Täname, et külastasite Nature.com. Teie kasutatava brauseri versioonil on piiratud CSS -tugi. Parimate tulemuste saamiseks soovitame kasutada teie brauseri uuemat versiooni (või ühilduvuse režiimi väljalülitamist Internet Exploreris). Vahepeal näitame pideva toe tagamiseks saiti ilma stiili või JavaScriptita.
Kliinilise tehisintellekti (AI) rakendused kasvavad kiiresti, kuid olemasolevad meditsiinikooli õppekavad pakuvad seda valdkonda piiratud õpetamisega. Siin kirjeldame tehisintellekti koolituskursust, mille välja töötasime ja toimetati Kanada meditsiinitudengitele ning anname soovitusi edaspidiseks koolituseks.
Meditsiini tehisintellekt (AI) võib parandada töökoha tõhusust ja aidata kliinilisi otsuseid teha. Tehisintellekti kasutamise ohutuseks peab arstidel olema teatav arusaam tehisintellektist. Paljud kommentaarid propageerivad AI Concepts1 õpetamist, näiteks AI -mudelite ja kontrolliprotsesside selgitamist2. Siiski on rakendatud vähe struktureeritud plaane, eriti riiklikul tasandil. Pinto Dos Santos jt.3. Küsitleti 263 meditsiiniüliõpilast ja 71% nõustus, et vajavad tehisintellekti koolitust. Tehisintellekti õpetamine meditsiinilisele publikule nõuab hoolikat disaini, mis ühendab tehnilised ja mittetehnilised mõisted õpilastele, kellel on sageli ulatuslikke eelnevaid teadmisi. Kirjeldame oma kogemusi AI -seminaride sarja pakkumisel kolmele meditsiinitudengite rühmale ja anname soovitusi tulevase meditsiinihariduse jaoks AI -s.
Meie viienädalane sissejuhatus meditsiinitudengite meditsiiniõppurite tehisintellektis toimus kolm korda ajavahemikus 2019. aasta veebruar kuni aprill 2021. Iga seminari ajakava koos kursuse muudatuste lühikirjeldusega on näidatud joonisel 1. Meie kursus on seda Kolm peamist õppimise eesmärki: õpilased mõistavad, kuidas tehisintellekti rakendustes andmeid töödeldakse, analüüsivad kliiniliste rakenduste tehisintellekti kirjandust ja kasutavad ära võimalusi koostööks tehisintellekti arendavate inseneridega.
Sinine on loengu teema ja helesinine on interaktiivne küsimus ja vastuste periood. Lühikese kirjanduse ülevaate keskmes on hall osa. Oranžid lõigud on valitud juhtumianalüüsid, mis kirjeldavad tehisintellekti mudeleid või tehnikaid. Green on juhendatud programmeerimiskursus, mille eesmärk on õpetada tehisintellekti kliiniliste probleemide lahendamiseks ja mudelite hindamiseks. Töötubade sisu ja kestus varieeruvad sõltuvalt õpilaste vajaduste hindamisest.
Esimene töötuba toimus Briti Columbia ülikoolis 2019. aasta veebruarist aprillini ja kõik 8 osalejat andsid positiivset tagasisidet4. COVID-19 tõttu toimus teine töötuba praktiliselt oktoobris-novembris 2020, registreeris 222 meditsiinitudengit ja 3 elanikku 8 Kanada meditsiinikoolist. Esitlus slaidid ja kood on üles laaditud avatud juurdepääsu saidile (http://ubcaimed.github.io). Esimese iteratsiooni peamine tagasiside oli see, et loengud olid liiga intensiivsed ja materjalid liiga teoreetilised. Kanada kuue erineva ajavööndi pakkumine on täiendavaid väljakutseid. Seega lühendas teine töötuba iga seansi 1 tund, lihtsustas kursuse materjali, lisas rohkem juhtumianalüüse ja lõi katlaplaadiprogrammid, mis võimaldasid osalejatel koodilõigud minimaalse silumisega lõpule viia (1. kast). Teise iteratsiooni peamine tagasiside sisaldas positiivset tagasisidet programmeerimisharjutuste kohta ja taotlust näidata masinõppe projekti kavandamist. Seetõttu lisasime oma kolmandas töötoas, mis toimus praktiliselt 126 meditsiinitudengi jaoks märtsis-aprillis 2021, interaktiivsemaid kodeerimisharjutusi ja projekti tagasiside seansse, et näidata töökodade kontseptsioonide kasutamise mõju projektides.
