Dėkojame, kad apsilankėte Nature.com. Jūsų naudojama naršyklės versija turi ribotą CSS palaikymą. Geriausiems rezultatams pasiekti rekomenduojame naudoti naujesnę naršyklės versiją (arba išjungti suderinamumo režimą „Internet Explorer“). Tuo tarpu, siekdami užtikrinti nuolatinį palaikymą, svetainę rodome be stiliaus ar „JavaScript“.
Klinikinio dirbtinio intelekto (DI) taikymas sparčiai auga, tačiau esamos medicinos mokyklų programos siūlo ribotą šios srities mokymą. Čia aprašome dirbtinio intelekto mokymo kursą, kurį sukūrėme ir vedėme Kanados medicinos studentams, ir pateikiame rekomendacijas dėl būsimų mokymų.
Dirbtinis intelektas (DI) medicinoje gali pagerinti darbo vietos efektyvumą ir padėti priimti klinikinius sprendimus. Kad galėtų saugiai valdyti dirbtinio intelekto naudojimą, gydytojai turi turėti tam tikrų supratimų apie dirbtinį intelektą. Daugelyje komentarų rekomenduojama mokyti DI koncepcijų1, pavyzdžiui, paaiškinti DI modelius ir tikrinimo procesus2. Tačiau įgyvendinta nedaug struktūrizuotų planų, ypač nacionaliniu lygmeniu. Pinto dos Santos ir kt.3. Buvo apklausti 263 medicinos studentai, ir 71 % sutiko, kad jiems reikia mokymų dirbtinio intelekto srityje. Dirbtinio intelekto mokymas medicinos auditorijai reikalauja kruopštaus planavimo, kuriame būtų derinamos techninės ir netechninės sąvokos studentams, kurie dažnai turi daug išankstinių žinių. Aprašome savo patirtį vedant DI seminarų ciklą trims medicinos studentų grupėms ir pateikiame rekomendacijas dėl būsimo medicininio švietimo DI srityje.
Mūsų penkių savaičių trukmės įvadinis dirbtinio intelekto medicinoje seminaras medicinos studentams vyko tris kartus nuo 2019 m. vasario iki 2021 m. balandžio mėn. Kiekvieno seminaro tvarkaraštis su trumpu kurso pakeitimų aprašymu pateiktas 1 paveiksle. Mūsų kurso mokymosi tikslai yra trys: studentai supranta, kaip duomenys apdorojami dirbtinio intelekto programose, analizuoja dirbtinio intelekto literatūrą klinikiniam pritaikymui ir pasinaudoja galimybėmis bendradarbiauti su dirbtinį intelektą kuriančiais inžinieriais.
Mėlyna spalva pažymėta paskaitos tema, o šviesiai mėlyna – interaktyvių klausimų ir atsakymų sesija. Pilka spalva pažymėta trumpos literatūros apžvalgos tema. Oranžinėse spalvos dalyse pateikiami atrinkti atvejų tyrimai, kuriuose aprašomi dirbtinio intelekto modeliai ar metodai. Žalia spalva pažymėtas programavimo kursas, skirtas išmokyti dirbtinio intelekto spręsti klinikines problemas ir vertinti modelius. Seminarų turinys ir trukmė skiriasi priklausomai nuo studentų poreikių įvertinimo.
Pirmasis seminaras vyko Britų Kolumbijos universitete 2019 m. vasario–balandžio mėn., ir visi 8 dalyviai pateikė teigiamų atsiliepimų4. Dėl COVID-19 antrasis seminaras vyko virtualiai 2020 m. spalio–lapkričio mėn., jame 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 apie pirmąjį seminarą buvo tas, kad paskaitos buvo per intensyvios, o medžiaga – per daug teorinė. Šešių skirtingų Kanados laiko juostų aptarnavimas kelia papildomų iššūkių. Todėl antrajame seminare kiekviena sesija buvo sutrumpinta iki 1 valandos, supaprastinta kurso medžiaga, pridėta daugiau atvejų tyrimų ir sukurtos standartinės programos, leidžiančios dalyviams atlikti kodo fragmentus su minimaliu derinimu (1 langelis). Pagrindiniai atsiliepimai apie antrąjį seminarą apėmė teigiamus atsiliepimus apie programavimo pratimus ir prašymą pademonstruoti mašininio mokymosi projekto planavimą. Todėl trečiajame mūsų seminare, virtualiai surengtame 126 medicinos studentams 2021 m. kovo–balandžio mėn., įtraukėme daugiau interaktyvių programavimo pratimų ir projektų grįžtamojo ryšio sesijų, siekdami parodyti seminarų koncepcijų naudojimo poveikį projektams.
