Täname teid Nature.com-i külastamise eest. Teie kasutataval brauseri versioonil on piiratud CSS-i tugi. Parima tulemuse saavutamiseks soovitame kasutada brauseri uuemat versiooni (või lülitada Internet Exploreris ühilduvusrežiimi välja). Seni aga kuvame saiti ilma stiili ja JavaScriptita, et tagada jätkuv tugi.
Kliinilise tehisintellekti (AI) rakendused kasvavad kiiresti, kuid olemasolevad meditsiinikoolide õppekavad pakuvad selles valdkonnas piiratud õpetust. Siin kirjeldame tehisintellekti koolituskursust, mille töötasime välja ja viisime läbi Kanada meditsiinitudengitele, ning anname soovitusi edaspidiseks koolituseks.
Tehisintellekt (TI) meditsiinis saab parandada töökoha tõhusust ja aidata kliinilist otsustusprotsessi. Tehisintellekti ohutuks kasutamiseks peavad arstid tehisintellektist teatud arusaama omama. Paljud kommentaarid pooldavad tehisintellekti kontseptsioonide õpetamist1, näiteks tehisintellekti mudelite ja kontrolliprotsesside selgitamist2. Siiski on rakendatud vähe struktureeritud plaane, eriti riiklikul tasandil. Pinto dos Santos jt3. Küsitleti 263 meditsiinitudengit ja 71% nõustus, et nad vajavad tehisintellekti koolitust. Tehisintellekti õpetamine meditsiinipublikule nõuab hoolikat kavandamist, mis ühendab tehnilisi ja mittetehnilisi kontseptsioone üliõpilaste jaoks, kellel on sageli ulatuslikud eelteadmised. Kirjeldame oma kogemusi tehisintellekti töötubade sarja läbiviimisel kolmele meditsiinitudengite rühmale ja anname soovitusi edaspidiseks meditsiinihariduseks tehisintellekti valdkonnas.
Meie viie nädala pikkune meditsiinitudengitele mõeldud tehisintellekti sissejuhatuse töötuba toimus veebruarist 2019 kuni aprillini 2021 kolm korda. Iga töötoa ajakava koos kursuse muudatuste lühikirjeldusega on näidatud joonisel 1. Meie kursusel on kolm peamist õpieesmärki: tudengid mõistavad, kuidas andmeid tehisintellekti rakendustes töödeldakse, analüüsivad tehisintellekti kirjandust kliiniliste rakenduste jaoks ja kasutavad ära võimalusi teha koostööd tehisintellekti arendavate inseneridega.
Sinine on loengu teema ja helesinine interaktiivsete küsimuste ja vastuste aeg. Hall osa on lühikese kirjanduse ülevaate fookuses. Oranžid osad on valitud juhtumiuuringud, mis kirjeldavad tehisintellekti mudeleid või tehnikaid. Roheline on juhendatud programmeerimiskursus, mis on loodud tehisintellekti õpetamiseks kliiniliste probleemide lahendamiseks ja mudelite hindamiseks. Töötubade sisu ja kestus varieeruvad vastavalt õpilaste vajaduste hindamisele.
Esimene töötuba toimus Briti Columbia ülikoolis veebruarist aprillini 2019 ja kõik 8 osalejat andsid positiivset tagasisidet4. COVID-19 tõttu toimus teine töötuba virtuaalselt oktoobris-novembris 2020, kus registreerus 222 meditsiinitudengit ja 3 residenti 8 Kanada meditsiinikoolist. Esitluse slaidid ja kood on üles laaditud avatud juurdepääsuga saidile (http://ubcaimed.github.io). Esimese iteratsiooni peamine tagasiside oli, et loengud olid liiga intensiivsed ja materjal liiga teoreetiline. Kanada kuue erineva ajavööndi teenindamine tekitab täiendavaid väljakutseid. Seega lühendati teises töötoas iga sessiooni kestust ühe tunnini, lihtsustati kursuse materjali, lisati rohkem juhtumianalüüse ja loodi mallipõhised programmid, mis võimaldasid osalejatel koodijuppe minimaalse silumisega täita (kast 1). Teise iteratsiooni peamine tagasiside hõlmas positiivset tagasisidet programmeerimisharjutuste kohta ja palvet demonstreerida masinõppe projekti planeerimist. Seetõttu kaasasime oma kolmandasse töötuppa, mis toimus virtuaalselt 126 meditsiinitudengile 2021. aasta märtsis-aprillis, interaktiivsemaid kodeerimisharjutusi ja projektide tagasiside sessioone, et demonstreerida töötoa kontseptsioonide kasutamise mõju projektidele.
