Dėkojame, kad apsilankėte Nature.com.Naudojama naršyklės versija turi ribotą CSS palaikymą.Siekiant geriausių rezultatų, rekomenduojame naudoti naujesnę naršyklės versiją (arba išjungti suderinamumo režimą „Internet Explorer“).Tuo tarpu, norėdami užtikrinti nuolatinį palaikymą, svetainę rodome be stiliaus ar JavaScript.
Klinikinio dirbtinio intelekto (AI) taikymas sparčiai auga, tačiau esamose medicinos mokyklų mokymo programose šios srities mokymas yra ribotas.Čia aprašome dirbtinio intelekto mokymo kursą, kurį sukūrėme ir pristatėme Kanados medicinos studentams, ir pateikiame rekomendacijas būsimam mokymui.
Dirbtinis intelektas (AI) medicinoje gali pagerinti darbo vietos efektyvumą ir padėti priimti klinikinius sprendimus.Kad būtų galima saugiai vadovautis dirbtinio intelekto naudojimu, gydytojai turi turėti tam tikrą supratimą apie dirbtinį intelektą.Daugelyje komentarų remiamas AI sąvokų mokymas1, pvz., AI modelių ir tikrinimo procesų paaiškinimas2.Tačiau įgyvendinta nedaug struktūrinių planų, ypač nacionaliniu lygiu.Pinto dos Santos ir kt.3.Buvo apklausti 263 medicinos studentai ir 71% sutiko, kad jiems reikia dirbtinio intelekto mokymų.Dirbtinio intelekto mokymas medicinos auditorijai reikalauja kruopštaus dizaino, kuriame būtų derinamos techninės ir netechninės sąvokos studentams, kurie dažnai turi daug išankstinių žinių.Aprašome savo patirtį organizuojant dirbtinio intelekto seminarų seriją trims medicinos studentų grupėms ir pateikiame rekomendacijas dėl būsimo medicininio išsilavinimo dirbtinio intelekto srityje.
Mūsų penkių savaičių trukmės seminaras „Įvadas į dirbtinį intelektą medicinoje“ medicinos studentams vyko 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 trys pagrindiniai mokymosi tikslai: studentai supranta, kaip duomenys apdorojami dirbtinio intelekto programose, analizuoja dirbtinio intelekto literatūrą klinikiniam pritaikymui ir išnaudoja galimybes bendradarbiauti su dirbtinį intelektą kuriančiais inžinieriais.
Mėlyna – paskaitos tema, o šviesiai mėlyna – interaktyvus klausimų ir atsakymų laikotarpis.Pilka dalis yra trumpos literatūros apžvalgos akcentas.Oranžinės skiltys yra atrinkti atvejų tyrimai, kuriuose aprašomi dirbtinio intelekto modeliai ar metodai.Green yra programavimo kursas, skirtas dirbtinio intelekto mokymui spręsti klinikines problemas ir įvertinti modelius.Seminarų turinys ir trukmė skiriasi priklausomai nuo studentų poreikių įvertinimo.
Pirmasis seminaras vyko Britų Kolumbijos universitete 2019 m. vasario–balandžio mėnesiais, ir visi 8 dalyviai pateikė teigiamų atsiliepimų4.Dėl COVID-19 2020 m. spalio–lapkričio mėnesiais virtualiai vyko antrasis seminaras, kuriame užsiregistravo 222 medicinos studentai ir 3 rezidentai iš 8 Kanados medicinos mokyklų.Pristatymo skaidrės ir kodas buvo įkelti į atviros prieigos svetainę (http://ubcaimed.github.io).Pagrindinis atsiliepimas iš pirmosios iteracijos buvo toks, kad paskaitos buvo per intensyvios, o medžiaga per daug teorinė.Aptarnavimas šešiose skirtingose Kanados laiko juostose kelia papildomų iššūkių.Taigi per antrąjį seminarą kiekviena sesija buvo sutrumpinta iki 1 valandos, supaprastinta kurso medžiaga, pridėta daugiau atvejų analizės ir sukurtos papildomos programos, leidžiančios dalyviams užpildyti kodo fragmentus su minimaliu derinimo būdu (1 langelis).Pagrindiniai atsiliepimai iš antrosios iteracijos buvo teigiami atsiliepimai apie programavimo pratimus ir prašymas parodyti mašininio mokymosi projekto planavimą.Todėl į trečiąjį seminarą, virtualiai surengtą 126 medicinos studentams 2021 m. kovo–balandžio mėn., įtraukėme daugiau interaktyvių kodavimo pratimų ir projektų grįžtamojo ryšio seansų, kad parodytume seminarų koncepcijų naudojimo projektams poveikį.