Duomenų analizė: statistikos studijų sritis, kurioje analizuojant, apdorojant ir perduodant duomenų modelius nustatomi reikšmingi duomenų modeliai.
Duomenų gavyba: duomenų identifikavimo ir išgavimo procesas. Dirbtinio intelekto kontekste šis procesas dažnai būna didelis, kiekvienam imties modeliui naudojant kelis kintamuosius.
Matmenų mažinimas: procesas, kurio metu duomenys su daugybe atskirų savybių transformuojami į mažiau savybių, išsaugant svarbias pradinio duomenų rinkinio savybes.
Charakteristikos (dirbtinio intelekto kontekste): išmatuojamos imties savybės. Dažnai vartojamos kaip „savybė“ arba „kintamasis“.
Gradiento aktyvacijos žemėlapis: technika, naudojama dirbtinio intelekto modeliams (ypač konvoliuciniams neuroniniams tinklams) interpretuoti, kuri analizuoja paskutinės tinklo dalies optimizavimo procesą, siekiant nustatyti duomenų ar vaizdų regionus, kurie yra labai nuspėjami.
Standartinis modelis: esamas dirbtinio intelekto modelis, kuris buvo iš anksto apmokytas atlikti panašias užduotis.
Testavimas (dirbtinio intelekto kontekste): stebėjimas, kaip modelis atlieka užduotį naudodamas duomenis, su kuriais anksčiau nesusidūrė.
Mokymas (dirbtinio intelekto kontekste): modelio pateikimas duomenimis ir rezultatais, kad modelis pakoreguotų savo vidinius parametrus ir optimizuotų savo gebėjimą atlikti užduotis naudojant naujus duomenis.
Vektorius: duomenų masyvas. Mašininio mokymosi srityje kiekvienas masyvo elementas paprastai yra unikali imties savybė.
1 lentelėje pateikiami naujausi 2021 m. balandžio mėn. kursai, įskaitant kiekvienos temos tikslinius mokymosi tikslus. Šis seminaras skirtas tiems, kurie dar tik pradeda dirbti techniniu lygmeniu, ir jam nereikia jokių matematinių žinių, išskyrus pirmuosius medicinos bakalauro studijų metus. Kursą parengė 6 medicinos studentai ir 3 dėstytojai, turintys aukštąjį inžinerijos išsilavinimą. Inžinieriai kuria dirbtinio intelekto teoriją mokymui, o medicinos studentai mokosi kliniškai aktualios medžiagos.
Seminarai apima paskaitas, atvejų analizę ir valdomą programavimą. Pirmojoje paskaitoje apžvelgsime pasirinktas duomenų analizės biostatistikoje koncepcijas, įskaitant duomenų vizualizaciją, logistinę regresiją ir aprašomosios bei indukcinės statistikos palyginimą. Nors duomenų analizė yra dirbtinio intelekto pagrindas, neįtrauksime tokių temų kaip duomenų gavyba, reikšmingumo testavimas ar interaktyvi vizualizacija. Taip buvo dėl laiko apribojimų ir dėl to, kad kai kurie bakalauro studijų studentai buvo anksčiau mokęsi biostatistikos ir norėjo aprėpti unikalesnes mašininio mokymosi temas. Vėlesnėje paskaitoje pristatomi modernūs metodai ir aptariamas dirbtinio intelekto problemų formulavimas, dirbtinio intelekto modelių privalumai ir apribojimai bei modelių testavimas. Paskaitas papildo literatūra ir praktiniai tyrimai apie esamus dirbtinio intelekto įrenginius. Pabrėžiame įgūdžius, reikalingus modelio efektyvumui ir tinkamumui įvertinti sprendžiant klinikinius klausimus, įskaitant esamų dirbtinio intelekto įrenginių apribojimų supratimą. Pavyzdžiui, paprašėme studentų interpretuoti Kupperman ir kt. pasiūlytas vaikų galvos traumų gaires5, kuriose įdiegtas dirbtinio intelekto sprendimų medžio algoritmas, siekiant nustatyti, ar KT nuskaitymas būtų naudingas remiantis gydytojo apžiūra. Pabrėžiame, kad tai yra dažnas dirbtinio intelekto, teikiančio nuspėjamąją analizę gydytojams interpretuoti, o ne pakeičiančio gydytojus, pavyzdys.
