Paldies, ka apmeklējāt vietni Nature.com. Jūsu izmantotajai pārlūkprogrammas versijai ir ierobežots CSS atbalsts. Lai iegūtu labākos rezultātus, iesakām izmantot jaunāku pārlūkprogrammas versiju (vai izslēgt saderības režīmu pārlūkprogrammā Internet Explorer). Tikmēr, lai nodrošinātu nepārtrauktu atbalstu, mēs rādām vietni bez stila vai JavaScript.
Klīniskā mākslīgā intelekta (MI) pielietojums strauji pieaug, taču esošās medicīnas skolu mācību programmas piedāvā ierobežotu mācību apjomu šajā jomā. Šeit mēs aprakstām mākslīgā intelekta apmācības kursu, ko izstrādājām un vadījām Kanādas medicīnas studentiem, un sniedzam ieteikumus turpmākai apmācībai.
Mākslīgais intelekts (MI) medicīnā var uzlabot darba vietas efektivitāti un palīdzēt klīnisko lēmumu pieņemšanā. Lai droši vadītu mākslīgā intelekta izmantošanu, ārstiem ir jābūt zināmām zināšanām par mākslīgo intelektu. Daudzos komentāros ir ieteikts mācīt MI jēdzienus1, piemēram, MI modeļus un verifikācijas procesus2. Tomēr ir īstenoti tikai daži strukturēti plāni, īpaši valsts līmenī. Pinto dos Santos et al.3. Tika aptaujāti 263 medicīnas studenti, un 71% piekrita, ka viņiem ir nepieciešama apmācība mākslīgā intelekta jomā. Mākslīgā intelekta mācīšana medicīnas auditorijai prasa rūpīgu izstrādi, kas apvieno tehniskus un netehniskus jēdzienus studentiem, kuriem bieži vien ir plašas iepriekšējas zināšanas. Mēs aprakstām savu pieredzi, vadot MI semināru sēriju trim medicīnas studentu grupām, un sniedzam ieteikumus turpmākajai medicīnas izglītībai MI jomā.
Mūsu piecu nedēļu ilgais ievads mākslīgajā intelektā medicīnā seminārs medicīnas studentiem notika trīs reizes laikā no 2019. gada februāra līdz 2021. gada aprīlim. Katra semināra grafiks ar īsu kursa izmaiņu aprakstu ir parādīts 1. attēlā. Mūsu kursam ir trīs galvenie mācību mērķi: studenti izprot, kā dati tiek apstrādāti mākslīgā intelekta lietojumprogrammās, analizē mākslīgā intelekta literatūru klīniskajiem pielietojumiem un izmanto iespējas sadarboties ar inženieriem, kas izstrādā mākslīgo intelektu.
Zilā krāsa apzīmē lekcijas tēmu, bet gaiši zilā — interaktīvo jautājumu un atbilžu sesiju. Pelēkā daļa ir īsās literatūras apskata uzmanības centrā. Oranžās daļas ir atlasīti gadījumu izpētes, kurās aprakstīti mākslīgā intelekta modeļi vai metodes. Zaļā krāsa ir vadīts programmēšanas kurss, kas paredzēts, lai iemācītu mākslīgajam intelektam risināt klīniskas problēmas un novērtēt 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 pozitīvas atsauksmes4. COVID-19 dēļ otrais seminārs notika virtuāli 2020. gada oktobrī–novembrī, un tajā reģistrējās 222 medicīnas studenti un 3 rezidenti no 8 Kanādas medicīnas skolām. Prezentāciju slaidi un kods ir augšupielādēti atvērtā piekļuves vietnē (http://ubcaimed.github.io). Galvenās atsauksmes par pirmo semināru bija tādas, ka lekcijas bija pārāk intensīvas un materiāls pārāk teorētisks. Sešu dažādu Kanādas laika joslu apkalpošana rada papildu izaicinājumus. Tādēļ otrajā seminārā katra sesija tika saīsināta līdz 1 stundai, vienkāršots kursa materiāls, pievienots vairāk gadījumu izpētes un izveidotas standarta programmas, kas ļāva dalībniekiem pabeigt koda fragmentus ar minimālu atkļūdošanu (1. ieraksts). Galvenās atsauksmes par otro semināru ietvēra pozitīvas atsauksmes par programmēšanas vingrinājumiem un lūgumu demonstrēt mašīnmācīšanās projekta plānošanu. Tāpēc mūsu trešajā seminārā, kas virtuāli notika 126 medicīnas studentiem 2021. gada martā-aprīlī, mēs iekļāvām vairāk interaktīvu kodēšanas vingrinājumu un projektu atsauksmju sesiju, lai demonstrētu semināra 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 ieguves process. Mākslīgā intelekta kontekstā tas bieži vien ir liels, ar vairākiem mainīgajiem katram paraugam.
