Ви благодариме што ја посетивте Nature.com. Верзијата на прелистувачот што го користите има ограничена поддршка за CSS. За најдобри резултати, препорачуваме да користите понова верзија на вашиот прелистувач (или исклучување на режимот за компатибилност во Internet Explorer). Во меѓувреме, за да обезбедиме постојана поддршка, ја покажуваме страницата без стилизирање или JavaScript.
Апликациите за клиничка вештачка интелигенција (АИ) рапидно растат, но постојните наставни програми за медицинско училиште нудат ограничена настава што ја опфаќа оваа област. Овде опишуваме курс за обука за вештачка интелигенција што го развивме и доставивме до канадските студенти по медицина и даваме препораки за идна обука.
Вештачката интелигенција (АИ) во медицината може да ја подобри ефикасноста на работното место и да помогне во клиничкото одлучување. За безбедно водење на употреба на вештачка интелигенција, лекарите мора да имаат разбирање за вештачката интелигенција. Многу коментари се залагаат за предавање на АИ концепти1, како што е објаснување на моделите за ВИ и процесите на верификација2. Сепак, неколку структурирани планови се спроведени, особено на национално ниво. Pinto dos Santos et al.3. 263 студенти по медицина беа анкетирани и 71% се согласија дека им е потребна обука за вештачка интелигенција. Наставата за вештачка интелигенција на медицинска публика бара внимателен дизајн кој комбинира технички и нетехнички концепти за студенти кои често имаат широко претходно знаење. Ние го опишуваме нашето искуство со испорака на серија работилници за АИ на три групи студенти по медицина и даваме препораки за идно медицинско образование во АИ.
Нашиот петнеделен вовед во работилницата за вештачка интелигенција во медицина за студенти по медицина се одржа три пати помеѓу февруари 2019 и април 2021 година. Распоред за секоја работилница, со краток опис на промените во курсот, е прикажан на Слика 1. Нашиот курс има Три цели на основно учење: Студентите разбираат како се обработуваат податоците во апликациите за вештачка интелигенција, ја анализираат литературата за вештачка интелигенција за клинички апликации и ги искористуваат можностите за соработка со инженери кои развиваат вештачка интелигенција.
Сината е тема на предавањето и светло сината е интерактивниот период на прашања и одговори. Грејниот дел е во фокусот на краткиот преглед на литературата. Портокаловите секции се избираат студии на случаи кои опишуваат модели или техники за вештачка интелигенција. Зелената е водена курс за програмирање дизајниран да предава вештачка интелигенција да ги реши клиничките проблеми и да ги оценува моделите. Содржината и времетраењето на работилниците се разликуваат врз основа на проценка на потребите на студентите.
Првата работилница се одржа на Универзитетот во Британска Колумбија од февруари до април 2019 година, а сите 8 учесници дадоа позитивни повратни информации4. Поради COVID-19, втората работилница се одржа практично во октомври-ноември 2020 година, со 222 студенти по медицина и 3 жители од 8 канадски медицински училишта кои се регистрираат. Слајдовите за презентација и кодот се поставени на страницата со отворен пристап (http://ubcaimed.github.io). Клучните повратни информации од првата итерација беа дека предавањата беа премногу интензивни, а материјалот е премногу теоретски. Служењето на шест различни временски зони на Канада претставува дополнителни предизвици. Така, втората работилница ја скрати секоја сесија на 1 час, го поедностави материјалот на курсот, додаде повеќе студии на случаи и создаде програми за плочки на плочата што им овозможи на учесниците да завршат снопчиња со код со минимално дебагирање (Поле 1). Клучните повратни информации од втората итерација вклучуваат позитивни повратни информации за вежбите за програмирање и барање за демонстрација на планирање за проект за учење машини. Затоа, во нашата трета работилница, се одржа виртуелно за 126 студенти по медицина во март-април 2021 година, вклучивме и повеќе интерактивни вежби за кодирање и сесии за повратни информации од проектот за да го демонстрираме влијанието на користењето на работилницата концепти врз проектите.
Анализа на податоците: Полето на студијата во статистиката што идентификува значајни обрасци во податоците со анализирање, обработка и комуникација на моделите на податоци.
Рударство на податоци: Процес на идентификување и извлекување на податоци. Во контекст на вештачката интелигенција, ова е често големо, со повеќе варијабли за секој примерок.
Намалување на димензионалноста: Процесот на трансформација на податоците со многу индивидуални карактеристики во помалку карактеристики додека ги зачувуваме важните својства на оригиналниот сет на податоци.
