Dėkojame, kad apsilankėte gamtoje.com. Jūsų naudojamos naršyklės versijoje yra ribotas CSS palaikymas. Norėdami gauti geriausius rezultatus, mes rekomenduojame naudoti naujesnę naršyklės versiją (arba išjungti suderinamumo režimą „Internet Explorer“). Tuo tarpu, norėdami užtikrinti nuolatinę palaikymą, mes rodome svetainę be stiliaus ar „JavaScript“.
Klinikinio dirbtinio intelekto (AI) taikymas sparčiai auga, tačiau esamos medicinos mokyklų mokymo programos siūlo ribotą mokymą, apimantį šią sritį. Čia aprašome dirbtinio intelekto mokymo kursus, kuriuos sukūrėme ir pristatyėme Kanados medicinos studentams bei pateikėme būsimo mokymo rekomendacijas.
Dirbtinis intelektas (AI) medicinoje gali pagerinti efektyvumą darbo vietoje ir padėti priimti klinikinius sprendimus. Norėdami saugiai vadovauti dirbtinio intelekto naudojimui, gydytojai turi šiek tiek suprasti dirbtinį intelektą. Daugybė komentarų pasisako už AI koncepcijų mokymą1, pavyzdžiui, paaiškinti AI modelius ir patikrinimo procesus2. Tačiau nedaug struktūrizuotų planų buvo įgyvendinti, ypač nacionaliniu lygmeniu. Pinto dos Santos ir kt. Buvo apklausti 263 medicinos studentai ir 71% sutiko, kad jiems reikia dirbtinio intelekto mokymo. Mokant dirbtinį intelektą medicinos auditorijai reikia kruopštaus dizaino, kuriame derinamos techninės ir netechninės sąvokos studentams, kurie dažnai turi didelių išankstinių žinių. Mes aprašome savo patirtį, teikiančią AI dirbtuvių seriją trims medicinos studentų grupėms ir pateikiame rekomendacijas būsimiems medicininiam mokymui AI.
Mūsų penkių savaičių įvadas į dirbtinio intelekto medicinos seminarą medicinos studentams buvo surengtas tris kartus nuo 2019 m. Vasario mėn. Iki 2021 m. Balandžio mėn. Kiekvieno seminaro tvarkaraštis su trumpu kurso pakeitimų aprašymu parodytas 1 paveiksle. Mūsų kursas turi. Trys pagrindiniai mokymosi tikslai: Studentai supranta, kaip duomenys yra tvarkomi dirbtinio intelekto programose, išanalizuoja dirbtinio intelekto literatūrą klinikinėms reikmėms ir pasinaudokite galimybėmis bendradarbiauti su inžinieriais, kuriančiais dirbtinį intelektą.
Mėlyna yra paskaitos tema, o šviesiai mėlyna - interaktyvus klausimas ir atsakymo laikotarpis. Pilka skyrius yra trumpos literatūros apžvalgos dėmesys. Oranžinės sekcijos yra pasirinktos atvejų tyrimai, kuriuose aprašomi dirbtinio intelekto modeliai ar metodai. „Green“ yra vadovaujamas programavimo kursas, skirtas mokyti dirbtinio intelekto klinikinėms problemoms išspręsti ir įvertinti modelius. Seminarų turinys ir trukmė skiriasi atsižvelgiant į studentų poreikių vertinimą.
Pirmasis seminaras vyko Britų Kolumbijos universitete nuo 2019 m. Vasario iki balandžio, o visi 8 dalyviai pateikė teigiamą atsiliepimą4. Dėl „Covid-19“ antrasis seminaras buvo surengtas praktiškai 2020 m. Spalio-lapkričio mėn., 222 medicinos studentai ir 3 gyventojai iš 8 Kanados medicinos mokyklų registruojasi. Pristatymo skaidrės ir kodas buvo įkelti į atviros prieigos svetainę (http://ubcaimed.github.io). Pagrindiniai pirmosios iteracijos atsiliepimai buvo tai, kad paskaitos buvo pernelyg intensyvios, o medžiaga - pernelyg teorinė. Tarnaudami šešias Kanados skirtingas laiko juostas kelia papildomų iššūkių. Taigi, antrasis seminaras sutrumpino kiekvieną sesiją iki 1 valandos, supaprastino kurso medžiagą, pridėjo daugiau atvejų tyrimų ir sukūrė katilinės programas, kurios dalyviams leido užpildyti kodų fragmentus su minimaliu derinimo būdu (1 langelis). Pagrindiniai antrosios iteracijos atsiliepimai apėmė teigiamus atsiliepimus apie programavimo pratimus ir prašymą parodyti mašininio mokymosi projekto planavimą. Todėl mūsų trečiame seminare beveik 126 medicinos studentams buvo surengta 2021 m. Kovo-balandžio mėn., Mes įtraukėme daugiau interaktyvių kodavimo pratybų ir projektų grįžtamojo ryšio sesijų, kad parodytume seminaro koncepcijų naudojimo projektams poveikį.