Duomenų analizė: statistikos studijų sritis, kuri identifikuoja reikšmingus duomenų modelius analizuodama, apdorojant ir perduodant duomenų šablonus.
Duomenų gavyba: duomenų identifikavimo ir išgavimo procesas.Dirbtinio intelekto kontekste tai dažnai yra didelė, kiekvienam pavyzdžiui būdingi keli kintamieji.
Matmenų mažinimas: daug individualių savybių turinčių duomenų transformavimo į mažiau funkcijų, išsaugant svarbias pradinio duomenų rinkinio savybes, procesas.
Charakteristikos (dirbtinio intelekto kontekste): išmatuojamos mėginio savybės.Dažnai vartojamas kaip „savybė“ arba „kintamasis“.
Gradiento aktyvinimo žemėlapis: metodas, naudojamas dirbtinio intelekto modeliams (ypač konvoliuciniams neuroniniams tinklams) interpretuoti, kuris analizuoja paskutinės tinklo dalies optimizavimo procesą, kad būtų galima nustatyti duomenų ar vaizdų sritis, kurios yra labai nuspėjamos.
Standartinis modelis: esamas AI modelis, kuris buvo iš anksto apmokytas atlikti panašias užduotis.
Testavimas (dirbtinio intelekto kontekste): stebėjimas, kaip modelis atlieka užduotį naudodamas duomenis, su kuriais jis anksčiau nebuvo susidūręs.
Mokymas (dirbtinio intelekto kontekste): modelio pateikimas su duomenimis ir rezultatais, kad modelis pakoreguotų vidinius parametrus, kad optimizuotų savo gebėjimą atlikti užduotis naudojant naujus duomenis.
Vektorius: duomenų masyvas.Mašininio mokymosi metu kiekvienas masyvo elementas paprastai yra unikali pavyzdžio savybė.
1 lentelėje pateikiami naujausi 2021 m. balandžio mėn. kursai, įskaitant kiekvienos temos tikslinius mokymosi tikslus.Šis seminaras skirtas tiems, kurie nėra susipažinę su techniniu lygiu ir nereikalauja jokių matematinių žinių po pirmųjų medicinos bakalauro studijų metų.Kursą parengė 6 medicinos studentai ir 3 dėstytojai, turintys aukštąjį inžinerijos laipsnį.Inžinieriai kuria dirbtinio intelekto teoriją, kad galėtų dėstyti, o medicinos studentai mokosi kliniškai svarbios medžiagos.
Seminarai apima paskaitas, atvejų analizę ir vadovaujamą programavimą.Pirmoje paskaitoje apžvelgiame pasirinktas biostatistikos duomenų analizės koncepcijas, apimančias duomenų vizualizavimą, logistinę regresiją, aprašomosios ir indukcinės statistikos palyginimą.Nors duomenų analizė yra dirbtinio intelekto pagrindas, neįtraukiame tokių temų kaip duomenų gavyba, reikšmingumo testavimas ar interaktyvi vizualizacija.Taip atsitiko dėl laiko apribojimų ir todėl, kad kai kurie bakalauro studijų studentai turėjo išankstinį biostatistikos mokymą ir norėjo aprėpti daugiau unikalių mašininio mokymosi temų.Tolesnėje paskaitoje pristatomi šiuolaikiniai metodai ir aptariamas AI problemos formulavimas, AI modelių pranašumai ir apribojimai bei modelių testavimas.Paskaitas papildo literatūra ir praktiniai tyrimai apie esamus dirbtinio intelekto įrenginius.Mes pabrėžiame įgūdžius, reikalingus norint įvertinti modelio efektyvumą ir pagrįstumą klinikiniams klausimams spręsti, įskaitant esamų dirbtinio intelekto įrenginių apribojimų supratimą.Pavyzdžiui, paprašėme studentų interpretuoti Kupperman ir kt., 5 pasiūlytas vaikų galvos traumų gaires, kuriose įdiegtas dirbtinio intelekto sprendimų medžio algoritmas, siekiant nustatyti, ar kompiuterinė tomografija būtų naudinga remiantis gydytojo apžiūra.Pabrėžiame, kad tai yra įprastas pavyzdys, kai dirbtinis intelektas teikia prognozuojamąją analizę, kurią gydytojai gali interpretuoti, o ne pakeičia gydytojus.
