Vă mulțumim că ați vizitat Nature.com. Versiunea browserului pe care o utilizați are suport CSS limitat. Pentru cele mai bune rezultate, vă recomandăm să utilizați o versiune mai nouă a browserului dvs. (sau să dezactivați modul de compatibilitate în Internet Explorer). Între timp, pentru a asigura un sprijin continuu, arătăm site -ul fără styling sau JavaScript.
Aplicațiile de inteligență artificială clinică (AI) cresc rapid, dar programele școlare medicale existente oferă o predare limitată care acoperă acest domeniu. Aici descriem un curs de formare a inteligenței artificiale pe care l -am dezvoltat și livrat studenților medicali canadieni și să facem recomandări pentru pregătirea viitoare.
Inteligența artificială (AI) în medicină poate îmbunătăți eficiența locului de muncă și poate ajuta luarea deciziilor clinice. Pentru a ghida în siguranță utilizarea inteligenței artificiale, medicii trebuie să înțeleagă inteligența artificială. Multe comentarii pledează pentru predarea conceptelor AI1, cum ar fi explicarea modelelor AI și a proceselor de verificare2. Cu toate acestea, au fost implementate puține planuri structurate, în special la nivel național. Pinto Dos Santos și colab.3. 263 de studenți medicali au fost chestionați și 71% au fost de acord că au nevoie de instruire în inteligență artificială. Predarea inteligenței artificiale către un public medical necesită un design atent care să combine concepte tehnice și non-tehnice pentru studenții care au adesea cunoștințe anterioare. Descriem experiența noastră oferind o serie de ateliere AI către trei grupuri de studenți medicali și facem recomandări pentru educația medicală viitoare în AI.
Introducerea noastră de cinci săptămâni în Atelierul de informații artificiale în medicină pentru studenții medicali a avut loc de trei ori între februarie 2019 și aprilie 2021. Un program pentru fiecare atelier, cu o scurtă descriere a modificărilor la curs, este prezentat în figura 1. Cursul nostru a avut Trei obiective primare de învățare: elevii înțeleg modul în care datele sunt procesate în aplicații de inteligență artificială, analizează literatura de inteligență artificială pentru aplicații clinice și profită de oportunități de colaborare cu ingineri care dezvoltă inteligență artificială.
Albastrul este subiectul prelegerii, iar albastru deschis este perioada de întrebare și răspuns interactivă. Secțiunea Grey este punctul central al scurtei revizuiri a literaturii. Secțiunile portocalii sunt studii de caz selectate care descriu modele sau tehnici de inteligență artificială. Green este un curs de programare ghidat conceput pentru a învăța inteligența artificială pentru a rezolva problemele clinice și a evalua modelele. Conținutul și durata atelierelor variază în funcție de o evaluare a nevoilor elevilor.
Primul atelier a avut loc la Universitatea din Columbia Britanică din februarie până în aprilie 2019, iar toți cei 8 participanți au oferit feedback4 pozitiv4. Din cauza Covid-19, al doilea atelier a avut loc practic în octombrie-noiembrie 2020, cu 222 de studenți de medicină și 3 rezidenți de la 8 școli medicale canadiene care se înregistrează. Diapozitivele de prezentare și codul au fost încărcate pe un site de acces deschis (http://ubcaimed.github.io). Feedback -ul cheie de la prima iterație a fost că prelegerile erau prea intense și materialul prea teoretic. Servirea celor șase zone de timp diferite din Canada reprezintă provocări suplimentare. Astfel, cel de -al doilea atelier a scurtat fiecare sesiune la 1 oră, a simplificat materialul cursului, a adăugat mai multe studii de caz și a creat programe de cazan care au permis participanților să completeze fragmente de cod cu depanare minimă (caseta 1). Feedback -ul cheie de la a doua iterație a inclus feedback pozitiv cu privire la exercițiile de programare și o solicitare de a demonstra planificarea unui proiect de învățare automată. Prin urmare, în cel de-al treilea atelier, deținut practic pentru 126 de studenți medicali în martie-aprilie 2021, am inclus mai multe exerciții de codificare interactive și sesiuni de feedback de proiect pentru a demonstra impactul utilizării conceptelor de atelier asupra proiectelor.
Analiza datelor: un domeniu de studiu în statistici care identifică tipare semnificative în date prin analizarea, procesarea și comunicarea tiparelor de date.
Minerirea datelor: procesul de identificare și extragere a datelor. În contextul inteligenței artificiale, aceasta este adesea mare, cu mai multe variabile pentru fiecare eșantion.
Reducerea dimensionalității: procesul de transformare a datelor cu multe caracteristici individuale în mai puține caracteristici, păstrând în același timp proprietățile importante ale setului de date original.