Duomenų analizė: Statistikos tyrimo sritis, kurioje identifikuojami reikšmingi duomenų modeliai analizuojant, apdorojant ir perduodant duomenų modelius.
Duomenų gavyba: duomenų identifikavimo ir išgavimo procesas. Dirbtinio intelekto kontekste tai dažnai būna didelė, kiekvienam mėginiui kyla kelis kintamuosius.
Matmenų mažinimas: duomenų, turinčių daugelį atskirų savybių, pertvarkymo procesas į mažiau funkcijų, tuo pačiu išsaugant svarbias pirminio duomenų rinkinio savybes.
Charakteristikos (dirbtinio intelekto kontekste): išmatuojamos mėginio savybės. Dažnai naudojamas pakaitomis su „nuosavybe“ arba „kintama“.
Gradiento aktyvavimo žemėlapis: technika, naudojama aiškinant dirbtinio intelekto modelius (ypač konvoliucinius neuroninius tinklus), kuri analizuoja paskutinės tinklo optimizavimo procesą, kad būtų galima nustatyti labai nuspėjamus duomenų ar vaizdų regionus.
Standartinis modelis: esamas AI modelis, iš anksto išmokytas atlikti panašias užduotis.
Testavimas (dirbtinio intelekto kontekste): stebint, kaip modelis atlieka užduotį, naudodamas duomenis, su kuriais anksčiau nebuvo susidūrusi.
Mokymas (dirbtinio intelekto kontekste): pateikite modelį su duomenimis ir rezultatais, kad modelis pakoreguotų jo vidinius parametrus, kad optimizuotų jo sugebėjimą atlikti užduotis naudojant naujus duomenis.
Vektorius: duomenų rinkinys. Mašinų mokymosi metu kiekvienas masyvo elementas paprastai yra unikali mėginio savybė.
1 lentelėje pateikiami naujausi 2021 m. Balandžio mėn. Kursai, įskaitant tikslinius kiekvienos temos mokymosi tikslus. Šis seminaras skirtas naujiems techniniams lygmenims ir nereikalauja jokių matematinių žinių, viršijančių pirmuosius bakalauro medicinos laipsnio metus. Kursą sukūrė 6 medicinos studentai ir 3 mokytojai, turintys aukštesnius inžinerijos laipsnius. Inžinieriai kuria dirbtinio intelekto teoriją, kurią moko, o medicinos studentai mokosi kliniškai svarbios medžiagos.
Seminarai apima paskaitas, atvejų analizę ir programavimą. Pirmoje paskaitoje apžvelgiame pasirinktas duomenų analizės sąvokas biostatistikoje, įskaitant duomenų vizualizaciją, logistinę regresiją ir aprašomosios ir indukcinės statistikos palyginimą. Nors duomenų analizė yra dirbtinio intelekto pagrindas, mes neįtraukiame tokių temų kaip duomenų gavyba, reikšmingumo testavimas ar interaktyvi vizualizacija. Taip buvo dėl laiko apribojimų ir todėl, kad kai kurie bakalauro studentai išankstiniai biostatistikos mokymai ir norėjo aprėpti daugiau unikalių mašinų mokymosi temų. Vėlesnėje paskaitoje pristatomi šiuolaikiniai metodai ir aptariami AI problemos formulavimas, PG modelių pranašumai ir apribojimai bei modelio testavimas. Paskaitas papildo literatūra ir praktiniai esamų dirbtinio intelekto prietaisų tyrimai. Mes pabrėžiame įgūdžius, reikalingus modelio efektyvumui ir įgyvendinamumui įvertinti klinikinių klausimų sprendimui, įskaitant esamų dirbtinio intelekto prietaisų apribojimų supratimą. Pvz., Mes paprašėme studentų aiškinti vaikų sužalojimo gaires, kurias pasiūlė Kupperman ir kt., 5, kurie įgyvendino dirbtinio intelekto sprendimų medžio algoritmą, kad nustatytų, ar KT nuskaitymas būtų naudingas remiantis gydytojo tyrimu. Mes pabrėžiame, kad tai yra dažnas PG pavyzdys, suteikiantis numatomą analizę, kad gydytojai galėtų interpretuoti, o ne pakeisti gydytojus.