Priieinamuose atvirojo kodo „bootstrap“ programavimo pavyzdžiuose (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) demonstruojame, kaip atlikti tiriamąją duomenų analizę, dimensijų mažinimą, standartinio modelio įkėlimą, mokymą ir testavimą. Naudojame „Google Colaboratory“ užrašines („Google LLC“, Mountain View, Kalifornija), kurios leidžia vykdyti Python kodą iš žiniatinklio naršyklės. 2 paveiksle pateiktas programavimo pratimo pavyzdys. Šis pratimas apima piktybinių navikų prognozavimą naudojant Viskonsino atvirąjį krūties vaizdavimo duomenų rinkinį6 ir sprendimų medžio algoritmą.
Visą savaitę pristatykite programas susijusiomis temomis ir pasirinkite pavyzdžius iš paskelbtų dirbtinio intelekto programų. Programavimo elementai įtraukiami tik tuo atveju, jei jie laikomi svarbiais siekiant suteikti įžvalgų apie būsimą klinikinę praktiką, pavyzdžiui, kaip įvertinti modelius, siekiant nustatyti, ar jie yra paruošti naudoti klinikiniuose tyrimuose. Šie pavyzdžiai užbaigiami visavertėje kompleksinėje programoje, kuri klasifikuoja navikus kaip gerybinius arba piktybinius pagal medicininių vaizdų parametrus.
Ankstesnių žinių nevienalytiškumas. Mūsų dalyvių matematinių žinių lygis skyrėsi. Pavyzdžiui, studentai, turintys aukštąjį inžinerinį išsilavinimą, ieško išsamesnės medžiagos, pavyzdžiui, kaip atlikti savo Furjė transformacijas. Tačiau Furjė algoritmo aptarimas klasėje neįmanomas, nes tam reikia išsamių signalų apdorojimo žinių.
Dalyvavimo sumažėjimas. Sumažėjo dalyvavimas tolesniuose susitikimuose, ypač internetiniuose. Sprendimas galėtų būti lankomumo stebėjimas ir baigimo pažymėjimo išdavimas. Medicinos mokyklos yra žinomos dėl to, kad pripažįsta studentų popamokinės akademinės veiklos išrašus, o tai gali paskatinti studentus siekti laipsnio.
Kurso struktūra: Kadangi dirbtinis intelektas apima tiek daug posričių, gali būti sudėtinga pasirinkti tinkamo gylio ir pločio pagrindines sąvokas. Pavyzdžiui, svarbi tema yra dirbtinio intelekto įrankių naudojimo tęstinumas nuo laboratorijos iki klinikos. Nors apžvelgiame duomenų išankstinį apdorojimą, modelių kūrimą ir patvirtinimą, neįtraukiame tokių temų kaip didelių duomenų analizė, interaktyvi vizualizacija ar dirbtinio intelekto klinikinių tyrimų atlikimas, o sutelkiame dėmesį į unikaliausias dirbtinio intelekto sąvokas. Mūsų pagrindinis principas yra gerinti raštingumą, o ne įgūdžius. Pavyzdžiui, svarbu suprasti, kaip modelis apdoroja įvesties ypatybes, kad būtų lengviau interpretuoti. Vienas iš būdų tai padaryti – naudoti gradiento aktyvinimo žemėlapius, kurie gali vizualizuoti, kurie duomenų regionai yra nuspėjami. Tačiau tam reikalingas daugiamatis skaičiavimas ir to negalima įdiegti8. Bendros terminologijos kūrimas buvo sudėtingas, nes 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 įsiminimas. Kadangi dirbtinio intelekto taikymas yra ribotas, dar reikia pamatyti, kiek dalyviai įsimins žinias. Medicinos mokyklų programos dažnai remiasi kartojimu su pertraukomis, siekiant įtvirtinti žinias praktinių užsiėmimų metu,9 o tai taip pat gali būti taikoma dirbtinio intelekto mokymui.
