Täname, et külastasite veebisaiti Nature.com.Teie kasutataval brauseri versioonil on piiratud CSS-i tugi.Parimate tulemuste saavutamiseks soovitame kasutada brauseri uuemat versiooni (või Internet Exploreris ühilduvusrežiimi välja lülitada).Seni näitame pideva toe tagamiseks saiti ilma stiilita või JavaScriptita.
Kliinilise tehisintellekti (AI) rakendused kasvavad kiiresti, kuid olemasolevad meditsiinikoolide õppekavad pakuvad seda valdkonda piiratud õppetöö.Siin kirjeldame tehisintellekti koolituskursust, mille oleme välja töötanud ja Kanada meditsiiniüliõpilastele edastanud, ning anname soovitusi edaspidiseks koolituseks.
Tehisintellekt (AI) meditsiinis võib parandada töökoha tõhusust ja aidata teha kliinilisi otsuseid.Tehisintellekti kasutamise ohutuks suunamiseks peavad arstid tehisintellektist teatud arusaama.Paljud kommentaarid toetavad AI mõistete õpetamist1, näiteks tehisintellekti mudelite ja kontrolliprotsesside selgitamist2.Struktureeritud plaane on aga ellu viidud vähe, eriti riiklikul tasandil.Pinto dos Santos et al.3.Küsitleti 263 arstitudengit ja 71% nõustus, et nad vajavad tehisintellektialast koolitust.Tehisintellekti õpetamine meditsiinipublikule nõuab hoolikat disaini, mis ühendab tehnilised ja mittetehnilised kontseptsioonid õpilaste jaoks, kellel on sageli ulatuslikud eelteadmised.Kirjeldame oma kogemust tehisintellekti töötubade seeria korraldamisel kolmele arstitudengite rühmale ja anname soovitusi tulevase tehisintellekti alase meditsiinihariduse jaoks.
Meie viienädalane tehisintellekti sissejuhatus meditsiinis töötuba arstitudengitele toimus kolm korda ajavahemikus veebruar 2019 kuni aprill 2021. Iga töötoa ajakava koos kursuse muudatuste lühikirjeldusega on näidatud joonisel 1. Meie kursusel on kolm peamist õppeeesmärki: õpilased mõistavad, kuidas tehisintellekti rakendustes andmeid töödeldakse, analüüsivad tehisintellektialast kirjandust kliiniliste rakenduste jaoks ning kasutavad ära võimalusi teha koostööd tehisintellekti arendavate inseneridega.
Sinine on loengu teema ja helesinine interaktiivne küsimuste ja vastuste periood.Lühikese kirjanduse ülevaate keskmes on hall osa.Oranžid jaotised on valitud juhtumiuuringud, mis kirjeldavad tehisintellekti mudeleid või tehnikaid.Green on juhendatud programmeerimiskursus, mis on loodud tehisintellekti õpetamiseks kliiniliste probleemide lahendamiseks ja mudelite hindamiseks.Töötubade sisu ja kestus varieeruvad sõltuvalt õpilaste vajaduste hinnangust.
Esimene töötuba toimus Briti Columbia Ülikoolis 2019. aasta veebruarist aprillini ning kõik 8 osalejat andsid positiivse tagasiside4.COVID-19 tõttu toimus 2020. aasta oktoobris-novembris virtuaalselt teine töötuba, kuhu registreerus 222 arstitudengit ja 3 residenti 8 Kanada meditsiinikoolist.Esitluse slaidid ja kood on üles laaditud avatud juurdepääsu 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 lühendas teine töötuba iga seanssi 1 tunnini, lihtsustas kursuse materjali, lisati rohkem juhtumiuuringuid ja loodi standardprogrammid, mis võimaldasid osalejatel minimaalse silumisega koodijuppe täita (kast 1).Teise iteratsiooni peamine tagasiside hõlmas positiivset tagasisidet programmeerimisharjutuste kohta ja taotlust näidata masinõppeprojekti planeerimist.Seetõttu lisasime oma kolmandasse seminari, mis toimus 2021. aasta märtsis-aprillis virtuaalselt 126 arstitudengile, rohkem interaktiivseid kodeerimisharjutusi ja projektide tagasiside seansse, et demonstreerida töötubade kontseptsioonide kasutamise mõju projektidele.