Galimi atvirojo kodo įkrovos programavimo pavyzdžiai (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) parodome, kaip atlikti tiriamųjų duomenų analizę, matmenų mažinimą, standartinį modelio įkėlimą ir mokymą ir mokymą. . ir testavimas. Mes naudojame „Google Colaboratory“ nešiojamuosius kompiuterius („Google LLC“, „Mountain View“, CA), kurie leidžia „Python“ kodui vykdyti iš interneto naršyklės. 2 paveiksle pateiktas programavimo pratimo pavyzdys. Šis pratimas apima piktybinių navikų numatymą naudojant Viskonsino atvirų krūtų vaizdo duomenų rinkinį6 ir sprendimų medžio algoritmą.
Visą savaitę pateikiamos programos susijusiomis temomis ir pasirinkite pavyzdžius iš paskelbtų AI programų. Programavimo elementai įtraukiami tik tuo atveju, jei jie laikomi svarbiais teikiant įžvalgą apie būsimą klinikinę praktiką, pavyzdžiui, kaip įvertinti modelius, siekiant nustatyti, ar jie yra pasirengę naudoti klinikiniuose tyrimuose. Šie pavyzdžiai baigiasi visaverčiu taikymu, kuris klasifikuoja navikus kaip gerybinius ar piktybinius, remiantis medicininio vaizdo parametrais.
Ankstesnių žinių heterogeniškumas. Mūsų dalyviai skyrėsi nuo matematinių žinių. Pvz., Studentai, turintys pažengusiųjų inžinerijos išsilavinimą, ieško išsamesnės medžiagos, pavyzdžiui, kaip atlikti savo Furjė transformacijas. Tačiau neįmanoma aptarti Furjė algoritmo klasėje, nes tam reikia išsamių žinių apie signalo apdorojimą.
Dalyvavimo nutekėjimas. Dalyvavimas tolesniuose susitikimuose sumažėjo, ypač internetiniais formatais. Sprendimas gali būti lankomumo stebėjimas ir užpildymo pažymėjimas. Yra žinoma, kad medicinos mokyklos pripažįsta studentų užklasinės akademinės veiklos nuorašus, kurie gali paskatinti studentus siekti laipsnio.
Kurso dizainas: Kadangi AI apima tiek daug potvynių, gali būti sudėtinga pasirinkti pagrindines tinkamo gylio ir pločio sąvokas. Pavyzdžiui, svarbi tema yra AI įrankių naudojimo tęstinumas nuo laboratorijos į kliniką. Nors mes apžvelgiame duomenų išankstinį apdorojimą, modelio kūrimą ir patvirtinimą, neįtraukiame tokių temų kaip „Big Data Analytics“, interaktyvi vizualizacija ar AI klinikinių tyrimų atlikimas, vietoj to mes sutelkiame dėmesį į unikaliausias AI koncepcijas. Mūsų pagrindinis principas yra pagerinti raštingumą, o ne įgūdžius. Pvz., Suprasti, kaip modelis apdoroja įvesties funkcijas, svarbus aiškumui. Vienas iš būdų tai padaryti yra naudoti gradiento aktyvavimo žemėlapius, kurie gali vizualizuoti, kurie duomenų regionai yra nuspėjami. Tačiau tam reikia daugiamatį skaičiavimą ir negali būti įvestas8. Sukurti bendrą terminiją buvo sudėtinga, nes mes bandėme paaiškinti, kaip dirbti su duomenimis kaip vektoriais be matematinio formalizmo. Atkreipkite dėmesį, kad skirtingi terminai turi tą pačią reikšmę, pavyzdžiui, epidemiologijoje „charakteristika“ apibūdinama kaip „kintamasis“ arba „atributas“.
Žinių išlaikymas. Kadangi AI taikymas yra ribotas, tai, kiek dalyviai išlaiko žinias, dar reikia išsiaiškinti. Medicinos mokyklos mokymo programos dažnai remiasi pakartojimu, kad sustiprintų žinias praktinės rotacijos metu, 9, kuri taip pat gali būti taikoma AI švietimui.