Dimensiju samazināšana: process, kurā dati ar daudzām atsevišķām iezīmēm tiek pārveidoti par mazāku skaitu pazīmju, vienlaikus saglabājot sākotnējās datu kopas svarīgās īpašības.
Raksturlielumi (mākslīgā intelekta kontekstā): parauga izmērāmas īpašības. Bieži lieto kā sinonīmus ar “īpašību” vai “mainīgo”.
Gradienta aktivācijas karte: metode, ko izmanto mākslīgā intelekta modeļu (īpaši konvolucionālo neironu tīklu) interpretācijai, kas analizē tīkla pēdējās daļas optimizācijas procesu, lai identificētu datu vai attēlu reģionus, kuriem ir augsta paredzamība.
Standarta modelis: esošs mākslīgā intelekta modelis, kas ir iepriekš apmācīts līdzīgu uzdevumu veikšanai.
Testēšana (mākslīgā intelekta kontekstā): modeļa uzdevuma izpildes novērošana, izmantojot datus, ar kuriem tas iepriekš nav saskāries.
Apmācība (mākslīgā intelekta kontekstā): modeļa nodrošināšana ar datiem un rezultātiem, lai modelis pielāgotu savus iekšējos parametrus un optimizētu spēju veikt uzdevumus, izmantojot jaunus datus.
Vektors: datu masīvs. Mašīnmācībā katrs masīva elements parasti ir unikāla parauga iezīme.
1. tabulā ir uzskaitīti jaunākie 2021. gada aprīļa kursi, tostarp katrai tēmai paredzētie mācību mērķi. Šī darbnīca ir paredzēta tiem, kas ir jauni tehniskajā līmenī, un tai nav nepieciešamas nekādas matemātiskas zināšanas pēc medicīnas bakalaura studiju pirmā kursa. Kursu izstrādāja 6 medicīnas studenti un 3 skolotāji ar augstāko inženierzinātņu grādu. Inženieri izstrādā mākslīgā intelekta teoriju mācīšanai, un medicīnas studenti apgūst klīniski nozīmīgu materiālu.
Darbnīcas ietver lekcijas, gadījumu izpēti un vadītu programmēšanu. Pirmajā lekcijā mēs apskatīsim atsevišķus datu analīzes jēdzienus biostatistikā, tostarp datu vizualizāciju, loģistisko regresiju un aprakstošās un induktīvās statistikas salīdzinājumu. 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, kā arī ar to, ka dažiem bakalaura studentiem bija iepriekšēja apmācība biostatistikā un viņi vēlējās aptvert unikālākas mašīnmācīšanās tēmas. Nākamajā lekcijā tiek iepazīstināts ar modernām metodēm un apspriesta mākslīgā intelekta problēmu formulēšana, mākslīgā intelekta modeļu priekšrocības un ierobežojumi, kā arī modeļu testēšana. Lekcijas papildina literatūra un praktiski pētījumi par esošajām mākslīgā intelekta ierīcēm. Mēs uzsveram prasmes, kas nepieciešamas, lai novērtētu modeļa efektivitāti un iespējamību klīnisko jautājumu risināšanā, tostarp izpratni par esošo mākslīgā intelekta ierīču ierobežojumiem. Piemēram, mēs lūdzām studentus interpretēt Kuppermana u.c. ierosinātās pediatriskās galvas traumu vadlīnijas5, kurās tika ieviests mākslīgā intelekta lēmumu koka algoritms, lai noteiktu, vai datortomogrāfijas skenēšana būtu noderīga, pamatojoties uz ārsta izmeklēšanu. Mēs uzsveram, ka šis ir izplatīts piemērs tam, kā mākslīgais intelekts nodrošina paredzošo analītiku ārstiem interpretēšanai, nevis ārstu aizstāšanai.