Andmeanalüüs: Statistika uurimisvaldkond, mis tuvastab andmemustreid analüüsides, töötledes ja edastades tähenduslikud andmemustrid.
Andmekaeve: andmete tuvastamise ja väljavõtmise protsess.Tehisintellekti kontekstis on see sageli suur, iga valimi jaoks on mitu muutujat.
Mõõtmete vähendamine: paljude individuaalsete funktsioonidega andmete teisendamine vähemateks funktsioonideks, säilitades samal ajal algse andmekogumi olulised omadused.
Karakteristikud (tehisintellekti kontekstis): proovi mõõdetavad omadused.Sageli kasutatakse vaheldumisi sõnadega "omadus" või "muutuja".
Gradiendi aktiveerimise kaart: tehisintellekti mudelite (eriti konvolutsiooniliste närvivõrkude) tõlgendamiseks kasutatav tehnika, mis analüüsib võrgu viimase osa optimeerimise protsessi, et tuvastada andmete või kujutiste piirkonnad, mis on väga ennustavad.
Standardmudel: olemasolev tehisintellekti mudel, mis on eelkoolitatud sarnaste ülesannete täitmiseks.
Testimine (tehisintellekti kontekstis): vaadeldakse, kuidas mudel täidab ülesande, kasutades andmeid, millega ta pole varem kokku puutunud.
Koolitus (tehisintellekti kontekstis): mudeli varustamine andmete ja tulemustega, et mudel kohandaks oma sisemisi parameetreid, et optimeerida oma võimet täita uusi andmeid kasutades ülesandeid.
Vektor: andmete massiiv.Masinõppes on iga massiivi element tavaliselt valimi unikaalne omadus.
Tabelis 1 on loetletud 2021. aasta aprilli viimased kursused, sealhulgas iga teema jaoks suunatud õpieesmärgid.See töötuba on mõeldud neile, kes on tehnilise tasemega uustulnukad ja ei nõua matemaatilisi teadmisi pärast arsti bakalaureuse kraadi omandamist.Kursuse töötasid välja 6 arstitudengit ja 3 kõrgharidusega õpetajat.Insenerid arendavad õpetamiseks tehisintellekti teooriat ja arstitudengid õpivad kliiniliselt olulist materjali.
Töötoad hõlmavad loenguid, juhtumiuuringuid ja juhendatud programmeerimist.Esimeses loengus vaatame läbi valitud andmeanalüüsi kontseptsioonid biostatistikas, sh andmete visualiseerimine, logistiline regressioon ning kirjeldava ja induktiivse statistika võrdlus.Kuigi andmeanalüüs on tehisintellekti alus, jätame välja sellised teemad nagu andmete kaevandamine, olulisuse testimine või interaktiivne visualiseerimine.See oli tingitud ajapiirangutest ja ka sellest, et mõnel bakalaureuseõppe üliõpilasel oli eelnev biostatistika koolitus ja nad soovisid käsitleda ainulaadsemaid masinõppe teemasid.Järgnev loeng tutvustab kaasaegseid meetodeid ja käsitleb tehisintellektiprobleemide sõnastamist, tehisintellekti mudelite eeliseid ja piiranguid ning mudelite testimist.Loenguid täiendavad kirjandus ja praktilised uuringud olemasolevate tehisintellekti seadmete kohta.Rõhutame oskusi, mis on vajalikud kliiniliste küsimuste lahendamise mudeli tõhususe ja teostatavuse hindamiseks, sealhulgas olemasolevate tehisintellekti seadmete piirangute mõistmiseks.Näiteks palusime õpilastel tõlgendada Kuppermani jt välja pakutud laste peavigastuste juhiseid, 5 mis rakendas tehisintellekti otsustuspuu algoritmi, et teha kindlaks, kas CT-skannimine oleks arsti läbivaatuse põhjal kasulik.Rõhutame, et see on tavaline näide tehisintellektist, mis pakub arstidele tõlgendamiseks ennustavat analüüsi, mitte ei asenda arste.