Turimuose atvirojo kodo įkrovos programavimo pavyzdžiuose (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) parodome, kaip atlikti tiriamąją duomenų analizę, matmenų mažinimą, standartinio modelio įkėlimą ir mokymą. .ir testavimas.Naudojame Google Colaboratory bloknotus (Google LLC, Mountain View, CA), kurie leidžia Python kodą vykdyti iš žiniatinklio naršyklės.2 pav. pateiktas programavimo pratimo pavyzdys.Šis pratimas apima piktybinių navikų prognozavimą naudojant Viskonsino atvirojo krūties vaizdo duomenų rinkinį6 ir sprendimų medžio algoritmą.
Visą savaitę pristatykite programas susijusiomis temomis ir pasirinkite pavyzdžius iš paskelbtų AI programų.Programavimo elementai įtraukiami tik tuo atveju, jei manoma, kad jie svarbūs teikiant įžvalgą apie būsimą klinikinę praktiką, pvz., kaip įvertinti modelius, siekiant nustatyti, ar jie yra paruošti naudoti klinikiniams tyrimams.Šie pavyzdžiai baigiasi visaverte visaverte programa, kuri pagal medicininio vaizdo parametrus klasifikuoja navikus kaip gerybinius arba piktybinius.
Ankstesnių žinių heterogeniškumas.Mūsų dalyviai skyrėsi savo matematinių žinių lygiu.Pavyzdžiui, pažangių inžinerinių žinių turintys studentai ieško išsamesnės medžiagos, pavyzdžiui, kaip atlikti Furjė transformacijas.Tačiau Furjė algoritmo aptarimas klasėje neįmanomas, nes tam reikia gilių žinių apie signalo apdorojimą.
Lankomumo nutekėjimas.Dalyvavimas tolesniuose susitikimuose sumažėjo, ypač internetiniuose formatuose.Sprendimas gali būti sekti lankomumą ir pateikti baigimo pažymėjimą.Žinoma, kad medicinos mokyklos atpažįsta studentų užklasinės akademinės veiklos nuorašus, o tai gali paskatinti studentus siekti laipsnio.
Kurso dizainas: Kadangi AI apima tiek daug polaukių, pasirinkti pagrindines tinkamo gylio ir pločio koncepcijas gali būti sudėtinga.Pavyzdžiui, AI priemonių naudojimo tęstinumas nuo laboratorijos iki klinikos yra svarbi tema.Nors aptariame išankstinį duomenų apdorojimą, modelių kūrimą ir patvirtinimą, neįtraukiame tokių temų kaip didelių duomenų analizė, interaktyvi vizualizacija ar AI klinikinių tyrimų vykdymas, o sutelkiame dėmesį į unikaliausias AI koncepcijas.Mūsų pagrindinis principas yra tobulinti raštingumą, o ne įgūdžius.Pavyzdžiui, norint suprasti, kaip modelis apdoroja įvesties funkcijas, svarbu suprasti.Vienas iš būdų tai padaryti yra naudoti gradiento aktyvinimo žemėlapius, kurie gali vizualizuoti, kurie duomenų regionai yra nuspėjami.Tačiau tam reikalingas daugiamatis skaičiavimas ir jo negalima įdiegti8.Sukurti bendrą terminiją buvo sudėtinga, nes bandėme paaiškinti, kaip dirbti su duomenimis kaip vektoriais be matematinio formalizmo.Atminkite, kad skirtingi terminai turi tą pačią reikšmę, pavyzdžiui, epidemiologijoje „charakteristika“ apibūdinama kaip „kintamasis“ arba „atributas“.
Žinių išsaugojimas.Kadangi dirbtinio intelekto taikymas yra ribotas, dar reikia pamatyti, kiek dalyviai išsaugos žinias.Medicinos mokyklų mokymo programos dažnai remiasi tam tikrais pasikartojimais, siekiant sustiprinti žinias praktinių rotacijų metu9, o tai taip pat gali būti taikoma DI mokymui.