Andmeanalüüs: statistika uurimisvaldkond, mis tuvastab andmetes sisukad mustrid, analüüsides, töötledes ja edastades andmete mustreid.
Andmete kaevandamine: andmete tuvastamise ja eraldamise protsess. Tehisintellekti kontekstis on see sageli suur, iga proovi jaoks on mitu muutujat.
Mõõtmete vähendamine: paljude individuaalsete funktsioonidega andmete muundamise protsess vähem funktsioonideks, säilitades samal ajal algse andmekogumi olulised omadused.
Omadused (tehisintellekti kontekstis): proovi mõõdetavad omadused. Kasutatakse sageli vaheldumisi omadusega või muutuvaga.
Gradiendi aktiveerimiskaart: tehnika, mida kasutatakse tehisintellekti mudelite (eriti konvolutsiooniliste närvivõrkude) tõlgendamiseks, mis analüüsib võrgu viimase osa optimeerimise protsessi, et tuvastada andmepiirkonnad või piltide piirkonnad, mis on väga ennustavad.
Standardmudel: olemasolev AI-mudel, mis on eelnevalt koolitatud sarnaste ülesannete täitmiseks.
Testimine (tehisintellekti kontekstis): jälgides, kuidas mudel täidab ülesannet, kasutades andmeid, mida ta pole varem kokku puutunud.
Treening (tehisintellekti kontekstis): mudeli pakkumine andmetele ja tulemustele, nii et mudel kohandab oma sisemisi parameetreid, et optimeerida oma võimalust ülesandeid täita uute andmete abil.
Vektor: andmete massiiv. Masinaõppe puhul on iga massiivi element tavaliselt valimi ainulaadne omadus.
Tabelis 1 on toodud 2021. aasta aprilli uusimaid kursusi, sealhulgas iga teema sihipäraseid õpieesmärke. See töötuba on mõeldud uutele tehnilisele tasemele ja see ei vaja matemaatilisi teadmisi pärast bakalaureuseõppe esimest aastat. Kursuse töötasid välja 6 meditsiinitudeng ja 3 õpetajat, kellel oli kõrgharidus inseneriteaduses. Insenerid arendavad õpetamiseks tehisintellekti teooriat ja meditsiinitudengid õpivad kliiniliselt asjakohast materjali.
Töötoad hõlmavad loenguid, juhtumianalüüse ja juhendatud programmeerimist. Esimeses loengus vaatame üle biostatistika andmeanalüüsi valitud kontseptsioonid, sealhulgas andmete visualiseerimine, logistiline regressioon ning kirjeldava ja induktiivse statistika võrdlus. Ehkki andmete analüüs on tehisintellekti alus, välistame sellised teemad nagu andmete kaevandamine, olulisuse testimine või interaktiivne visualiseerimine. Selle põhjuseks oli ajalised piirangud ja ka seetõttu, et mõnel bakalaureuseõppe üliõpilasel oli eelnev koolitus biostatistika alal ja tahtsid katta unikaalsemaid masinõppe teemasid. Järgnevas loengus tutvustatakse kaasaegseid meetodeid ja käsitletakse AI probleemide sõnastamist, AI -mudelite eeliseid ja piiranguid ning mudeli testimist. Loenguid täiendavad kirjandus ja praktilised uuringud olemasolevate tehisintellekti seadmete kohta. Rõhutame oskusi, mis on vajalikud mudeli tõhususe ja teostatavuse hindamiseks kliiniliste küsimuste käsitlemiseks, sealhulgas olemasolevate tehisintellekti seadmete piirangute mõistmiseks. Näiteks palusime õpilastel tõlgendada Kupperman jt, 5 välja pakutud laste peavigastuste juhiseid, mis rakendasid tehisintellekti otsustuspuu algoritmi, et teha kindlaks, kas CT -skaneerimine oleks kasulik, lähtudes arsti uurimisest. Rõhutame, et see on tavaline näide AI -st, mis pakub arstidele prognoositavat analüütikat arstide asendamise asemel.