Saadaolevates avatud lähtekoodiga alglaadimisprogrammeerimise näidetes (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) demonstreerime, kuidas teha uurimuslikku andmete analüüsi, mõõtmete vähendamist, standardmudeli laadimist ja koolitust. .ja testimine.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 Wisconsini avatud rinnakuvandiandmeid6 ja otsustuspuu algoritmi.
Esitage terve nädala saateid seotud teemadel ja valige avaldatud tehisintellekti rakendustest näiteid.Programmeerimiselemendid kaasatakse ainult siis, kui neid peetakse asjakohaseks, et anda ülevaade tulevasest kliinilisest praktikast, näiteks kuidas hinnata mudeleid, et teha kindlaks, kas need on kliinilistes uuringutes kasutamiseks valmis.Need näited kulmineeruvad täisväärtusliku ja tervikliku rakendusega, mis klassifitseerib kasvajad meditsiinilise kujutise parameetrite alusel hea- või pahaloomulisteks.
Eelteadmiste heterogeensus.Meie osalejate matemaatiliste teadmiste tase oli erinev.Näiteks kõrgtasemelise inseneritaustaga õpilased otsivad põhjalikumat materjali, näiteks kuidas teha ise Fourier’ teisendusi.Fourier' algoritmi klassis käsitlemine ei ole aga võimalik, kuna see nõuab signaalitöötluse põhjalikke teadmisi.
Osalejate väljavool.Järelkohtumistel osalemine vähenes, eriti veebivormingutes.Lahenduseks võib olla kohalviibimise jälgimine ja lõpetamistunnistuse esitamine.Meditsiinikoolid tunnustavad teadaolevalt õpilaste koolivälise akadeemilise tegevuse ärakirju, mis võib julgustada õpilasi kraadi omandama.
Kursuse kavandamine: kuna AI hõlmab nii palju alamvälju, võib sobiva sügavuse ja laiusega põhikontseptsioonide valimine olla keeruline.Näiteks on oluline teema AI-vahendite kasutamise järjepidevus laborist kliinikuni.Kuigi me käsitleme andmete eeltöötlust, mudelite 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 parandada kirjaoskust, mitte oskusi.Näiteks on tõlgendatavuse jaoks oluline mõista, kuidas mudel töötleb sisendfunktsioone.Üks võimalus seda teha on kasutada gradiendi aktiveerimise kaarte, mis võimaldavad visualiseerida, millised andmepiirkonnad on prognoositavad.See nõuab aga mitme muutujaga arvutust ja seda ei saa kasutusele võtta8.Ühise 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 "tunnust" kui "muutujat" või "atribuuti".
Teadmiste säilitamine.Kuna tehisintellekti rakendamine on piiratud, tuleb näha, mil määral osalejad teadmised säilivad.Meditsiinikoolide õppekavad tuginevad sageli teatud intervalliga kordamisele, et tugevdada teadmisi praktilise rotatsiooni käigus,9 mida saab rakendada ka tehisintellektiõppes.
Professionaalsus on olulisem kui kirjaoskus.Materjali sügavus on kujundatud ilma matemaatilise ranguseta, mis oli probleemiks tehisintellekti kliiniliste kursuste käivitamisel.Programmeerimisnäidetes kasutame mallprogrammi, mis võimaldab osalejatel täita välju ja käivitada tarkvara, ilma et peaks välja mõtlema, kuidas seadistada terviklik programmeerimiskeskkond.