Profesionalumas yra svarbesnis už raštingumą. Medžiagos gylis yra sukurtas be matematinio griežtumo, o tai buvo problema pradedant klinikinius dirbtinio intelekto kursus. Programavimo pavyzdžiuose mes naudojame šablono programą, leidžiančią dalyviams užpildyti laukus ir paleisti programinę įrangą, nesuvokdami, kaip nustatyti visą programavimo aplinką.
Susirūpinimas dėl dirbtinio intelekto: yra labai susirūpinimas, kad dirbtinis intelektas galėtų pakeisti kai kurias klinikines pareigas3. Norėdami išspręsti šią problemą, paaiškiname AI apribojimus, įskaitant tai, kad beveik visoms AI technologijoms, kurias patvirtino reguliavimo institucijos, reikia gydytojų prižiūrėjimo11. Mes taip pat pabrėžiame šališkumo svarbą, nes algoritmai yra linkę į šališkumą, ypač jei duomenų rinkinys nėra įvairus12. Todėl tam tikras pogrupis gali būti neteisingai modeliuojamas, todėl priimami nesąžiningi klinikiniai sprendimai.
Šaltiniai yra viešai prieinami: mes sukūrėme viešai prieinamus išteklius, įskaitant paskaitų skaidres ir kodą. Nors dėl laiko juostų prieiga prie sinchroninio turinio yra ribota, atvirojo kodo turinys yra patogus asinchroninio mokymosi būdas, nes AI kompetencija nėra prieinama visose medicinos mokyklose.
Tarpdisciplininis bendradarbiavimas: Šis seminaras yra bendra įmonė, kurią medicinos studentai inicijuoja planuoti kursus kartu su inžinieriais. Tai rodo bendradarbiavimo galimybes ir žinių spragas abiejose srityse, leidžiančias dalyviams suprasti galimą vaidmenį, kurį jie gali prisidėti ateityje.
Apibrėžkite pagrindines AI kompetencijas. Kompetencijų sąrašo apibrėžimas suteikia standartizuotą struktūrą, kurią galima integruoti į esamas kompetencijomis pagrįstas medicinos programas. Šiame seminare šiuo metu naudojami 2 mokymosi tikslų lygiai (supratimas), 3 (taikymas) ir 4 (analizė) „Bloom“ taksonomijos. Turėdami išteklių aukštesniame klasifikavimo lygyje, pavyzdžiui, kurti projektus, galite dar labiau sustiprinti žinias. Tam reikia dirbti su klinikiniais ekspertais, kad būtų galima nustatyti, kaip AI temos gali būti taikomos klinikinėms darbo eigoms ir užkirsti kelią mokant pasikartojančias temas, jau įtrauktas į standartines medicinos programas.
Sukurkite atvejų tyrimus naudodami AI. Panašiai kaip klinikiniai pavyzdžiai, mokymasis atvejais gali sustiprinti abstrakčias sąvokas, pabrėždamas jų svarbą klinikiniams klausimams. Pavyzdžiui, viename seminaro tyrime buvo išanalizuota „Google“ AI pagrįsta diabetinės retinopatijos aptikimo sistema 13, siekiant nustatyti iššūkius keliu nuo laboratorijos į kliniką, pavyzdžiui, išorinio patvirtinimo reikalavimus ir reguliavimo patvirtinimo kelius.
Naudokite patirtinį mokymąsi: Techniniams įgūdžiams reikalinga tikslinė praktika ir pakartotinai pritaikytas pritaikymas, panašiai kaip besisukanti klinikinių stažuotojų mokymosi patirtis. Vienas iš galimų sprendimų yra apverstas klasės modelis, kuris, kaip pranešta, pagerina žinių išlaikymą inžineriniame švietime14. Šiame modelyje studentai savarankiškai apžvelgia teorinę medžiagą, o klasės laikas yra skirtas problemoms spręsti per atvejų tyrimus.
Daugiadalykinių dalyvių mastelio keitimas: mes įsivaizduojame AI priėmimą, apimantį bendradarbiavimą įvairiose disciplinose, įskaitant gydytojus ir giminingus sveikatos priežiūros specialistus, turinčius skirtingą mokymo lygį. Todėl mokymo programas gali tekti tobulinti konsultuojant su fakultetais iš skirtingų departamentų, kad jų turinys būtų pritaikytas skirtingoms sveikatos priežiūros sritims.