Kättesaadavas avatud lähtekoodiga alglaadimisprogrammeerimisnäidetes (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_xamples) demonstreerime, kuidas teha uurimuslikku andmete analüüsi, dimensioonide vähendamist, standardset laadimist ja mudeli laadimist ja mudeli laadimist ja treenimist . ja testimine. Me kasutame Google Colaboratory Notebooks (Google LLC, Mountain View, CA), mis võimaldab Pythoni koodi teostada veebibrauserist. Joonisel 2 on näide programmeerimisharjutusest. See harjutus hõlmab pahaloomuliste kasvajate ennustamist, kasutades Wisconsini avatud rindade kuvamise andmestikku6 ja otsustuspuu algoritmi.
Esitage programme kogu nädala jooksul seotud teemadel ja valige näited avaldatud AI -rakendustest. Programmeerimissemente lisatakse ainult siis, kui neid peetakse oluliseks ülevaate saamiseks tulevase kliinilise praktika kohta, näiteks kuidas hinnata mudeleid, et teha kindlaks, kas nad on kliinilistes uuringutes kasutamiseks valmis. Need näited kulmineeruvad täieõigusliku otsast lõpuni rakendusega, mis klassifitseerib kasvajad healoomulisteks või pahaloomulisteks meditsiiniliste pildiparameetrite põhjal.
Eelteadmiste heterogeensus. Meie osalejad varieerusid oma matemaatiliste teadmiste taseme osas. Näiteks otsivad arenenud inseneri taustaga õpilased põhjalikumat materjali, näiteks kuidas teha oma Fourier-teisendusi. Fourieri algoritmi arutamine klassis pole aga võimalik, kuna see nõuab signaali töötlemise põhjalikke teadmisi.
Osavõtu väljavool. Järelkohtumistel osalemine vähenes, eriti veebivormingutes. Lahendus võib olla osalemise jälgimine ja valmimise tunnistuse saamiseks. Teadaolevalt tunnustavad meditsiinikoolid õpilaste koolivälise akadeemilise tegevuse ärakirju, mis võivad julgustada õpilasi kraadi omandama.
Kursuse kujundamine: kuna AI hõlmab nii palju alamvälju, võib sobiva sügavuse ja laiuse põhimõistete valimine olla keeruline. Näiteks AI -tööriistade kasutamise järjepidevus laborist kliinikusse on oluline teema. Ehkki käsitleme andmete eeltöötlemist, mudeli loomist ja valideerimist, ei hõlma me selliseid teemasid nagu suurandmete analüüs, interaktiivne visualiseerimine või AI kliiniliste uuringute läbiviimine, selle asemel keskendume kõige ainulaadsematele AI kontseptsioonidele. Meie juhtpõhimõte on parandada kirjaoskust, mitte oskusi. Näiteks on tõlgendatavuse jaoks oluline mõista, kuidas mudel töötleb sisendfunktsioone. Üks viis selleks on kasutada gradiendi aktiveerimiskaarte, mis võib visualiseerida, millised andmete piirkonnad on etteaimatavad. See nõuab aga mitme muutujaga arvutust ja seda ei saa tutvustada8. Ühise terminoloogia väljatöötamine oli keeruline, kuna üritasime selgitada, kuidas töötada andmetega ilma matemaatilise formalismita. Pange tähele, et erinevatel terminitel on sama tähendus, näiteks epidemioloogias kirjeldatakse „karakteristikut” kui muutujat või atribuuti.
Teadmiste säilitamine. Kuna AI rakendamine on piiratud, jääb üle vaadata, mil määral osalejad teadmisi säilitavad. Meditsiinikooli õppekavad tuginevad teadmiste tugevdamiseks praktiliste rotatsioonide ajal sageli vahelduva kordusega, mida saab rakendada ka AI haridusele.