Andmeanalüüs: statistika valdkond, mis tuvastab andmetes olulisi mustreid andmemustrite analüüsimise, töötlemise ja edastamise teel.
Andmekaevandamine: andmete tuvastamise ja ekstraheerimise protsess. Tehisintellekti kontekstis on see sageli mahukas, iga valimi jaoks on mitu muutujat.
Mõõtmelisuse vähendamine: protsess, mille käigus teisendatakse paljude individuaalsete tunnustega andmed vähemateks tunnusteks, säilitades samal ajal algse andmekogumi olulised omadused.
Omadused (tehisintellekti kontekstis): valimi mõõdetavad omadused. Sageli kasutatakse sünonüümidena mõistetega „omadus“ või „muutuja“.
Gradiendi aktiveerimise kaart: tehisintellekti mudelite (eriti konvolutsiooniliste närvivõrkude) tõlgendamiseks kasutatav tehnika, mis analüüsib võrgu viimase osa optimeerimise protsessi, et tuvastada väga ennustavaid andmete või piltide piirkondi.
Standardmudel: olemasolev tehisintellekti mudel, mis on eelnevalt treenitud sarnaste ülesannete täitmiseks.
Testimine (tehisintellekti kontekstis): mudeli ülesande täitmise jälgimine andmete abil, millega see varem kokku ei puutunud.
Koolitamine (tehisintellekti kontekstis): mudeli varustamine andmete ja tulemustega, et mudel kohandaks oma sisemisi parameetreid, et optimeerida oma võimet uute andmete abil ülesandeid täita.
Vektor: andmete massiiv. Masinõppes on iga massiivi element tavaliselt valimi unikaalne omadus.
Tabelis 1 on loetletud uusimad 2021. aasta aprilli kursused, sealhulgas iga teema sihipärased õpieesmärgid. See töötuba on mõeldud neile, kes on tehnilisel tasemel uued, ega nõua matemaatilisi teadmisi peale meditsiini bakalaureuseõppe esimese aasta. Kursuse töötasid välja 6 meditsiinitudengit ja 3 õpetajat, kellel on inseneriteaduse kõrgharidus. Insenerid arendavad õpetamiseks tehisintellekti teooriat ja meditsiinitudengid õpivad kliiniliselt olulist materjali.
Töötoad hõlmavad loenguid, juhtumiuuringuid ja juhendatud programmeerimist. Esimeses loengus vaatame üle valitud biostatistika andmeanalüüsi kontseptsioonid, sealhulgas andmete visualiseerimise, logistilise regressiooni ning kirjeldava ja induktiivse statistika võrdluse. Kuigi andmeanalüüs on tehisintellekti alus, jätame välja sellised teemad nagu andmekaevandamine, olulisuse testimine või interaktiivne visualiseerimine. Selle põhjuseks oli ajapiirangud ja ka see, et mõnel bakalaureuseõppe üliõpilasel oli eelnev biostatistika koolitus ja nad soovisid käsitleda ainulaadsemaid masinõppe teemasid. Järgnevas loengus tutvustatakse kaasaegseid meetodeid ning käsitletakse tehisintellekti probleemide formuleerimist, tehisintellekti 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 lahendamiseks, sealhulgas olemasolevate tehisintellekti seadmete piirangute mõistmiseks. Näiteks palusime üliõpilastel tõlgendada Kuppermani jt.5 välja pakutud laste peavigastuste juhiseid, mis rakendasid tehisintellekti otsustuspuu algoritmi, et teha kindlaks, kas kompuutertomograafiast oleks arsti läbivaatuse põhjal kasu. Rõhutame, et see on tavaline näide tehisintellektist, mis pakub arstidele ennustavat analüütikat tõlgendamiseks, mitte ei asenda arste.