Profesionalumas yra svarbesnis už raštingumą.Medžiagos gylis sukurtas be matematinio griežtumo, o tai buvo problema pradedant klinikinius dirbtinio intelekto kursus.Programavimo pavyzdžiuose mes naudojame šabloninę programą, kuri leidžia dalyviams užpildyti laukus ir paleisti programinę įrangą, nereikia sugalvoti, kaip sukurti visą programavimo aplinką.
Išspręstas susirūpinimas dėl dirbtinio intelekto: yra plačiai paplitęs susirūpinimas, kad dirbtinis intelektas gali pakeisti kai kurias klinikines pareigas3.Norėdami išspręsti šią problemą, paaiškiname AI apribojimus, įskaitant faktą, kad beveik visoms reguliavimo institucijų patvirtintoms AI technologijoms reikalinga gydytojo priežiūra11.Taip pat pabrėžiame šališkumo svarbą, nes algoritmai yra linkę į šališkumą, ypač jei duomenų rinkinys nėra įvairus12.Todėl tam tikras pogrupis gali būti sumodeliuotas neteisingai, todėl priimami nesąžiningi klinikiniai sprendimai.
Ištekliai yra viešai prieinami: Sukūrėme viešai prieinamus išteklius, įskaitant paskaitų skaidres ir kodą.Nors prieiga prie sinchroninio turinio yra apribota dėl laiko juostų, atvirojo kodo turinys yra patogus asinchroninio mokymosi metodas, nes dirbtinio intelekto žinios prieinamos ne visose medicinos mokyklose.
Tarpdalykinis bendradarbiavimas: Šis seminaras yra bendra medicinos studentų iniciatyva planuoti kursus kartu su inžinieriais.Tai parodo bendradarbiavimo galimybes ir žinių spragas abiejose srityse, o tai leidžia dalyviams suprasti galimą vaidmenį, prie kurio jie gali prisidėti ateityje.
Apibrėžkite pagrindines AI kompetencijas.Apibrėžus kompetencijų sąrašą, gaunama standartizuota struktūra, kurią galima integruoti į esamas kompetencijomis pagrįstas medicinos mokymo programas.Šiame seminare šiuo metu naudojami 2 mokymosi tikslo lygiai (supratimas), 3 (taikymas) ir 4 (analizė) Bloomo taksonomijos.Turėdami aukštesnio lygio klasifikavimo išteklius, pvz., kurdami projektus, galite dar labiau sustiprinti žinias.Tam reikia dirbti su klinikiniais ekspertais, siekiant nustatyti, kaip dirbtinio intelekto temas galima pritaikyti klinikinėms darbo eigoms ir užkirsti kelią pasikartojančių temų mokymui, jau įtrauktam į standartines medicinos programas.
Kurkite atvejų tyrimus naudodami AI.Panašiai kaip klinikiniai pavyzdžiai, atvejo mokymasis gali sustiprinti abstrakčias sąvokas, pabrėžiant jų svarbą klinikiniams klausimams.Pavyzdžiui, viename seminaro tyrime buvo analizuojama „Google“ dirbtiniu intelektu pagrįsta diabetinės retinopatijos aptikimo sistema 13, siekiant nustatyti iššūkius kelyje nuo laboratorijos iki klinikos, pvz., išorinio patvirtinimo reikalavimus ir reguliavimo patvirtinimo būdus.
Naudokite patyriminį mokymąsi: techniniams įgūdžiams reikia kryptingos praktikos ir pakartotinio pritaikymo, panašiai kaip besikeičiančios klinikinių stažuotojų mokymosi patirtis.Vienas iš galimų sprendimų yra apverstos klasės modelis, kuris, kaip pranešama, pagerina žinių išsaugojimą inžineriniame išsilavinime14.Šiame modelyje studentai savarankiškai peržiūri teorinę medžiagą, o pamokos laikas skiriamas problemų sprendimui per atvejo analizę.