Pieejamajos atvērtā pirmkoda sāknēšanas programmēšanas piemēros (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) mēs demonstrējam, kā veikt izpētes datu analīzi, dimensiju samazināšanu, standarta modeļa ielādi, kā arī apmācību un testēšanu. Mēs izmantojam Google Colaboratory piezīmju grāmatiņas (Google LLC, Mountain View, CA), kas ļauj izpildīt Python kodu no tīmekļa pārlūkprogrammas. 2. attēlā ir sniegts programmēšanas vingrinājuma piemērs. Šis vingrinājums ietver ļaundabīgo audzēju prognozēšanu, izmantojot Wisconsin Open Breast Imaging Dataset6 un lēmumu koka algoritmu.
Visas nedēļas garumā prezentējiet programmas par saistītām tēmām un izvēlieties piemērus no publicētajām mākslīgā intelekta lietojumprogrammām. Programmēšanas elementi tiek iekļauti tikai tad, ja tie tiek uzskatīti par atbilstošiem ieskatu sniegšanai turpmākajā klīniskajā praksē, piemēram, kā novērtēt modeļus, lai noteiktu, vai tie ir gatavi lietošanai klīniskajos pētījumos. Šie piemēri kulminējas pilnvērtīgā visaptverošā lietojumprogrammā, kas klasificē audzējus kā labdabīgus vai ļaundabīgus, pamatojoties uz medicīnisko attēlu parametriem.
Iepriekšējo zināšanu neviendabīgums. Mūsu dalībnieku matemātisko zināšanu līmenis bija atšķirīgs. Piemēram, studenti ar augstāko inženierzinātņu izglītību meklē padziļinātāku materiālu, piemēram, kā veikt savas Furjē transformācijas. Tomēr Furjē algoritma apspriešana klasē nav iespējama, jo tas prasa padziļinātas zināšanas par signālu apstrādi.
Apmeklētības samazināšanās. Apmeklētība turpmākajās sanāksmēs samazinājās, īpaši tiešsaistes formātos. Risinājums varētu būt apmeklējuma uzskaite un pabeigšanas sertifikāta izsniegšana. Ir zināms, ka medicīnas skolas atzīst studentu ārpusklases akadēmisko aktivitāšu izrakstus, kas var mudināt studentus iegūt grādu.
Kursa dizains: Tā kā mākslīgais intelekts aptver tik daudzas apakšnozares, atbilstoša dziļuma un plašuma pamatjēdzienu izvēle var būt sarežģīta. Piemēram, svarīga tēma ir mākslīgā intelekta rīku lietošanas nepārtrauktība no laboratorijas līdz klīnikai. Lai gan mēs aptveram datu pirmapstrādi, modeļu veidošanu un validāciju, mēs neiekļaujam tādas tēmas kā lielo datu analītika, interaktīva vizualizācija vai mākslīgā intelekta klīnisko pētījumu veikšana, tā vietā mēs koncentrējamies uz unikālākajiem mākslīgā intelekta jēdzieniem. Mūsu vadlīnija ir uzlabot lasītprasmi, nevis prasmes. Piemēram, izpratne par to, kā modelis apstrādā ievades pazīmes, ir svarīga interpretējamībai. Viens no veidiem, kā to izdarīt, ir izmantot gradienta aktivācijas kartes, kas var vizualizēt, kuri datu reģioni ir paredzami. Tomēr tas prasa daudzfaktoru aprēķinus, un to nevar ieviest8. Vienotas terminoloģijas izstrāde bija sarežģīta, jo mēs centāmies izskaidrot, kā strādāt ar datiem kā vektoriem bez matemātiska formalisma. Ņemiet vērā, ka dažādiem terminiem ir viena un tā pati nozīme, piemēram, epidemioloģijā "raksturlielums" tiek aprakstīts kā "mainīgais" vai "atribūts".
