiras atkarībā no studentu vajadzību novērtējuma.
Pirmais seminārs notika Britu Kolumbijas Universitātē no 2019. gada februāra līdz aprīlim, un visi 8 dalībnieki sniedza pozitīvas atsauksmes4.Covid-19 dēļ 2020. gada oktobrī-novembrī praktiski notika otrais seminārs, kurā reģistrējās 222 medicīnas studenti un 3 rezidenti no 8 Kanādas medicīnas skolām.Prezentācijas slaidi un kods ir augšupielādēti brīvpiekļuves vietnē (http://ubcaimed.github.io).Galvenās atsauksmes no pirmās atkārtojuma bija tādas, ka lekcijas bija pārāk intensīvas un materiāls pārāk teorētisks.Kanādas sešu dažādu laika joslu apkalpošana rada papildu izaicinājumus.Tādējādi otrajā seminārā katra sesija tika saīsināta līdz 1 stundai, tika vienkāršots kursa materiāls, pievienots vairāk gadījumu izpēti un izveidotas standarta programmas, kas ļāva dalībniekiem pabeigt koda fragmentus ar minimālu atkļūdošanu (1. lodziņš).Galvenās atsauksmes no otrās iterācijas ietvēra pozitīvas atsauksmes par programmēšanas vingrinājumiem un lūgumu demonstrēt mašīnmācīšanās projekta plānošanu.Tāpēc mūsu trešajā seminārā, kas notika praktiski 126 medicīnas studentiem 2021. gada martā–aprīlī, mēs iekļāvām vairāk interaktīvu kodēšanas vingrinājumu un projektu atgriezeniskās saites sesijas, lai parādītu darbnīcu koncepciju izmantošanas ietekmi uz projektiem.
Datu analīze: statistikas studiju joma, kas identificē nozīmīgus datu modeļus, analizējot, apstrādājot un paziņojot datu modeļus.
Datu ieguve: datu identificēšanas un iegūšanas process.Mākslīgā intelekta kontekstā tas bieži ir liels, un katram paraugam ir vairāki mainīgie.
Dimensiju samazināšana: process, kurā dati ar daudzām atsevišķām iezīmēm tiek pārveidoti mazākos līdzekļos, vienlaikus saglabājot sākotnējās datu kopas svarīgās īpašības.
Raksturojums (mākslīgā intelekta kontekstā): parauga izmērāmās īpašības.Bieži lieto aizvietojot ar “īpašumu” vai “mainīgo”.
Gradienta aktivizācijas karte: paņēmiens, ko izmanto, lai interpretētu mākslīgā intelekta modeļus (īpaši konvolucionālos neironu tīklus), kas analizē tīkla pēdējās daļas optimizācijas procesu, lai identificētu datu vai attēlu reģionus, kas ir ļoti prognozējami.
Standarta modelis: esošs AI modelis, kas ir iepriekš apmācīts līdzīgu uzdevumu veikšanai.
Testēšana (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 norādīti jaunākie kursi 2021. gada aprīlim, tostarp katras tēmas mērķtiecīgi mācību mērķi.Šis seminārs ir paredzēts tiem, kas ir jauni tehniskajā līmenī, un neprasa nekādas matemātikas zināšanas pēc pirmā medicīnas bakalaura grāda kursa.Kursu izstrādāja 6 medicīnas studenti un 3 pasniedzēji ar augstāko grādu inženierzinātnēs.Inženieri izstrādā mākslīgā intelekta teoriju, lai mācītu, un medicīnas studenti apgūst klīniski nozīmīgu materiālu.