Caracteristici (în contextul inteligenței artificiale): proprietăți măsurabile ale unui eșantion. Adesea utilizat în mod interschimbabil cu „proprietate” sau „variabilă”.
Harta de activare a gradientului: o tehnică folosită pentru interpretarea modelelor de inteligență artificială (în special rețelele neuronale convoluționale), care analizează procesul de optimizare a ultimei părți a rețelei pentru a identifica regiuni de date sau imagini extrem de predictive.
Model standard: un model AI existent care a fost instruit în prealabil pentru a efectua sarcini similare.
Testare (în contextul inteligenței artificiale): observarea modului în care un model îndeplinește o sarcină folosind date pe care nu le -a mai întâlnit până acum.
Instruire (în contextul inteligenței artificiale): furnizarea unui model cu date și rezultate, astfel încât modelul să -și ajusteze parametrii interni pentru a -și optimiza capacitatea de a îndeplini sarcini folosind date noi.
Vector: tablou de date. În învățarea automată, fiecare element de matrice este de obicei o caracteristică unică a eșantionului.
Tabelul 1 prezintă cele mai recente cursuri pentru aprilie 2021, inclusiv obiective de învățare vizate pentru fiecare subiect. Acest atelier este destinat celor noi la nivel tehnic și nu necesită cunoștințe matematice dincolo de primul an al unei diplome medicale de licență. Cursul a fost dezvoltat de 6 studenți de medicină și 3 profesori cu diplome avansate în inginerie. Inginerii dezvoltă teoria inteligenței artificiale pentru a preda, iar studenții medicali învață materiale relevante din punct de vedere clinic.
Atelierele includ prelegeri, studii de caz și programare ghidată. În prima prelegere, analizăm conceptele selectate de analiză a datelor în biostatistică, inclusiv vizualizarea datelor, regresia logistică și compararea statisticilor descriptive și inductive. Deși analiza datelor este fundamentul inteligenței artificiale, excludem subiecte precum extragerea datelor, testarea semnificației sau vizualizarea interactivă. Acest lucru s -a datorat constrângerilor de timp și, de asemenea, pentru că unii studenți de licență au avut o pregătire prealabilă în biostatistică și au dorit să acopere mai multe subiecte unice de învățare automată. Prelegerea ulterioară introduce metode moderne și discută despre formularea problemelor AI, avantajele și limitările modelelor AI și testarea modelului. Prelegerile sunt completate de literatură și cercetări practice asupra dispozitivelor de inteligență artificială existente. Subliniem abilitățile necesare pentru a evalua eficacitatea și fezabilitatea unui model pentru a aborda întrebările clinice, inclusiv înțelegerea limitărilor dispozitivelor de informații artificiale existente. De exemplu, am cerut studenților să interpreteze ghidurile pediatrice ale vătămării capului propuse de Kupperman și colab., 5, care a implementat un algoritm de arbore de decizie de inteligență artificială pentru a determina dacă o scanare CT ar fi utilă pe baza examinării unui medic. Subliniem că acesta este un exemplu obișnuit de AI care oferă analize predictive pentru medici să interpreteze, mai degrabă decât înlocuirea medicilor.
În exemplele de programare bootstrap open source disponibile (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demonstrăm cum să efectuăm analize de date exploratorii, reducerea dimensionalității, încărcarea modelului standard și formarea de instruire . și testare. Folosim Google Colaboratory Notebooks (Google LLC, Mountain View, CA), care permit executarea codului Python dintr -un browser web. În Fig. Figura 2 oferă un exemplu de exercițiu de programare. Acest exercițiu implică prezicerea malignității folosind setul de date de imagistică sânii deschise din Wisconsin și un algoritm de arbore de decizie.
Prezentați programe pe parcursul săptămânii pe subiecte conexe și selectați exemple din aplicațiile AI publicate. Elementele de programare sunt incluse numai dacă sunt considerate relevante pentru a oferi o perspectivă asupra viitoarelor practici clinice, cum ar fi modul de evaluare a modelelor pentru a determina dacă sunt gata de utilizare în studiile clinice. Aceste exemple culminează într-o aplicație end-to-end cu drepturi depline care clasifică tumorile ca fiind benigne sau maligne pe baza parametrilor imaginii medicale.
Eterogenitatea cunoștințelor anterioare. Participanții noștri au variat în nivelul lor de cunoștințe matematice. De exemplu, studenții cu medii de inginerie avansate caută mai multe materiale aprofundate, cum ar fi modul de realizare a propriilor lor transformări Fourier. Cu toate acestea, discutarea algoritmului Fourier din clasă nu este posibilă, deoarece necesită cunoaștere aprofundată a procesării semnalului.