Profesionalumas svarbiau nei raštingumas. Medžiagos išsamumas parengtas be matematinio griežtumo, kuris buvo problema pradedant dirbtinio intelekto klinikinius kursus. Programavimo pavyzdžiuose naudojame šabloninę programą, kuri leidžia dalyviams užpildyti laukus ir paleisti programinę įrangą, nereikia išsiaiškinti, kaip sukurti visą programavimo aplinką.
Išspręsti su dirbtiniu intelektu susiję klausimai: plačiai paplitęs susirūpinimas, kad dirbtinis intelektas galėtų pakeisti kai kurias klinikines pareigas3. Siekdami išspręsti šią problemą, paaiškiname DI apribojimus, įskaitant tai, kad beveik visoms reguliavimo institucijų patvirtintoms DI technologijoms reikalinga gydytojo priežiūra11. Taip pat pabrėžiame šališkumo svarbą, nes algoritmai yra linkę į šališkumą, ypač jei duomenų rinkinys nėra įvairus12. Dėl to tam tikra pogrupė gali būti modeliuojama neteisingai, o tai gali lemti nesąžiningus klinikinius sprendimus.
Ištekliai yra viešai prieinami: sukūrėme viešai prieinamus išteklius, įskaitant paskaitų skaidres ir kodą. Nors prieiga prie sinchroninio turinio yra ribota dėl laiko juostų, atvirojo kodo turinys yra patogus asinchroninio mokymosi metodas, nes dirbtinio intelekto žinios nėra prieinamos visose medicinos mokyklose.
Tarpdisciplininis bendradarbiavimas: šis seminaras yra medicinos studentų ir inžinierių inicijuota bendra įmonė, skirta kursams planuoti kartu su inžinieriais. Tai parodo bendradarbiavimo galimybes ir žinių spragas abiejose srityse, leidžiant dalyviams suprasti galimą vaidmenį, kurį jie gali prisidėti ateityje.
Apibrėžkite pagrindines dirbtinio intelekto kompetencijas. Apibrėžus kompetencijų sąrašą, sukuriama standartizuota struktūra, kurią galima integruoti į esamas kompetencijomis pagrįstas medicinos mokymo programas. Šiuo metu šiame seminare naudojami Bloomo taksonomijos 2 (supratimas), 3 (taikymas) ir 4 (analizė) mokymosi tikslų lygiai. Aukštesnio klasifikavimo lygio ištekliai, pavyzdžiui, projektų kūrimas, gali dar labiau sustiprinti žinias. Tam reikia bendradarbiauti su klinikiniais ekspertais, siekiant nustatyti, kaip dirbtinio intelekto temas galima pritaikyti klinikiniuose darbo eigose, ir užkirsti kelią pasikartojančių temų, jau įtrauktų į standartines medicinos mokymo programas, mokymui.
Kurkite atvejų studijas naudodami dirbtinį intelektą. Panašiai kaip klinikiniai pavyzdžiai, mokymasis atvejais gali sustiprinti abstrakčias sąvokas, pabrėžiant jų aktualumą klinikiniams klausimams. Pavyzdžiui, viename praktiniame tyrime buvo analizuojama „Google“ dirbtiniu intelektu pagrįsta diabetinės retinopatijos aptikimo sistema, 13 siekiant nustatyti iššūkius kelyje iš laboratorijos į kliniką, pvz., išorinio patvirtinimo reikalavimus ir reguliavimo patvirtinimo būdus.
Naudoti praktinį mokymąsi: Techniniai įgūdžiai reikalauja kryptingos praktikos ir pakartotinio taikymo, kad būtų įvaldyti, panašiai kaip klinikinių stažuotojų mokymosi patirtis rotacijos būdu. Vienas iš galimų sprendimų yra apversto mokymo klasės modelis, kuris, kaip pranešama, pagerina žinių įsiminimą inžinerijos studijose14. Pagal šį modelį studentai savarankiškai peržiūri teorinę medžiagą, o paskaitų laikas skiriamas problemų sprendimui, atliekant atvejų analizę.