Dirbtinis intelektas yra aukštųjų technologijų, o pagrindinės jo sąvokos yra susijusios su matematika ir informatika. Sveikatos priežiūros personalo mokymas suprasti dirbtinį intelektą kelia unikalius turinio atrankos, klinikinės reikšmės ir pristatymo metodų iššūkius. Tikimės, kad „Education“ seminarų AI įgytos įžvalgos padės būsimiems pedagogams įsitraukti į novatoriškus būdus, kaip integruoti AI į medicinos švietimą.
„Google Colaboratory Python“ scenarijus yra atvirojo kodo ir prieinamas: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG ir Khan, S. Medicininio išsilavinimo permąstymas: raginimas veikti. Akkadas. vaistas. 88, 1407–1410 (2013).
McCoy, LG ir tt Ką medicinos studentai iš tikrųjų turi žinoti apie dirbtinį intelektą? NPZH skaičiai. 3 vaistas, 1–3 (2020 m.).
Dos Santos, DP ir kt. Medicinos studentų požiūris į dirbtinį intelektą: daugiacentrių apklausa. Euras. radiacija. 29, 1640–1646 (2019).
Fan, KY, Hu, R. ir Singla, R. Įvadas į mašinų mokymąsi medicinos studentams: bandomasis projektas. J. Med. mokyti. 54, 1042–1043 (2020).
Cooperman N ir kt. Vaikų, kuriems yra labai maža kliniškai reikšmingos smegenų sužalojimo rizika po galvos traumos, rizika: perspektyvus kohortos tyrimas. „Lancet 374“, 1160–1170 (2009).
Gatvė, WN, Wolberg, WH ir Mangasarian, ol. Branduolinės savybės ekstrahavimas krūties naviko diagnozei. Biomedicinos mokslas. Vaizdo apdorojimas. Biomedicinos mokslas. Weiss. 1905, 861–870 (1993).
Chen, Phc, Liu, Y. ir Peng, L. Kaip kurti mašinų mokymosi modelius sveikatos priežiūros srityje. NAT. Matas. 18, 410–414 (2019).
Selvaraju, RR ir kt. Grad-Cam: vaizdinis giliųjų tinklų aiškinimas per gradientų pagrindu lokalizaciją. IEEE tarptautinės kompiuterinės vizijos konferencijos leidiniai, 618–626 (2017).
Kumaravel B, Stewart K ir Ilic D. Spiralinio modelio, skirto įrodymais pagrįstos medicinos kompetencijoms įvertinti, sukūrimas ir įvertinimas, naudojant ESBO bakalauro medicinos mokslą. BMK medicina. mokyti. 21, 1–9 (2021 m.).
Kolachalama VB ir Garg PS mašinų mokymasis ir medicininis išsilavinimas. NPZH skaičiai. vaistas. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. ir De Rooy, M. Dirbtinis intelektas radiologijoje: 100 komercinių produktų ir jų moksliniai įrodymai. Euras. radiacija. 31, 3797–3804 (2021).
Topol, EJ aukšto našumo medicina: žmogaus ir dirbtinio intelekto konvergencija. NAT. vaistas. 25, 44–56 (2019).
Bede, E. et al. Į žmogų orientuotas giluminio mokymosi sistemos, įdiegtos klinikoje, įvertinimas diabetinei retinopatijai nustatyti. 2020 m. Chi konferencijos apie žmogiškųjų veiksnių skaičiavimo sistemose (2020) pranešimai.
Kerr, B. Inžinerinio ugdymo klasė: tyrimų apžvalga. 2015 m. Tarptautinės interaktyvaus bendradarbiavimo mokymosi konferencijos (2015) leidiniai.
Autoriai dėkoja Danielle Walker, Tim Salcudin ir Peter Zandstra iš „Biomedical Imaging“ ir dirbtinio intelekto tyrimų klasterio Britanijos Kolumbijos universitete už paramą ir finansavimą.
RH, PP, ZH, RS ir MA buvo atsakingi už seminaro mokymo turinio kūrimą. RH ir PP buvo atsakingi už programavimo pavyzdžių kūrimą. KYF, OY, MT ir PW buvo atsakingi už logistinę projekto organizaciją ir seminarus. RH, OY, MT, RS buvo atsakingi už figūrų ir lentelių kūrimą. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS buvo atsakingi už dokumento parengimą ir redagavimą.
Ryšių medicina dėkoja Carolyn McGregor, Fabio Moraes ir Aditya Borakati už indėlį į šio darbo peržiūrą.
Pašto laikas: 2012 m. Vasario 19 d