Semināri ietver lekcijas, gadījumu izpēti un vadītu programmēšanu.Pirmajā lekcijā mēs apskatām izvēlētos datu analīzes jēdzienus biostatistikā, tostarp datu vizualizāciju, loģistisko regresiju un aprakstošās un induktīvās statistikas salīdzināšanu.Lai gan datu analīze ir mākslīgā intelekta pamats, mēs izslēdzam tādas tēmas kā datu ieguve, nozīmīguma pārbaude vai interaktīvā vizualizācija.Tas bija saistīts ar laika ierobežojumiem un arī tāpēc, ka dažiem bakalaura studentiem bija iepriekšēja apmācība biostatistikas jomā un viņi vēlējās aptvert unikālākas mašīnmācīšanās tēmas.Sekojošā lekcija iepazīstina ar modernām metodēm un apspriež AI problēmu formulēšanu, AI modeļu priekšrocības un ierobežojumus, kā arī modeļu testēšanu.Lekcijas papildina literatūra un praktiskie pētījumi par esošajām mākslīgā intelekta ierīcēm.Mēs uzsveram prasmes, kas nepieciešamas, lai novērtētu modeļa efektivitāti un iespējamību, lai risinātu klīniskos jautājumus, tostarp izpratni par esošo mākslīgā intelekta ierīču ierobežojumiem.Piemēram, mēs lūdzām studentus interpretēt bērnu galvas traumu vadlīnijas, ko ierosināja Kupperman et al., 5 kas ieviesa mākslīgā intelekta lēmumu koka algoritmu, lai noteiktu, vai CT skenēšana būtu noderīga, pamatojoties uz ārsta pārbaudi.Mēs uzsveram, ka šis ir izplatīts AI piemērs, kas nodrošina prognozējošu analīzi, ko ārsti var interpretēt, nevis aizstāj ārstus.
Pieejamajos atvērtā pirmkoda sāknēšanas programmēšanas piemēros (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) mēs demonstrējam, kā veikt izpētes datu analīzi, izmēru samazināšanu, standarta modeļa ielādi un apmācību. .un testēšana.Mēs izmantojam Google Colaboratory piezīmju grāmatiņas (Google LLC, Mountain View, CA), kas ļauj Python kodu izpildīt no tīmekļa pārlūkprogrammas.2. attēlā ir parādīts programmēšanas uzdevuma piemērs.Šis uzdevums ietver ļaundabīgo audzēju prognozēšanu, izmantojot Viskonsinas atvērto krūts attēlveidošanas datu kopu6 un lēmumu koka algoritmu.
Visu nedēļu prezentējiet programmas par saistītām tēmām un atlasiet piemērus no publicētajām AI lietojumprogrammām.Programmēšanas elementi tiek iekļauti tikai tad, ja tie tiek uzskatīti par būtiskiem, lai sniegtu ieskatu turpmākajā klīniskajā praksē, piemēram, kā novērtēt modeļus, lai noteiktu, vai tie ir gatavi lietošanai klīniskajos pētījumos.Šie piemēri beidzas ar pilnvērtīgu lietojumprogrammu, kas klasificē audzējus kā labdabīgus vai ļaundabīgus, pamatojoties uz medicīniskā attēla parametriem.
Iepriekšējo zināšanu neviendabīgums.Mūsu dalībnieku matemātikas zināšanu līmenis bija atšķirīgs.Piemēram, studenti ar progresīvām inženierzinātnēm meklē padziļinātu materiālu, piemēram, kā veikt Furjē transformācijas.Tomēr Furjē algoritma apspriešana klasē nav iespējama, jo tas prasa padziļinātas zināšanas par signālu apstrādi.
Apmeklētāju aizplūšana.Turpmāko sanāksmju apmeklējums samazinājās, īpaši tiešsaistes formātos.Risinājums var būt apmeklētības izsekošana un pabeigšanas sertifikāta iesniegšana.Ir zināms, ka medicīnas skolas atpazīst studentu ārpusskolas akadēmisko darbību atšifrējumus, kas var mudināt studentus iegūt grādu.
Kursa dizains: Tā kā AI aptver tik daudz apakšlauku, atbilstoša dziļuma un platuma pamatkoncepciju izvēle var būt sarežģīta.Piemēram, AI rīku lietošanas nepārtrauktība no laboratorijas līdz klīnikai ir svarīga tēma.Lai gan mēs aptveram datu priekšapstrādi, modeļu izveidi un validāciju, mēs neiekļaujam tādas tēmas kā lielo datu analītika, interaktīvā vizualizācija vai AI klīnisko izmēģinājumu veikšana, tā vietā mēs koncentrējamies uz unikālākajām AI koncepcijām.Mūsu pamatprincips ir uzlabot lasītprasmi, nevis prasmes.Piemēram, izpratnei par to, kā modelis apstrādā ievades funkcijas, ir svarīga interpretējamība.Viens no veidiem, kā to izdarīt, ir izmantot gradientu aktivizēšanas kartes, kas var vizualizēt, kuri datu apgabali ir paredzami.Tomēr tas prasa daudzfaktoru aprēķinus, un to nevar ieviest8.Kopīgas terminoloģijas izstrāde bija sarežģīta, jo mēs centāmies izskaidrot, kā strādāt ar datiem kā vektoriem bez matemātiska formālisma.Ņemiet vērā, ka dažādiem terminiem ir viena un tā pati nozīme, piemēram, epidemioloģijā “īpašība” tiek aprakstīta kā “mainīgs” vai “atribūts”.