Saadaval olevates avatud lähtekoodiga bootstrap-programmeerimise näidetes (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) demonstreerime, kuidas teostada uurimuslikku andmeanalüüsi, dimensiooni vähendamist, standardmudeli laadimist ning treenimist ja testimist. Kasutame Google Colaboratory märkmikke (Google LLC, Mountain View, CA), mis võimaldavad Pythoni koodi käivitada veebibrauserist. Joonisel 2 on toodud programmeerimisharjutuse näide. See harjutus hõlmab pahaloomuliste kasvajate ennustamist, kasutades Wisconsin Open Breast Imaging Dataset'i6 ja otsustuspuu algoritmi.
Esitlege nädala jooksul seotud teemadel programme ja valige näiteid avaldatud tehisintellekti rakendustest. Programmeerimiselemente on kaasatud ainult siis, kui neid peetakse oluliseks tulevase kliinilise praktika kohta ülevaate saamiseks, näiteks kuidas hinnata mudeleid, et teha kindlaks, kas need on kliinilistes uuringutes kasutamiseks valmis. Need näited kulmineeruvad täieõigusliku otsast lõpuni rakendusega, mis liigitab kasvajaid healoomulisteks või pahaloomulisteks meditsiiniliste piltide parameetrite põhjal.
Eelnevate teadmiste heterogeensus. Meie osalejate matemaatiliste teadmiste tase oli erinev. Näiteks otsivad kõrgharidusega inseneritaustaga tudengid põhjalikumat materjali, näiteks kuidas ise Fourier' teisendusi teha. Fourier' algoritmi arutamine tunnis pole aga võimalik, kuna see nõuab põhjalikke teadmisi signaalitöötlusest.
Kohaloleku vähenemine. Järelkohtumistel osalemine vähenes, eriti veebiformaadis. Lahenduseks võib olla kohaloleku jälgimine ja lõputunnistuse väljastamine. Meditsiinikoolid on tuntud selle poolest, et tunnustavad üliõpilaste õppekavavälise akadeemilise tegevuse ärakirju, mis võib julgustada üliõpilasi kraadi omandama.
Kursuse ülesehitus: Kuna tehisintellekt hõlmab nii paljusid alamvaldkondi, võib sobiva sügavuse ja laiusega põhimõistete valimine olla keeruline. Näiteks on oluline teema tehisintellekti tööriistade kasutamise järjepidevus laborist kliinikusse. Kuigi me käsitleme andmete eeltöötlust, mudeli loomist ja valideerimist, ei hõlma me selliseid teemasid nagu suurandmete analüüs, interaktiivne visualiseerimine või tehisintellekti kliiniliste uuringute läbiviimine, vaid keskendume kõige ainulaadsematele tehisintellekti kontseptsioonidele. Meie juhtpõhimõte on kirjaoskuse, mitte oskuste parandamine. Näiteks on tõlgendatavuse seisukohalt oluline mõista, kuidas mudel sisendfunktsioone töötleb. Üks viis selleks on kasutada gradientaktivatsioonikaarte, mis suudavad visualiseerida, millised andmete piirkonnad on ennustatavad. See aga nõuab mitmemõõtmelist arvutust ja seda ei saa kasutusele võtta8. Ühtse terminoloogia väljatöötamine oli keeruline, sest püüdsime selgitada, kuidas töötada andmetega vektoritena ilma matemaatilise formalismita. Pange tähele, et erinevatel terminitel on sama tähendus, näiteks epidemioloogias kirjeldatakse „omadust“ kui „muutujat“ või „atribuuti“.
Teadmiste säilitamine. Kuna tehisintellekti rakendusala on piiratud, jääb veel näha, mil määral osalejad teadmisi säilitavad. Meditsiinikoolide õppekavad tuginevad teadmiste kinnistamiseks praktiliste rotatsioonide ajal sageli vahedega kordamisele,9 mida saab rakendada ka tehisintellekti hariduses.