Käsitletud muret tehisintellekti pärast: on laialt levinud mure, et tehisintellekt võib asendada mõned kliinilised ülesanded3.Selle probleemi lahendamiseks selgitame tehisintellekti piiranguid, sealhulgas asjaolu, et peaaegu kõik reguleerivate asutuste poolt heaks kiidetud AI-tehnoloogiad nõuavad arsti järelevalvet11.Rõhutame ka kallutatuse olulisust, kuna algoritmid on kalduvad kalduma, eriti kui andmekogum ei ole mitmekesine12.Järelikult võib teatud alarühm olla valesti modelleeritud, mis toob kaasa ebaõiglased kliinilised otsused.
Ressursid on avalikult kättesaadavad: Oleme loonud avalikult kättesaadavad ressursid, sealhulgas loenguslaidid ja koodi.Kuigi juurdepääs sünkroonsele sisule on ajavööndite tõttu piiratud, on avatud lähtekoodiga sisu mugav meetod asünkroonseks õppimiseks, kuna tehisintellekti teadmised pole kõigis meditsiinikoolides saadaval.
Interdistsiplinaarne koostöö: see töötuba on meditsiinitudengite algatatud ühisettevõte, et kavandada koos inseneridega kursusi.See näitab koostöövõimalusi ja teadmiste lünki mõlemas valdkonnas, võimaldades osalejatel mõista potentsiaalset rolli, mida nad saavad tulevikus panustada.
Määratlege AI põhipädevused.Pädevuste loetelu määratlemine annab standardiseeritud struktuuri, mida saab integreerida olemasolevatesse kompetentsipõhistesse meditsiiniõppekavadesse.See töötuba kasutab praegu Bloomi taksonoomia õpieesmärgi taset 2 (mõistmine), 3 (rakendus) ja 4 (analüüs).Ressursid kõrgemal klassifikatsioonitasemel, näiteks projektide loomine, võivad teadmisi veelgi tugevdada.Selleks on vaja koostööd kliiniliste ekspertidega, et teha kindlaks, kuidas AI teemasid kliinilistes töövoogudes rakendada, ja vältida korduvate teemade õpetamist, mis juba sisalduvad standardsetes meditsiiniõppekavades.
Looge AI abil juhtumiuuringuid.Sarnaselt kliinilistele näidetele võib juhtumipõhine õpe tugevdada abstraktseid mõisteid, tuues esile nende olulisuse kliiniliste küsimuste jaoks.Näiteks analüüsiti ühes seminariuuringus Google'i tehisintellektil põhinevat diabeetilise retinopaatia tuvastamise süsteemi, 13 et tuvastada laborist kliinikuni kulgevad väljakutsed, nagu välised valideerimisnõuded ja regulatiivsed heakskiitmise viisid.
Kasutage kogemuslikku õpet. Tehnilised oskused nõuavad keskendunud praktikat ja korduvat rakendamist omandamiseks, sarnaselt kliiniliste praktikantide vahelduvatele õpikogemustele.Üks võimalik lahendus on ümberpööratud klassiruumi mudel, mis on väidetavalt parandanud teadmiste säilitamist insenerihariduses14.Selles mudelis vaatavad õpilased teoreetilise materjali iseseisvalt läbi ja tunnis pühendatakse aega probleemide lahendamisele juhtumiuuringute kaudu.
Multidistsiplinaarsete osalejate skaleerimine: me näeme AI kasutuselevõttu, mis hõlmab koostööd mitme valdkonna vahel, sealhulgas erineva koolitustasemega arstide ja nendega seotud tervishoiutöötajate vahel.Seetõttu võib olla vajalik õppekavade väljatöötamine koostöös erinevate osakondade õppejõududega, et kohandada nende sisu tervishoiu eri valdkondadega.