Zināšanu saglabāšana. Tā kā mākslīgā intelekta pielietojums ir ierobežots, vēl jānoskaidro, cik lielā mērā dalībnieki saglabā zināšanas. Medicīnas skolu mācību programmas bieži vien balstās uz atkārtošanu ar intervāliem, lai nostiprinātu zināšanas praktisko rotāciju laikā,9 ko var piemērot arī mākslīgā intelekta izglītībā.
Profesionalitāte ir svarīgāka par lasītprasmi. Materiāla dziļums ir izstrādāts bez matemātiskas stingrības, kas bija problēma, uzsākot klīniskos kursus mākslīgā intelekta jomā. Programmēšanas piemēros mēs izmantojam veidnes programmu, kas ļauj dalībniekiem aizpildīt laukus un palaist programmatūru, neizdomājot, kā iestatīt pilnīgu programmēšanas vidi.
Risinātās bažas par mākslīgo intelektu: Pastāv plaši izplatītas bažas, ka mākslīgais intelekts varētu aizstāt dažus klīniskos pienākumus3. Lai risinātu šo problēmu, mēs izskaidrojam mākslīgā intelekta ierobežojumus, tostarp faktu, ka gandrīz visām regulatoru apstiprinātajām mākslīgā intelekta tehnoloģijām ir nepieciešama ārsta uzraudzība11. Mēs arī uzsveram neobjektivitātes nozīmi, jo algoritmi ir pakļauti neobjektivitātei, īpaši, ja datu kopa nav daudzveidīga12. Līdz ar to noteikta apakšgrupa var tikt modelēta nepareizi, kas noved pie negodīgiem klīniskiem lēmumiem.
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 pirmkoda saturs ir ērta asinhronās mācīšanās metode, jo mākslīgā intelekta zināšanas nav pieejamas visās medicīnas skolās.
Starpdisciplināra sadarbība: Šī darbnīca ir medicīnas studentu un inženieru kopīgs projekts, lai kopīgi plānotu kursus. Tas demonstrē sadarbības iespējas un zināšanu trūkumu abās jomās, ļaujot dalībniekiem izprast potenciālo lomu, ko viņi var sniegt nākotnē.
Definējiet mākslīgā intelekta pamatkompetences. Kompetenču saraksta definēšana nodrošina standartizētu struktūru, ko var integrēt esošajās uz kompetencēm balstītajās medicīnas mācību programmās. Šajā seminārā pašlaik tiek izmantoti Blūma taksonomijas 2. mācību mērķa (izpratne), 3. (pielietojums) un 4. (analīze) līmeņi. Resursi augstākos klasifikācijas līmeņos, piemēram, projektu izveide, var vēl vairāk stiprināt zināšanas. Tas prasa sadarbību ar klīniskajiem ekspertiem, lai noteiktu, kā mākslīgā intelekta tēmas var pielietot klīniskajās darbplūsmās, un novērstu atkārtotu tēmu mācīšanu, kas jau ir iekļautas standarta medicīnas mācību programmās.
Izveidojiet gadījumu izpētes, izmantojot mākslīgo intelektu. Līdzīgi kā klīniskajos piemēros, uz gadījumiem balstīta mācīšanās var pastiprināt abstraktus jēdzienus, izceļot to atbilstību klīniskajiem jautājumiem. Piemēram, vienā semināra pētījumā tika analizēta Google uz mākslīgo intelektu balstītā diabētiskās retinopātijas noteikšanas sistēma,13 lai identificētu izaicinājumus ceļā no laboratorijas līdz klīnikai, piemēram, ārējās validācijas prasības un normatīvās apstiprināšanas ceļus.
Izmantot pieredzes mācīšanos: Tehnisko prasmju apgūšanai nepieciešama mērķtiecīga prakse un atkārtota pielietošana, līdzīgi kā klīnisko praktikantu rotējošā mācību pieredze. Viens no iespējamiem risinājumiem ir apgrieztās klases modelis, kas, kā ziņots, uzlabo zināšanu iegaumēšanu inženierzinātņu izglītībā14. Šajā modelī studenti patstāvīgi pārskata teorētisko materiālu, un nodarbību laiks tiek veltīts problēmu risināšanai, izmantojot gadījumu izpēti.