Pritaikymas daugiadisciplininiams dalyviams: numatome dirbtinio intelekto diegimą, apimantį bendradarbiavimą tarp įvairių disciplinų, įskaitant gydytojus ir kitus sveikatos priežiūros specialistus, turinčius skirtingą išsilavinimo lygį. 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 sritis, o pagrindinės jo sąvokos yra susijusios su matematika ir informatika. Sveikatos priežiūros personalo mokymas suprasti dirbtinį intelektą kelia unikalių iššūkių, susijusių su turinio pasirinkimu, klinikine aktualumu ir pateikimo metodais. Tikimės, kad įžvalgos, gautos iš „DI švietime“ seminarų, padės būsimiems pedagogams pritaikyti novatoriškus būdus, kaip integruoti DI į medicinos švietimą.
„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. medicine. 88, 1407–1410 (2013).
McCoy, LG ir kt. Ką medicinos studentams iš tikrųjų reikia žinoti apie dirbtinį intelektą? NPZh skaičiai. Medicine 3, 1–3 (2020).
Dos Santos, DP ir kt. Medicinos studentų požiūris į dirbtinį intelektą: daugiacentris tyrimas. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R. ir Singla, R. Įvadas į mašininį mokymąsi medicinos studentams: bandomasis projektas. J. Med. Teach. 54, 1042–1043 (2020).
Cooperman N ir kt. Vaikų, kuriems yra labai maža kliniškai reikšmingo smegenų sužalojimo rizika po galvos traumos, nustatymas: perspektyvinis kohortos tyrimas. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ir Mangasarian, OL. Branduolio požymių išskyrimas krūties navikų diagnostikai. Biomedicinos mokslas. Vaizdų apdorojimas. Biomedicinos mokslas. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. ir Peng, L. Kaip kurti mašininio mokymosi modelius sveikatos priežiūrai. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR ir kt. „Grad-cam“: giliųjų tinklų vizualinė interpretacija taikant gradientinę lokalizaciją. IEEE tarptautinės kompiuterinės regos konferencijos darbai, 618–626 (2017).
Kumaravel B, Stewart K ir Ilic D. Spiralinio modelio, skirto įrodymais pagrįstos medicinos kompetencijoms vertinti naudojant OSCE bakalauro medicinos studijose, sukūrimas ir įvertinimas. BMK Medicine. Teach. 21, 1–9 (2021).
Kolachalama VB ir Garg PS Mašininis mokymasis ir medicininis išsilavinimas. NPZh skaičiai. Medicina. 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. Didelio našumo medicina: žmogaus ir dirbtinio intelekto konvergencija. Nat. medicine. 25, 44–56 (2019).
Bede, E. ir kt. Žmogui orientuotas gilaus mokymosi sistemos, naudojamos klinikoje diabetinei retinopatijai nustatyti, vertinimas. 2020 m. CHI konferencijos apie žmogiškuosius veiksnius kompiuterinėse sistemose (2020 m.) medžiaga.
Kerr, B. Apversta klasė inžinerijos studijose: tyrimo apžvalga. 2015 m. tarptautinės interaktyvaus bendradarbiavimo mokymosi konferencijos medžiaga (2015).
Autoriai dėkoja Danielle Walker, Timui Salcudinui ir Peteriui Zandstrai iš Britų Kolumbijos universiteto Biomedicininio vaizdavimo ir dirbtinio intelekto tyrimų grupės už paramą ir finansavimą.
RH, PP, ZH, RS ir MA buvo atsakingi už seminarų mokymo turinio kūrimą. RH ir PP buvo atsakingi už programavimo pavyzdžių kūrimą. KYF, OY, MT ir PW buvo atsakingi už projekto logistinį organizavimą ir seminarų analizę. RH, OY, MT, RS buvo atsakingi už paveikslų ir lentelių sudarymą. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS buvo atsakingi už dokumento parengimą ir redagavimą.
„Communication Medicine“ dėkoja Carolyn McGregor, Fabio Moraes ir Aditya Borakati už jų indėlį į šio darbo apžvalgą.
Įrašo laikas: 2024 m. vasario 19 d.