Flux de ieșire de participare. Participarea la ședințele de urmărire a scăzut, în special în formate online. O soluție poate fi urmărirea prezenței și furnizarea unui certificat de finalizare. Școlile medicale sunt cunoscute pentru a recunoaște transcrierile activităților academice extracurriculare ale elevilor, ceea ce poate încuraja elevii să urmeze o diplomă.
Proiectarea cursului: Deoarece AI se întinde pe atât de multe sub -câmpuri, selectarea conceptelor de bază de profunzime și lățime adecvată poate fi dificilă. De exemplu, continuitatea utilizării instrumentelor AI de la laborator la clinică este un subiect important. În timp ce acoperim preprocesarea datelor, construirea modelului și validarea, nu includem subiecte precum analiza datelor mari, vizualizarea interactivă sau efectuarea de studii clinice AI, în schimb ne concentrăm pe cele mai unice concepte AI. Principiul nostru de ghidare este de a îmbunătăți alfabetizarea, nu abilitățile. De exemplu, înțelegerea modului în care un model procese de intrare este importantă pentru interpretare. O modalitate de a face acest lucru este de a utiliza hărți de activare a gradientului, care pot vizualiza ce regiuni ale datelor sunt previzibile. Cu toate acestea, acest lucru necesită calcul multivariat și nu poate fi introdus8. Dezvoltarea unei terminologii comune a fost o provocare, deoarece încercam să explicăm cum să lucrăm cu date ca vectori fără formalism matematic. Rețineți că termenii diferiți au același sens, de exemplu, în epidemiologie, o „caracteristică” este descrisă ca „variabilă” sau „atribut”.
Reținerea cunoștințelor. Deoarece aplicarea AI este limitată, rămâne de văzut măsura în care participanții păstrează cunoștințe. Curricula școlii medicale se bazează adesea pe repetiția distanțată pentru a consolida cunoștințele în timpul rotațiilor practice, 9 care pot fi aplicate și la educația AI.
Profesionalismul este mai important decât alfabetizarea. Adâncimea materialului este proiectată fără rigurozitate matematică, ceea ce a fost o problemă la lansarea cursurilor clinice în inteligență artificială. În exemplele de programare, folosim un program de șablon care permite participanților să completeze câmpurile și să ruleze software -ul fără a fi nevoie să ne dăm seama cum să configurați un mediu de programare complet.
Preocupările legate de inteligența artificială abordată: Există o îngrijorare pe scară largă că inteligența artificială ar putea înlocui unele îndatoriri clinice3. Pentru a rezolva această problemă, explicăm limitările AI, inclusiv faptul că aproape toate tehnologiile AI aprobate de autoritățile de reglementare necesită supravegherea medicului1. De asemenea, subliniem importanța prejudecății, deoarece algoritmii sunt predispuși la prejudecăți, mai ales dacă setul de date nu este divers12. În consecință, un anumit subgrup poate fi modelat incorect, ceea ce duce la decizii clinice nedrepte.
Resursele sunt disponibile public: am creat resurse disponibile public, inclusiv diapozitive de prelegeri și cod. Deși accesul la conținut sincron este limitat din cauza zonelor orare, conținutul open source este o metodă convenabilă pentru învățarea asincronă, deoarece expertiza AI nu este disponibilă la toate școlile medicale.
Colaborare interdisciplinară: Acest atelier este o asociere comună inițiată de studenții medicali pentru a planifica cursuri împreună cu inginerii. Acest lucru demonstrează oportunități de colaborare și lacune de cunoștințe în ambele domenii, permițând participanților să înțeleagă rolul potențial pe care îl pot contribui în viitor.
Definiți competențele de bază ale AI. Definirea unei liste de competențe oferă o structură standardizată care poate fi integrată în programele medicale bazate pe competențe existente. Acest atelier folosește în prezent nivelurile obiective de învățare 2 (înțelegere), 3 (aplicație) și 4 (analiză) din taxonomia lui Bloom. A avea resurse la niveluri mai ridicate de clasificare, cum ar fi crearea de proiecte, poate consolida și mai mult cunoștințele. Acest lucru necesită lucrul cu experți clinici pentru a determina modul în care subiectele AI pot fi aplicate fluxurilor de lucru clinice și prevenirea predării subiectelor repetitive deja incluse în programele medicale standard.
Creați studii de caz folosind AI. Similar cu exemplele clinice, învățarea bazată pe cazuri poate consolida conceptele abstracte prin evidențierea relevanței acestora pentru întrebările clinice. De exemplu, un studiu de atelier a analizat sistemul de detectare a retinopatiei diabetice bazate pe AI Google, 13 pentru a identifica provocările de-a lungul căii de la laborator la clinică, cum ar fi cerințele de validare externă și căile de aprobare de reglementare.