Pielāgošana daudznozaru dalībniekiem: mēs paredzam mākslīgā intelekta ieviešanu, kas ietver sadarbību vairākās disciplīnās, tostarp ārstus un citus veselības aprūpes speciālistus ar dažādu apmācības līmeni. Tādēļ mācību programmas, iespējams, būs jāizstrādā, konsultējoties ar dažādu nodaļu mācībspēkiem, lai pielāgotu to saturu dažādām veselības aprūpes jomām.
Mākslīgais intelekts ir augsto tehnoloģiju joma, un tā pamatjēdzieni ir saistīti ar matemātiku un datorzinātnēm. Veselības aprūpes personāla apmācība mākslīgā intelekta izpratnē rada unikālus izaicinājumus satura izvēlē, klīniskajā atbilstībā un pasniegšanas metodēs. Mēs ceram, ka atziņas, kas gūtas darbnīcās par mākslīgo intelektu izglītībā, palīdzēs topošajiem pedagogiem izmantot inovatīvus veidus, kā integrēt mākslīgo intelektu medicīnas izglītībā.
Google Colaboratory Python skripts ir atvērtā koda un pieejams šeit: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG un Khan, S. Medicīniskās izglītības pārvērtēšana: aicinājums rīkoties. Akkad. medicine. 88, 1407–1410 (2013).
Makkojs, L. G. u. c. Kas medicīnas studentiem patiesībā jāzina par mākslīgo intelektu? NPZh skaitļi. Medicine 3, 1.–3. lpp. (2020).
Dos Santos, DP, et al. Medicīnas studentu attieksme pret mākslīgo intelektu: daudzcentru aptauja. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R. un Singla, R. Ievads mašīnmācībā medicīnas studentiem: pilotprojekts. J. Med. teach. 54, 1042–1043 (2020).
Kūpermens N. u.c. Bērnu ar ļoti zemu klīniski nozīmīgas smadzeņu traumas risku identificēšana pēc galvas traumas: prospektīvs kohortas pētījums. Lancet 374, 1160–1170 (2009).
Strīta, V.N., Volberga, V.H. un Mangasarians, OL. Kodolu pazīmju 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: dziļo tīklu vizuāla interpretācija, izmantojot uz gradientiem balstītu lokalizāciju. IEEE Starptautiskās datorredzes konferences materiāli, 618–626 (2017).
Kumaravel B., Stewart K. un Ilic D. Spirālveida modeļa izstrāde un novērtēšana uz pierādījumiem balstītas medicīnas kompetenču novērtēšanai, izmantojot OSCE bakalaura medicīnas izglītībā. BMK Medicine. Teach. 21, 1–9 (2021).
Kolachalama VB un Garg PS Mašīnmācīšanās 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. medicine. 25, 44–56 (2019).
Bede, E. u.c. Cilvēkcentrēta dziļās mācīšanās sistēmas, kas tiek izmantota klīnikā diabētiskās retinopātijas noteikšanai, novērtēšana. 2020. gada CHI konferences par cilvēciskajiem faktoriem datorsistēmās materiāli (2020).
Kerr, B. Apgrieztā klase inženierzinātņu izglītībā: pētījuma apskats. 2015. gada Starptautiskās konferences par interaktīvu sadarbību mācībās materiāli (2015).
Autori pateicas Danielai Volkerei, Timam Salkudīnam un Pīteram Zandstram no Britu Kolumbijas Universitātes Biomedicīnas attēlveidošanas un mākslīgā intelekta pētniecības klastera par atbalstu un finansējumu.
Par semināra mācību satura izstrādi bija atbildīgi RH, PP, ZH, RS un MA. Par programmēšanas piemēru izstrādi bija atbildīgi RH un PP. Par projekta loģistikas organizāciju un semināru analīzi bija atbildīgi KYF, OY, MT un PW. Par attēlu un tabulu izveidi bija atbildīgi RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS bija atbildīgi par dokumenta sagatavošanu un rediģēšanu.
Komunikācijas medicīna pateicas Karolīnai Makgregorai, Fabio Moraesam un Adityai Borakati par viņu ieguldījumu šī darba apskatā.
Publicēšanas laiks: 2024. gada 19. februāris