Tehisintellekt on kõrgtehnoloogiline ja selle põhimõisted on seotud matemaatika ja arvutiteadusega.Tervishoiutöötajate koolitamine tehisintellekti mõistmiseks esitab ainulaadseid väljakutseid sisu valiku, kliinilise tähtsuse ja edastamismeetodite osas.Loodame, et tehisintellekti hariduses töötubadest saadud arusaamad aitavad tulevastel õpetajatel võtta kasutusele uuenduslikud viisid tehisintellekti integreerimiseks meditsiiniõppesse.
Google Colaboratory Pythoni skript on avatud lähtekoodiga ja saadaval aadressil: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG ja Khan, S. Arstihariduse ümbermõtestamine: üleskutse tegevusele.Akkad.ravim.88, 1407–1410 (2013).
McCoy, LG jne. Mida peavad arstitudengid tehisintellekti kohta tegelikult teadma?NPZh numbrid.Meditsiin 3, 1–3 (2020).
Dos Santos, DP, et al.Meditsiiniüliõpilaste suhtumine tehisintellekti: mitmekeskuseline uuring.EURO.kiirgus.29, 1640–1646 (2019).
Fan, KY, Hu, R. ja Singla, R. Sissejuhatus meditsiiniüliõpilaste masinõppesse: pilootprojekt.J. Med.õpetama.54, 1042–1043 (2020).
Cooperman N, et al.Väga väikese kliiniliselt olulise ajukahjustuse riskiga laste tuvastamine pärast peavigastust: tulevane kohordiuuring.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ja Mangasarian, OL.Tuumafunktsiooni ekstraheerimine rinnavähi diagnoosimiseks.Biomeditsiiniteadus.Pildi töötlemine.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: süvavõrkude visuaalne tõlgendamine gradiendipõhise lokaliseerimise kaudu.IEEE rahvusvahelise arvutinägemise konverentsi toimetised, 618–626 (2017).
Kumaravel B, Stewart K ja Ilic D. Spiraalmudeli väljatöötamine ja hindamine tõenduspõhiste meditsiinipädevuste hindamiseks, kasutades OSCE-d meditsiinilise bakalaureuseõppes.BMK meditsiin.õpetama.21, 1–9 (2021).
Kolachalama VB ja Garg PS masinõpe ja meditsiiniharidus.NPZh numbrid.ravim.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.kiirgus.31, 3797–3804 (2021).
Topol, EJ Kõrge jõudlusega meditsiin: inimese ja tehisintellekti lähenemine.Nat.ravim.25, 44–56 (2019).
Bede, E. et al.Diabeetilise retinopaatia tuvastamiseks kliinikus kasutusele võetud süvaõppesüsteemi inimkeskne hindamine.2020. aasta CHI konverentsi inimtegurid arvutisüsteemides (2020) materjalid.
Kerr, B. Insenerihariduse ümberpööratud klassiruum: uurimistöö ülevaade.2015. aasta rahvusvahelise interaktiivse koostööõppe konverentsi materjalid (2015).
Autorid tänavad Danielle Walkerit, Tim Salcudinit ja Peter Zandstrat Briti Columbia ülikooli biomeditsiinilise pildistamise ja tehisintellekti uurimisklastrist toetuse ja rahastamise eest.
RH, PP, ZH, RS ja MA vastutasid töötoa õpetamise sisu väljatöötamise eest.Programmeerimisnäidete väljatöötamise eest vastutasid RH ja PP.Projekti logistilise korralduse ja töötubade analüüsi eest vastutasid KYF, OY, MT ja PW.Jooniste ja tabelite loomise eest vastutasid RH, OY, MT, RS.Dokumendi koostamise ja toimetamise eest vastutasid RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS.
Kommunikatsioonimeditsiin tänab Carolyn McGregorit, Fabio Moraesi ja Aditya Borakatit panuse eest selle töö läbivaatamisele.
Postitusaeg: 19. veebruar 2024