Professionaalsus on tähtsam kui kirjaoskus. Materjali sügavus on kavandatud ilma matemaatilise ranguseta, mis oli probleemiks tehisintellekti kliiniliste kursuste käivitamisel. Programmeerimise näidetes kasutame malliprogrammi, mis võimaldab osalejatel väljad täita ja tarkvara käivitada, ilma et peaksime välja mõtlema, kuidas täielikku programmeerimiskeskkonda seadistada.
Mure tehisintellekti pärast, mida käsitleti: on laialt levinud mure, et tehisintellekt võib asendada mõnda kliinilist kohustust3. Selle probleemiga tegelemiseks selgitame AI piiranguid, sealhulgas asjaolu, et peaaegu kõik regulaatorite poolt heaks kiidetud AI -tehnoloogiad nõuavad arsti järelevalvet11. Rõhutame ka eelarvamuste olulisust, kuna algoritmid on kalduvad eelarvamustele, eriti kui andmekogum pole mitmekesine12. Järelikult võib teatud alarühma valesti modelleerida, põhjustades ebaõiglasi kliinilisi otsuseid.
Ressursid on avalikult kättesaadavad: oleme loonud avalikult kättesaadavad ressursid, sealhulgas loengu slaidid ja kood. Ehkki juurdepääs sünkroonsele sisule on ajavööndite tõttu piiratud, on avatud lähtekoodiga sisu asünkroonse õppimise jaoks mugav meetod, kuna AI -teadmised pole kõigis meditsiinikoolides saadaval.
Interdistsiplinaarne koostöö: see töötuba on ühisettevõte, mille meditsiinitudengid algatavad koos inseneridega kursuste kavandamiseks. See näitab koostöövõimalusi ja teadmiste lünki mõlemas valdkonnas, võimaldades osalejatel mõista võimalikku rolli, mida nad tulevikus oma panuse saaksid.
Määratlege AI põhipädevused. Pädevuste loendi määratlemine annab standardiseeritud struktuuri, mida saab integreerida olemasolevasse kompetentsipõhisesse meditsiiniõppekavasse. Selles töötoas kasutatakse Bloomi taksonoomia õppimiseesmärkide 2. taset (mõistmine), 3 (rakendus) ja 4 (analüüs). Ressursside omamine kõrgemal klassifikatsioonitasemel, näiteks projektide loomine, võib teadmisi veelgi tugevdada. See nõuab kliiniliste ekspertidega koostööd, et teha kindlaks, kuidas AI -teemasid saab kliiniliste töövoogude jaoks rakendada ja korduvate teemade õpetamise ärahoidmiseks juba standardse meditsiiniõppe õppekavadesse.
Looge juhtumianalüüsid, kasutades AI -d. Sarnaselt kliiniliste näidetega saab juhtumitepõhine õppimine tugevdada abstraktseid mõisteid, tuues esile nende olulisuse kliiniliste küsimuste osas. Näiteks analüüsiti ühes seminariuuringus Google'i AI-põhist diabeetilist retinopaatia tuvastamise süsteemi 13, et tuvastada väljakutseid laborist kliinikusse, näiteks välised valideerimisnõuded ja regulatiivsed kinnitusrajad.
Kasutage kogemuslikku õppimist: tehnilised oskused nõuavad omandamiseks keskendunud praktikat ja korduvat rakendust, sarnaselt kliiniliste praktikantide pöörlevate õpikogemustega. Üks potentsiaalne lahendus on klappide mudel, mis on teatatud, et parandada teadmiste säilitamist insenerihariduses14. Selles mudelis vaatavad õpilased teoreetilist materjali iseseisvalt üle ja klassiaeg on pühendatud probleemide lahendamisele juhtumianalüüside abil.
Multidistsiplinaarsete osalejate skaleerimine: kavandame AI vastuvõtmist, mis hõlmab koostööd mitme eriala vahel, sealhulgas erineva koolitustasemega arstid ja sellega seotud tervishoiutöötajad. Seetõttu võib -olla tuleb õppekava välja töötada erinevate osakondade õppejõududega konsulteerides, et kohandada nende sisu erinevatele tervishoiuvaldkondadele.