Utilizați învățarea experiențială: Abilitățile tehnice necesită practică concentrată și aplicare repetată pentru a stăpâni, similar cu experiențele rotative de învățare ale cursanților clinici. O soluție potențială este modelul de clasă flipped, care a fost raportat pentru a îmbunătăți păstrarea cunoștințelor în educația inginerească14. În acest model, elevii examinează materialul teoretic în mod independent, iar timpul de clasă este dedicat rezolvării problemelor prin studii de caz.
Scalarea participanților multidisciplinari: avem în vedere adoptarea AI care implică colaborarea pe mai multe discipline, inclusiv medici și profesioniști aliați din domeniul sănătății cu diferite niveluri de formare. Prin urmare, este posibil ca programele să fie necesare în consultare cu facultatea de la diferite departamente pentru a -și adapta conținutul în diferite domenii de îngrijire a sănătății.
Inteligența artificială este de înaltă tehnologie, iar conceptele sale de bază sunt legate de matematică și informatică. Instruirea personalului de asistență medicală pentru a înțelege inteligența artificială prezintă provocări unice în selecția conținutului, relevanța clinică și metodele de livrare. Sperăm că ideile obținute din AI în atelierele de învățământ vor ajuta viitorii educatori să îmbrățișeze modalități inovatoare de integrare AI în educația medicală.
Scriptul Python Google Colaboratory este open source și disponibil la: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG și Khan, S. Regândirea educației medicale: un apel la acțiune. Akkad. medicament. 88, 1407–1410 (2013).
McCoy, LG etc. Ce trebuie să știe cu adevărat studenții medicali despre inteligența artificială? Numere NPZH. Medicină 3, 1–3 (2020).
Dos Santos, DP și colab. Atitudinile studenților medicali față de inteligența artificială: un sondaj multicentric. EURO. radiații. 29, 1640–1646 (2019).
Fan, KY, Hu, R. și Singla, R. Introducere în învățarea mașinilor pentru studenții medicali: un proiect pilot. J. Med. învață. 54, 1042–1043 (2020).
Cooperman N, și colab. Identificarea copiilor cu un risc foarte scăzut de leziuni cerebrale semnificative din punct de vedere clinic după leziuni la cap: un studiu de cohortă prospectivă. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH și Mangasarian, ol. Extracția caracteristicilor nucleare pentru diagnosticul tumorii mamare. Știință biomedicală. Prelucrarea imaginilor. Știință biomedicală. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. și Peng, L. Cum se dezvoltă modele de învățare automată pentru asistență medicală. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR și colab. GRAD-CAM: Interpretarea vizuală a rețelelor profunde prin localizare bazată pe gradient. Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K și Ilic D. Dezvoltarea și evaluarea unui model spirală pentru evaluarea competențelor de medicamente bazate pe dovezi folosind OSCE în educația medicală de licență. Medicină BMK. învață. 21, 1–9 (2021).
Kolachalama VB și Garg PS învățare automată și educație medicală. Numere NPZH. medicament. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. și De Rooy, M. Inteligența artificială în radiologie: 100 de produse comerciale și dovezi științifice ale acestora. EURO. radiații. 31, 3797–3804 (2021).
Topol, EJ Medicină de înaltă performanță: convergența inteligenței umane și artificiale. Nat. medicament. 25, 44–56 (2019).
Bede, E. și colab. Evaluarea centrată pe om a unui sistem de învățare profundă implementat în clinică pentru detectarea retinopatiei diabetice. Procesul Conferinței CHI 2020 privind factorii umani în sistemele de calcul (2020).
Kerr, B. The Flipped Sala în Educație Inginerie: o revizuire a cercetării. Proceedings of the 2015 International Conference on Interactive Collaborative Learning (2015).
Autorii mulțumesc lui Danielle Walker, Tim Salcudin și Peter Zandstra de la clusterul Biomedical Imaging și Artificial Intelligence Research Cluster de la Universitatea din Columbia Britanică pentru sprijin și finanțare.
RH, PP, ZH, RS și MA au fost responsabili de dezvoltarea conținutului de predare a atelierului. RH și PP au fost responsabili de dezvoltarea exemplelor de programare. KYF, OY, MT și PW au fost responsabili pentru organizarea logistică a proiectului și analiza atelierelor. RH, OY, MT, RS au fost responsabili de crearea cifrelor și tabelelor. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS au fost responsabili de elaborarea și editarea documentului.
Medicină de comunicare mulțumesc Carolyn McGregor, Fabio Moraes și Aditya Borakati pentru contribuțiile lor la revizuirea acestei lucrări.
Timpul post: februarie-192024