Zināšanu saglabāšana.Tā kā AI pielietojums ir ierobežots, vēl ir redzams, cik lielā mērā dalībnieki saglabā zināšanas.Medicīnas skolu mācību programmas bieži balstās uz periodisku atkārtošanu, lai nostiprinātu zināšanas praktiskās rotācijas laikā9, ko var izmantot arī AI izglītībā.
Profesionalitāte ir svarīgāka par lasītprasmi.Materiāla dziļums izstrādāts bez matemātiskas stingrības, kas bija problēma, uzsākot mākslīgā intelekta klīniskos kursus.Programmēšanas piemēros mēs izmantojam veidņu programmu, kas ļauj dalībniekiem aizpildīt laukus un palaist programmatūru bez nepieciešamības izdomāt, kā iestatīt pilnīgu programmēšanas vidi.
Risinātas bažas par mākslīgo intelektu. Pastāv plaši izplatītas bažas, ka mākslīgais intelekts varētu aizstāt dažus klīniskos pienākumus3.Lai risinātu šo problēmu, mēs izskaidrojam AI ierobežojumus, tostarp faktu, ka gandrīz visām regulatoru apstiprinātajām mākslīgā intelekta tehnoloģijām ir nepieciešama ārsta uzraudzība11.Mēs arī uzsveram neobjektivitātes nozīmi, jo algoritmi ir pakļauti novirzēm, īpaši, ja datu kopa nav daudzveidīga12.Līdz ar to noteikta apakšgrupa var tikt modelēta nepareizi, izraisot negodīgus klīniskus lēmumus.
Resursi ir publiski pieejami: Esam izveidojuši publiski pieejamus resursus, tostarp lekciju slaidus un kodu.Lai gan piekļuve sinhronajam saturam ir ierobežota laika joslu dēļ, atvērtā koda saturs ir ērta asinhronās mācīšanās metode, jo AI zināšanas nav pieejamas visās medicīnas skolās.
Starpdisciplināra sadarbība: Šis seminārs ir medicīnas studentu uzsākts kopuzņēmums, lai kopā ar inženieriem plānotu kursus.Tas parāda sadarbības iespējas un zināšanu trūkumu abās jomās, ļaujot dalībniekiem saprast iespējamo lomu, ko viņi var sniegt nākotnē.
Definējiet AI pamatkompetences.Kompetenču saraksta noteikšana nodrošina standartizētu struktūru, ko var integrēt esošajās uz kompetencēm balstītajās medicīnas mācību programmās.Šajā seminārā pašlaik tiek izmantots Blūma taksonomijas 2. mācību mērķa līmenis (izpratne), 3. līmenis (pielietojums) un 4. (analīze).Resursi augstākās klasifikācijas līmeņos, piemēram, projektu veidošana, var vēl vairāk nostiprināt zināšanas.Tas prasa sadarbību ar klīniskajiem ekspertiem, lai noteiktu, kā AI tēmas var izmantot klīniskajās darbplūsmās un novērst atkārtotu tēmu mācīšanu, kas jau ir iekļautas standarta medicīnas mācību programmās.
Izveidojiet gadījumu izpēti, izmantojot AI.Līdzīgi kā klīniskajos piemēros, uz gadījumiem balstīta mācīšanās var pastiprināt abstraktus jēdzienus, uzsverot to atbilstību klīniskajiem jautājumiem.Piemēram, vienā semināra pētījumā tika analizēta Google uz mākslīgā intelekta balstīta diabētiskās retinopātijas noteikšanas sistēma 13, lai identificētu problēmas ceļā no laboratorijas uz klīniku, piemēram, ārējās validācijas prasības un normatīvo apstiprinājumu ceļi.