Карактеристики (во контекст на вештачка интелигенција): мерливи својства на примерок. Честопати се користи наизменично со „имот“ или „променлива“.
Карта за активирање на градиент: Техника што се користи за толкување на моделите за вештачка интелигенција (особено конвулативни нервни мрежи), која го анализира процесот на оптимизирање на последниот дел од мрежата за идентификување на регионите на податоци или слики што се многу предвидливи.
Стандарден модел: Постојниот модел на АИ кој е претходно обучен за извршување на слични задачи.
Тестирање (во контекст на вештачка интелигенција): Набудувајќи како моделот извршува задача користејќи податоци со кои не ги сретнал порано.
Обука (во контекст на вештачката интелигенција): обезбедување на модел со податоци и резултати, така што моделот ги прилагодува своите внатрешни параметри за да ја оптимизира својата способност за извршување на задачи користејќи нови податоци.
Вектор: Низа на податоци. Во машинското учење, секој елемент на низата е обично единствена карактеристика на примерокот.
Во Табела 1 се наведени најновите курсеви за април 2021 година, вклучително и насочени цели за учење за секоја тема. Оваа работилница е наменета за оние што се нови на техничко ниво и не бара никакво математичко знаење над првата година на додипломски медицински степен. Курсот беше развиен од 6 студенти по медицина и 3 наставници со напредни дипломи во инженерството. Инженерите развиваат теорија за вештачка интелигенција за да предаваат, а студентите по медицина учат клинички релевантен материјал.
Работилниците вклучуваат предавања, студии на случај и водено програмирање. Во првото предавање, ги разгледуваме избраните концепти на анализа на податоците во биостатистиката, вклучително и визуелизација на податоците, логистичка регресија и споредба на описна и индуктивна статистика. Иако анализата на податоците е основа на вештачка интелигенција, ние исклучуваме теми како што се рударство на податоци, тестирање на значење или интерактивна визуелизација. Ова се должи на временските ограничувања и исто така затоа што некои студенти на додипломски студии имаа претходна обука во биостатистика и сакаа да покријат повеќе уникатни теми за учење машини. Последователното предавање воведува современи методи и дискутира за формулирање на проблеми со АИ, предности и ограничувања на моделите на ВИ и тестирање на модели. Предавањата се надополнети со литература и практично истражување за постојните уреди за вештачка интелигенција. Ги потенцираме потребните вештини за да се процени ефективноста и изводливоста на моделот за решавање на клиничките прашања, вклучително и разбирање на ограничувањата на постојните уреди за вештачка интелигенција. На пример, ги замоливме студентите да ги толкуваат упатствата за повреди на педијатриската глава, предложени од Куперман и др., 5 кои спроведоа алгоритам за вештачко разузнавачки одлуки за да утврдат дали СТ -скенирањето ќе биде корисно засновано на преглед на лекар. Нагласуваме дека ова е вообичаен пример за ВИ што дава предвидлива аналитика за лекарите да ги толкуваат, наместо да ги заменуваат лекарите.
Во достапните примери за програмирање со отворен извор за подигање (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), демонстрираме како да се изврши истражувачка анализа на податоците, намалување на димензионалноста, стандардно оптеретување на моделот и обука . и тестирање. Ние ги користиме Google Colaborator, лаптопите (Google LLC, Mountain View, CA), кои овозможуваат да се изврши Python кодот од веб -прелистувач. На Сл. Слика 2 дава пример за вежба за програмирање. Оваа вежба вклучува предвидување на малигни заболувања со употреба на податоци за слики со отворено градите во Висконсин6 и алгоритам на дрво на одлуки.
Тековни програми во текот на целата недела на сродни теми и изберете примери од објавени апликации за АИ. Елементите за програмирање се вклучени само доколку се сметаат за релевантни за давање увид во идната клиничка пракса, како на пример како да се проценат моделите за да се утврди дали се подготвени за употреба во клиничките испитувања. Овие примери кулминираат со целосна апликација од крај до крај што ги класифицира туморите како бенигни или малигни врз основа на параметрите на медицинската слика.
Хетерогеност на претходно знаење. Нашите учесници се разликуваа во нивното ниво на математичко знаење. На пример, студентите со напредно инженерско потекло бараат подетален материјал, како на пример како да извршат свои трансформации на Фурие. Сепак, дискутирањето за алгоритмот на Фурие во час не е можно затоа што бара длабинско знаење за обработката на сигналот.
Одлив на посетеност. Присуството на последователни состаноци се намали, особено во форматите преку Интернет. Решение може да биде да се следи присуството и да се обезбеди сертификат за завршување. Познато е дека медицинските училишта препознаваат записници на воннаставни академски активности на учениците, кои можат да ги охрабрат учениците да остварат диплома.