Mastelio keitimas daugiadalykiams dalyviams: mes įsivaizduojame, kad dirbtinio intelekto pritaikymas apima bendradarbiavimą tarp kelių disciplinų, įskaitant gydytojus ir susijusius sveikatos specialistus, turinčius įvairaus išsilavinimo.Todėl mokymo programas gali tekti rengti konsultuojantis su skirtingų katedrų dėstytojais, kad jų turinys būtų pritaikytas skirtingoms sveikatos priežiūros sritims.
Dirbtinis intelektas yra aukštųjų technologijų, o jo pagrindinės sąvokos yra susijusios su matematika ir kompiuterių mokslu.Sveikatos priežiūros personalo mokymas suprasti dirbtinį intelektą kelia unikalių iššūkių, susijusių su turinio parinkimu, klinikine svarba ir pristatymo metodais.Tikimės, kad įžvalgos, gautos iš AI in Education seminarų, padės būsimiems pedagogams priimti novatoriškus būdus integruoti AI į medicinos mokymą.
„Google Colaboratory Python“ scenarijus yra atvirojo kodo ir pasiekiamas adresu https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG ir Khan, S. Medicininio išsilavinimo permąstymas: raginimas veikti.Akkad.vaistas.88, 1407–1410 (2013).
McCoy, LG ir kt. Ką medicinos studentai tikrai turi žinoti apie dirbtinį intelektą?NPZh skaičiai.Medicina 3, 1–3 (2020).
Dos Santos, DP ir kt.Medicinos studentų požiūris į dirbtinį intelektą: daugiacentris tyrimas.EURO.radiacija.29, 1640–1646 (2019).
Fan, KY, Hu, R. ir Singla, R. Įvadas į mašininį mokymąsi medicinos studentams: bandomasis projektas.J. Med.mokyti.54, 1042–1043 (2020).
Cooperman N ir kt.Vaikų, kuriems yra labai maža kliniškai reikšmingo smegenų sužalojimo rizika po galvos traumos, nustatymas: perspektyvus kohortos tyrimas.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ir Mangasarian, OL.Branduolinių elementų ekstrakcija krūties navikų diagnostikai.Biomedicinos mokslas.Vaizdo apdorojimas.Biomedicinos mokslas.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. ir Peng, L. Kaip sukurti mašininio mokymosi modelius sveikatos priežiūrai.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR ir kt.Grad-cam: vizualinis giliųjų tinklų interpretavimas naudojant gradiento lokalizaciją.IEEE tarptautinės kompiuterinės vizijos konferencijos medžiaga, 618–626 (2017).
Kumaravel B, Stewart K ir Ilic D. Spiralinio modelio, skirto įrodymais pagrįstos medicinos kompetencijoms įvertinti naudojant ESBO medicinos bakalauro studijų srityje, kūrimas ir vertinimas.BMK medicina.mokyti.21, 1–9 (2021).
Kolachalama VB ir Garg PS Mašininis 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 radiologijos srityje: 100 komercinių produktų ir jų moksliniai įrodymai.EURO.radiacija.31, 3797–3804 (2021).
Topol, EJ Aukštos kokybės medicina: žmogaus ir dirbtinio intelekto konvergencija.Nat.vaistas.25, 44–56 (2019).
Bede, E. ir kt.Į žmogų orientuotas giluminio mokymosi sistemos, įdiegtos klinikoje diabetinei retinopatijai nustatyti, įvertinimas.2020 m. CHI konferencijos apie žmogiškuosius veiksnius kompiuterinėse sistemose medžiaga (2020 m.).
Kerr, B. Apversta klasė inžineriniame išsilavinime: tyrimų apžvalga.2015 m. tarptautinės interaktyvaus mokymosi bendradarbiaujant konferencijos pranešimų medžiaga (2015).
Autoriai dėkoja Danielle Walker, Timui Salcudinui ir Peteriui Zandstrai iš Britų Kolumbijos universiteto Biomedicininio vaizdo ir dirbtinio intelekto tyrimų grupės 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 logistinį projekto organizavimą ir seminarų analizę.RH, OY, MT, RS buvo atsakingi už paveikslų ir lentelių kūrimą.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS buvo atsakingi už dokumento rengimą ir redagavimą.
Komunikacijos medicina dėkoja Carolyn McGregor, Fabio Moraes ir Aditya Borakati už jų indėlį peržiūrint šį darbą.
Paskelbimo laikas: 2024-02-19