Izmantojiet pieredzē balstītu mācīšanos. Tehniskajām prasmēm ir nepieciešama mērķtiecīga prakse un atkārtota pielietošana, līdzīgi kā klīnisko praktikantu rotējošā mācīšanās pieredze.Viens no iespējamiem risinājumiem ir apgrieztās klases modelis, kas, kā ziņots, uzlabo zināšanu saglabāšanu inženierzinātņu izglītībā14.Šajā modelī studenti patstāvīgi izskata teorētisko materiālu un nodarbības laiks tiek veltīts problēmu risināšanai, izmantojot gadījumu izpēti.
Mērogošana daudzdisciplīnu dalībniekiem: mēs paredzam AI ieviešanu, kas ietver sadarbību starp vairākām disciplīnām, tostarp ārstiem un saistītiem veselības aprūpes speciālistiem ar dažāda līmeņa apmācību.Tāpēc mācību programmas, iespējams, būs jāizstrādā, konsultējoties ar dažādu katedru mācībspēkiem, lai pielāgotu to saturu dažādām veselības aprūpes jomām.
Mākslīgais intelekts ir augsto tehnoloģiju, un tā pamatjēdzieni ir saistīti ar matemātiku un datorzinātnēm.Veselības aprūpes personāla apmācība, lai izprastu mākslīgo intelektu, rada unikālas problēmas satura atlasē, klīniskajā atbilstībā un piegādes metodēs.Mēs ceram, ka AI in Education semināros gūtās atziņas palīdzēs nākamajiem pedagogiem pieņemt novatoriskus veidus, kā integrēt AI medicīnas izglītībā.
Google Colaboratory Python skripts ir atvērtā koda avots un pieejams vietnē https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG un Khan, S. Medicīniskās izglītības pārdomāšana: aicinājums rīkoties.Akkad.medicīna.88, 1407–1410 (2013).
McCoy, LG utt. Kas medicīnas studentiem īsti jāzina par mākslīgo intelektu?NPZh skaitļi.Medicīna 3, 1–3 (2020).
Dos Santos, DP, u.c.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).
Kūpermens N, et al.Bērnu identificēšana ar ļoti zemu klīniski nozīmīgu smadzeņu traumu risku pēc galvas traumas: perspektīvs kohortas pētījums.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH un Mangasarian, OL.Kodolelementu ekstrakcija krūts audzēja diagnostikai.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.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: dziļu tīklu vizuāla interpretācija, izmantojot uz gradientu balstītu lokalizāciju.IEEE starptautiskās konferences par datoru redzi materiāli, 618–626 (2017).
Kumaravel B, Stewart K un Ilic D. Spirālveida modeļa izstrāde un novērtēšana uz pierādījumiem balstītas medicīnas kompetenču novērtēšanai, izmantojot EDSO medicīnas pamatstudiju izglītībā.BMK medicīna.mācīt.21, 1–9 (2021).
Kolachalama VB un Garg PS Mašīnmācība un medicīniskā izglītība.NPZh skaitļi.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).
Topol, EJ Augstas veiktspējas medicīna: cilvēka un mākslīgā intelekta konverģence.Nat.medicīna.25, 44–56 (2019).
Bede, E. et al.Uz cilvēku vērsts dziļas mācību sistēmas novērtējums, kas tiek izmantots klīnikā diabētiskās retinopātijas noteikšanai.2020. gada CHI konferences par cilvēka faktoriem skaitļošanas sistēmās materiāli (2020).
Kerr, B. Apgrieztā klase inženierzinātņu izglītībā: pētījuma apskats.2015. gada starptautiskās interaktīvas mācīšanās sadarbības konferences materiāli (2015).
Autori pateicas Danielle Walker, Tim Salcudin un Peter Zandstra no Biomedicīnas attēlveidošanas un mākslīgā intelekta pētniecības 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 loģistikas organizāciju un semināru analīzi.RH, OY, MT, RS bija atbildīgi par attēlu un tabulu izveidi.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS bija atbildīgi par dokumenta izstrādi un rediģēšanu.
Komunikācijas medicīna pateicas Carolyn McGregor, Fabio Moraes un Aditya Borakati par viņu ieguldījumu šī darba pārskatīšanā.
Izlikšanas laiks: 19. februāris 2024