Дизајн на курсот: Бидејќи АИ опфаќа толку многу под -полиња, избирањето на основни концепти на соодветна длабочина и ширина може да биде предизвик. На пример, континуитетот на употреба на АИ алатки од лабораторијата до клиниката е важна тема. Додека ние покриваме преработка на податоци, градење на модели и валидација, не вклучуваме теми како што се големи анализи на податоци, интерактивна визуелизација или спроведување на клинички испитувања на АИ, наместо тоа, се фокусираме на најуникатните концепти на АИ. Нашиот водечки принцип е да ја подобриме писменоста, а не вештините. На пример, разбирањето како моделот ги обработува карактеристиките на влезот е важен за толкување. Еден начин да го направите ова е да користите мапи за активирање на градиент, што може да визуелизира кои региони на податоците се предвидливи. Сепак, ова бара мултиваријатен пресметка и не може да се воведе8. Развивањето на заедничка терминологија беше предизвик затоа што се обидовме да објасниме како да работиме со податоци како вектори без математички формализам. Забележете дека различни термини имаат исто значење, на пример, во епидемиологијата, „карактеристика“ е опишана како „променлива“ или „атрибут“.
Задржување на знаењето. Бидејќи примената на АИ е ограничена, степенот до кој учесниците го задржуваат знаењето останува да се види. Наставните програми на медицинското училиште честопати се потпираат на распоредено повторување за зајакнување на знаењето за време на практични ротации, 9 што може да се применат и за образованието за ВИ.
Професионализмот е поважен од писменоста. Длабочината на материјалот е дизајнирана без математичка строгост, што беше проблем при започнување на клинички курсеви во вештачка интелигенција. Во примерите за програмирање, ние користиме образец програма што им овозможува на учесниците да пополнат полиња и да го водат софтверот без да дознаат како да постават комплетно програмско опкружување.
Загриженоста за вештачката интелигенција се однесуваше: Постои широко распространета загриженост дека вештачката интелигенција може да ги замени некои клинички должности3. За да се реши ова прашање, ги објаснуваме ограничувањата на АИ, вклучително и фактот дека скоро сите технологии за АИ одобрени од регулаторите бараат надзор на лекар11. Ние, исто така, ја потенцираме важноста на пристрасност затоа што алгоритмите се склони кон пристрасност, особено ако сетот на податоци не е разновиден12. Како резултат на тоа, одредена подгрупа може да се моделира неправилно, што доведува до неправедни клинички одлуки.
Изворите се јавно достапни: Создадовме јавно достапни ресурси, вклучувајќи слајдови за предавања и код. Иако пристапот до синхрона содржина е ограничен заради временските зони, содржината со отворен извор е удобен метод за асинхроно учење бидејќи експертизата за АИ не е достапна воопшто медицински училишта.
Интердисциплинарна соработка: Оваа работилница е заедничко вложување иницирано од студенти по медицина за планирање на курсеви заедно со инженери. Ова демонстрира можности за соработка и празнини во знаењето во обете области, дозволувајќи им на учесниците да ја разберат потенцијалната улога што можат да придонесат во иднина.
Дефинирајте ги основните компетенции за ВИ. Дефинирање на список на компетенции обезбедува стандардизирана структура што може да се интегрира во постојните медицински наставни програми засновани на компетенции. Оваа работилница во моментов користи нивоа на учење 2 (разбирање), 3 (апликација) и 4 (анализа) на таксономијата на Блум. Имањето ресурси на повисоко ниво на класификација, како што е создавање проекти, може дополнително да го зајакне знаењето. Ова бара работа со клинички експерти за да се утврди како темите за АИ можат да се применат на клиничките работни текови и да се спречи наставата на повторувачки теми што се веќе вклучени во стандардните медицински наставни програми.
Создадете студии на случај со употреба на АИ. Слично на клиничките примери, учењето засновано на случаи може да ги зајакне апстрактните концепти со истакнување на нивната релевантност на клиничките прашања. На пример, една студија за работилница го анализира системот за откривање на дијабетична ретинопатија базирана на АИ на Google 13 за да ги идентификува предизвиците по патеката од лабораторија до клиника, како што се барања за надворешна валидација и патеки за регулаторна одобрување.
Користете искуствено учење: Технички вештини бараат фокусирана практика и повторена примена на совладување, слично на искуствата за ротирачко учење на клиничките специјализанти. Едно потенцијално решение е моделот на преклопна училница, за кој е објавено дека го подобрува задржувањето на знаењето во инженерското образование14. Во овој модел, студентите самостојно го разгледуваат теоретскиот материјал и времето на час е посветено на решавање на проблемите преку студии на случај.