Professionaalsus on olulisem kui kirjaoskus. Materjali sügavus on kujundatud ilma matemaatilise ranguseta, mis oli tehisintellekti kliiniliste kursuste käivitamisel probleemiks. Programmeerimisnäidetes kasutame malliprogrammi, mis võimaldab osalejatel täita välju ja käivitada tarkvara ilma, et nad peaksid välja mõtlema, kuidas luua terviklik programmeerimiskeskkond.
Tehisintellektiga seotud mured: On laialt levinud mure, et tehisintellekt võib asendada mõningaid kliinilisi ülesandeid3. Selle probleemi lahendamiseks selgitame tehisintellekti piiranguid, sealhulgas asjaolu, et peaaegu kõik regulaatorite poolt heaks kiidetud tehisintellekti tehnoloogiad vajavad arsti järelevalvet11. Samuti rõhutame kallutatuse olulisust, kuna algoritmid on altid kallutatusele, eriti kui andmestik ei ole mitmekesine12. Sellest tulenevalt võidakse teatud alamrühma modelleerida valesti, mis toob kaasa ebaõiglasi kliinilisi otsuseid.
Ressursid on avalikult kättesaadavad: Oleme loonud avalikult kättesaadavaid ressursse, sealhulgas loengute slaidid ja koodi. Kuigi juurdepääs sünkroonsele sisule on ajavööndite tõttu piiratud, on avatud lähtekoodiga sisu mugav meetod asünkroonseks õppimiseks, kuna tehisintellekti oskusteave pole kõigis meditsiinikoolides saadaval.
Interdistsiplinaarne koostöö: see töötuba on meditsiinitudengite ja inseneride ühisettevõtmine kursuste kavandamiseks. See näitab koostöövõimalusi ja teadmiste lünki mõlemas valdkonnas, võimaldades osalejatel mõista potentsiaalset rolli, mida nad tulevikus panustada saavad.
Määrake tehisintellekti põhipädevused. Pädevuste loendi määratlemine annab standardiseeritud struktuuri, mida saab integreerida olemasolevatesse pädevuspõhistesse meditsiiniõppekavadesse. See töötuba kasutab praegu Bloomi taksonoomia õpieesmärkide 2. taset (mõistmine), 3. taset (rakendamist) ja 4. taset (analüüs). Kõrgema klassifikatsioonitasemega ressursside, näiteks projektide loomise, olemasolu saab teadmisi veelgi tugevdada. See nõuab koostööd kliiniliste ekspertidega, et teha kindlaks, kuidas tehisintellekti teemasid saab kliinilistes töövoogudes rakendada, ja vältida korduvate teemade õpetamist, mis on juba standardsetes meditsiiniõppekavades olemas.
Looge tehisintellekti abil juhtumiuuringuid. Sarnaselt kliiniliste näidetega saab juhtumipõhine õpe tugevdada abstraktseid kontseptsioone, rõhutades nende olulisust kliiniliste küsimuste puhul. Näiteks analüüsis üks töötoa uuring Google'i tehisintellektil põhinevat diabeetilise retinopaatia tuvastamise süsteemi, 13 et tuvastada väljakutseid teel laborist kliinikusse, näiteks välise valideerimise nõuded ja regulatiivsed heakskiitmisprotsessid.
Kogemusliku õppe kasutamine: Tehniliste oskuste omandamine nõuab sihipärast harjutamist ja korduvat rakendamist, sarnaselt kliiniliste praktikantide roteeruvatele õppekogemustele. Üks potentsiaalne lahendus on ümberpööratud klassiruumi mudel, mis on teadaolevalt parandanud teadmiste omandamist insenerihariduses14. Selles mudelis vaatavad õpilased teoreetilise materjali iseseisvalt üle ja tunni aeg pühendatakse probleemide lahendamisele juhtumiuuringute kaudu.