Tehisintellekt on kõrgtehnoloogia ja selle põhikontseptsioonid on seotud matemaatika ja arvutiteadusega. Tervishoiutöötajate koolitamine tehisintellekti mõistmiseks on ainulaadsed väljakutsed sisu valimisel, kliinilises olulisuses ja tarnimismeetodites. Loodame, et AI -st haridusavalduste töötubades saadud teadmised aitavad tulevastel õpetajatel omaks võtta uuenduslikke viise AI integreerimiseks meditsiiniharidusse.
Google Colaboratory Pythoni skript on avatud lähtekoodiga ja saadaval aadressil https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG ja Khan, S. Meditsiinilise hariduse ümbermõtestamine: üleskutse tegevusele. Akkad. ravim. 88, 1407–1410 (2013).
McCoy, LG jne. Mida peavad meditsiinitudengid tegelikult tehisintellekti kohta teadma? NPZH numbrid. Ravim 3, 1–3 (2020).
Dos Santos, DP jt. Meditsiiniüliõpilaste suhtumine tehisintellekti: mitmekeskuseline uuring. Euro. kiirgus. 29, 1640–1646 (2019).
Fan, KY, Hu, R. ja Singla, R. Meditsiinitudengite masinõppe tutvustus: pilootprojekt. J. Med. Õpeta. 54, 1042–1043 (2020).
Cooperman N, et al. Kliiniliselt olulise ajukahjustuse väga madala riskiga laste tuvastamine pärast peavigastust: perspektiivne kohordi uuring. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ja Mangasarian, OL. Tuumaomaduste ekstraheerimine rindade kasvaja diagnoosimisel. Biomeditsiiniteadus. Pilditöötlus. Biomeditsiiniteadus. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. ja Peng, L. Kuidas arendada masinõppe mudeleid tervishoiu jaoks. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR jt. Grad-CAM: sügavate võrkude visuaalne tõlgendamine gradiendipõhise lokaliseerimise kaudu. IEEE rahvusvahelise arvutinägemise konverentsi toimetised, 618–626 (2017).
Kumaravel B, Stewart K ja ILIC D. Spiraalse mudeli väljatöötamine ja hindamine tõenduspõhise ravimi kompetentside hindamiseks, kasutades OSCE-d bakalaureuseõppe meditsiinihariduses. BMK meditsiin. Õpeta. 21, 1–9 (2021).
Kolachalama VB ja Garg PS masinõpe ja meditsiiniline haridus. NPZH numbrid. ravim. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. ja De Rooy, M. Kunstlik intelligentsus radioloogias: 100 kommertstoodet ja nende teaduslikud tõendid. Euro. kiirgus. 31, 3797–3804 (2021).
Topol, EJ suure jõudlusega ravim: inimese ja tehisintellekti lähenemine. Nat. ravim. 25, 44–56 (2019).
Bede, E. jt. Inimkeskne hindamine diabeetilise retinopaatia tuvastamiseks kliinikus kasutusele võetud süvaõppe süsteemi kohta. 2020. aasta CHI -konverentsi toimetised inimtegurite kohta arvutisüsteemides (2020).
Kerr, B. Insenerihariduse klassiruum: teadusuuringute ülevaade. 2015. aasta rahvusvahelise interaktiivse koostööõppe konverentsi toimetised (2015).
Autorid tänavad Danielle Walkerit, Tim Salcudinit ja Peter Zandstrat Briti Columbia ülikooli biomeditsiinilise pildistamise ja tehisintellekti uurimise klastrist toetuse ja rahastamise eest.
RH, PP, ZH, RS ja MA vastutasid töökoja õpetamise sisu arendamise eest. Programmeerimisnäidete väljatöötamise eest vastutasid RH ja PP. Projekti logistilise korralduse ja töötubade analüüsi eest vastutasid KYF, OY, MT ja PW. RH, OY, MT, RS vastutas arvnäitajate ja tabelite loomise eest. RH, KYF, PP, ZH, OY, MINU, PW, TL, MA, RS vastutas dokumendi koostamise ja redigeerimise eest.
Kommunikatsiooniravim tänu Carolyn McGregorit, Fabio Moraesi ja Aditya Borakati panuse eest selle töö läbivaatamisse.
Postiaeg: 19. veebruar 20124