Скалирање за мултидисциплинарни учесници: Ние предвидуваме усвојување на АИ што вклучува соработка низ повеќе дисциплини, вклучително и лекари и сојузнички здравствени работници со различни нивоа на обука. Затоа, наставните програми можеби ќе треба да се развијат во консултација со факултет од различни оддели за да ја прилагодат нивната содржина во различни области на здравствена заштита.
Вештачката интелигенција е високо-технолошка и нејзините основни концепти се поврзани со математика и компјутерски науки. Обука за здравствена заштита персонал за разбирање на вештачката интелигенција претставува уникатни предизвици во изборот на содржина, клиничка релевантност и методите за испорака. Се надеваме дека увидите добиени од АИ во работилниците за образование ќе им помогнат на идните наставници да прифатат иновативни начини за интегрирање на ВИ во медицинското образование.
Скриптата на Google Colaboratory Python е со отворен извор и е достапна на: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Пробер, КГ и Кан, С. Преиспитување на медицинското образование: Повик за акција. Акад. лек. 88, 1407–1410 (2013).
МекКои, ЛГ итн. Што навистина треба да знаат студентите по медицина за вештачката интелигенција? NPZH броеви. Медицина 3, 1–3 (2020).
ДОС Сантос, ДП, и др. Ставови на студенти по медицина кон вештачка интелигенција: Мултицентрично истражување. Евро. зрачење. 29, 1640–1646 (2019).
Fan, KY, Hu, R., and Singla, R. Вовед во машинско учење за студенти по медицина: пилот проект. Ј Мед. Научете. 54, 1042-1043 (2020).
Cooperman N, et al. Идентификување на децата со многу низок ризик од клинички значајна повреда на мозокот по повреда на главата: потенцијална студија за кохорт. Лансет 374, 1160–1170 (2009).
Улица, WN, Волберг, WH и Mangasarian, Ol. Екстракција на нуклеарна карактеристика за дијагностицирање на тумор на дојка. Биомедицинска наука. Обработка на слика. Биомедицинска наука. Вајс. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. and Peng, L. Како да се развијат модели на машинско учење за здравствена заштита. Нат. Мет. 18, 410–414 (2019).
Селвараџу, РР и др. Град-Кам: Визуелно толкување на длабоките мрежи преку локализација базирана на градиент. Зборник на трудови на Меѓународната конференција на IEEE за компјутерски визија, 618–626 (2017).
Kumaravel B, Stewart K and Ilic D. Развој и евалуација на спирален модел за проценка на компетенции за медицина заснована врз докази со употреба на ОБСЕ во додипломско медицинско образование. БМК медицина. Научете. 21, 1–9 (2021).
Kolachalama VB и Garg PS машинско учење и медицинско образование. NPZH броеви. лек. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. and De Rooy, M. Вештачка интелигенција во радиологијата: 100 комерцијални производи и нивни научни докази. Евро. зрачење. 31, 3797–3804 (2021).
Медицина за високи перформанси на Топол, ЕJ: Конвергенција на човечка и вештачка интелигенција. Нат. лек. 25, 44-56 (2019).
Беде, Е. и др. Евалуација на човекот во центарот на системот за длабоко учење распореден во клиниката за откривање на дијабетична ретинопатија. Зборник на трудови на конференцијата за Чи во 2020 година за човечки фактори во компјутерските системи (2020).
Кер, Б. Прелистата училница во инженерско образование: преглед на истражување. Зборник на трудови од Меѓународната конференција за интерактивно соработка за учење во 2015 година (2015).
Авторите им се заблагодаруваат на Даниеле Вокер, Тим Сакудин и Питер Зандстра од кластерот за истражување на биомедицински слики и вештачка интелигенција на Универзитетот во Британска Колумбија за поддршка и финансирање.
RH, PP, ZH, RS и MA беа одговорни за развој на содржината за настава на работилницата. RH и PP беа одговорни за развој на примери за програмирање. KYF, OY, MT и PW беа одговорни за логистичката организација на проектот и анализата на работилниците. RH, OY, MT, РС беа одговорни за создавање на бројки и табели. RH, Kyf, PP, ZH, Oy, My, PW, TL, MA, RS беа одговорни за изготвување и уредување на документот.
Комуникациската медицина им се заблагодарува на Каролин Мек Грегор, Фабио Мораес и Адитиа Боракати за нивните придонеси во прегледот на оваа работа.
Време на објавување: февруари-19-2024 година