Mitut eriala hõlmavate osalejate kaasamine: Meie arvates peaks tehisintellekti kasutuselevõtt hõlmama koostööd mitme eriala vahel, sealhulgas erineva väljaõppetasemega arstide ja teiste tervishoiutöötajate vahel. Seetõttu võib õppekavade sisu kohandamiseks tervishoiu eri valdkondadega olla vaja töötada välja koostöös erinevate osakondade õppejõududega.
Tehisintellekt on kõrgtehnoloogiline ja selle põhimõisted on seotud matemaatika ja arvutiteadusega. Tervishoiutöötajate koolitamine tehisintellekti mõistmiseks esitab ainulaadseid väljakutseid sisu valiku, kliinilise olulisuse ja edastusmeetodite osas. Loodame, et tehisintellekti hariduses töötubades saadud teadmised aitavad tulevastel õpetajatel omaks võtta uuenduslikke viise tehisintellekti 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. Meditsiinihariduse ümbermõtestamine: üleskutse tegutsemisele. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG jt. Mida peaksid meditsiinitudengid tehisintellekti kohta tegelikult teadma? NPZh numbrid. Medicine 3, 1–3 (2020).
Dos Santos, DP jt. Meditsiinitudengite suhtumine tehisintellekti: mitmekeskuseline uuring. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R. ja Singla, R. Sissejuhatus masinõppesse meditsiinitudengitele: pilootprojekt. J. Med. Teach. 54, 1042–1043 (2020).
Cooperman N jt. Väga madala kliiniliselt olulise ajukahjustuse riskiga laste tuvastamine pärast peavigastust: prospektiivne kohortuuring. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ja Mangasarian, OL. Tuuma tunnuste ekstraheerimine rinnakasvajate diagnoosimiseks. Biomeditsiin. Kujutise töötlemine. Biomeditsiin. 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: süvavõrkude visuaalne tõlgendamine gradiendipõhise lokaliseerimise abil. IEEE rahvusvahelise arvutinägemise konverentsi materjalid, 618–626 (2017).
Kumaravel B, Stewart K ja Ilic D. Spiraalmudeli väljatöötamine ja hindamine tõenduspõhise meditsiini pädevuste hindamiseks OSCE abil bakalaureuseõppes. BMK Medicine. Teach. 21, 1–9 (2021).
Kolachalama VB ja Garg PS Masinõpe ja meditsiiniharidus. NPZh numbrid. Meditsiin. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. ja de Rooy, M. Tehisintellekt radioloogias: 100 kaubanduslikku toodet ja nende teaduslikud tõendid. EURO. kiirgust. 31, 3797–3804 (2021).
Topol, EJ. Tipptasemel meditsiin: inimese ja tehisintellekti lähenemine. Nat. medicine. 25, 44–56 (2019).
Bede, E. jt. Diabeetilise retinopaatia avastamiseks kliinikus rakendatud süvaõppesüsteemi inimkeskne hindamine. 2020. aasta CHI arvutisüsteemide inimfaktorite konverentsi materjalid (2020).
Kerr, B. Ümberpööratud klassiruum insenerihariduses: uurimistöö ülevaade. 2015. aasta interaktiivse koostööõppe rahvusvahelise konverentsi materjalid (2015).
Autorid tänavad Danielle Walkerit, Tim Salcudinit ja Peter Zandstrat Briti Columbia ülikooli biomeditsiinilise kuvamise ja tehisintellekti uurimisklastrist toetuse ja rahastamise eest.
Töötubade õppesisu väljatöötamise eest vastutasid RH, PP, ZH, RS ja MA. RH ja PP vastutasid programmeerimisnäidete väljatöötamise eest. KYF, OY, MT ja PW vastutasid projekti logistilise korralduse ja töötubade analüüsi eest. RH, OY, MT ja RS vastutasid jooniste ja tabelite loomise eest. RH, KYF, PP, ZH, OY, MY, PW, TL, MA ja RS vastutasid dokumendi koostamise ja toimetamise eest.
Communication Medicine tänab Carolyn McGregorit, Fabio Moraesit ja Aditya Borakatit nende panuse eest selle töö ülevaatamisse.
Postituse aeg: 19. veebruar 2024