Vă mulțumim că ați vizitat Nature.com.Versiunea de browser pe care o utilizați are suport limitat pentru CSS.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 suport continuu, arătăm site-ul fără stil sau JavaScript.
Aplicațiile inteligenței artificiale clinice (IA) cresc rapid, dar programele existente ale școlilor de medicină oferă o predare limitată care acoperă acest domeniu.Aici descriem un curs de formare în domeniul inteligenței artificiale pe care l-am dezvoltat și oferit studenților canadieni la medicină și facem recomandări pentru formarea viitoare.
Inteligența artificială (IA) în medicină poate îmbunătăți eficiența la locul de muncă și poate ajuta la luarea deciziilor clinice.Pentru a ghida în siguranță utilizarea inteligenței artificiale, medicii trebuie să aibă o anumită înțelegere a inteligenței artificiale.Multe comentarii susțin predarea conceptelor AI1, cum ar fi explicarea modelelor AI și procesele de verificare2.Cu toate acestea, puține planuri structurate au fost implementate, în special la nivel național.Pinto dos Santos et al.3.263 de studenți la medicină au fost chestionați și 71% au fost de acord că au nevoie de pregătire în inteligența artificială.Predarea inteligenței artificiale unui public medical necesită un design atent care combină concepte tehnice și non-tehnice pentru studenții care au adesea cunoștințe anterioare extinse.Descriem experiența noastră de a oferi o serie de ateliere de AI pentru trei grupuri de studenți la medicină și facem recomandări pentru educația medicală viitoare în AI.
Atelierul nostru de cinci săptămâni Introducere în inteligența artificială în medicină pentru studenții la medicină 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 are trei obiective principale de învățare: studenții înțeleg modul în care datele sunt procesate în aplicațiile de inteligență artificială, analizează literatura de inteligență artificială pentru aplicații clinice și profită de oportunitățile de a colabora cu inginerii care dezvoltă inteligența artificială.
Albastrul este subiectul prelegerii, iar albastrul deschis este perioada interactivă de întrebări și răspunsuri.Secțiunea gri 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 preda inteligența artificială să rezolve probleme clinice și să evalueze modele.Conținutul și durata atelierelor variază în funcție de evaluarea nevoilor elevilor.
Primul atelier a avut loc la Universitatea din British Columbia din februarie până în aprilie 2019, iar toți cei 8 participanți au oferit feedback pozitiv4.Din cauza COVID-19, cel de-al doilea workshop a avut loc virtual în octombrie-noiembrie 2020, înregistrându-se 222 de studenți la medicină și 3 rezidenți din 8 școli de medicină canadiene.Slide-urile și codul de prezentare au fost încărcate pe un site cu acces deschis (http://ubcaimed.github.io).Feedback-ul cheie de la prima iterație a fost că prelegerile au fost prea intense și materialul prea teoretic.Servirea celor șase fusuri orare diferite ale Canadei ridică provocări suplimentare.Astfel, al doilea atelier a scurtat fiecare sesiune la 1 oră, a simplificat materialul de curs, a adăugat mai multe studii de caz și a creat programe standard care le-au permis participanților să completeze fragmente de cod cu o depanare minimă (caseta 1).Feedback-ul cheie din 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 al treilea nostru atelier, desfășurat virtual pentru 126 de studenți la medicină în martie-aprilie 2021, am inclus mai multe exerciții de codificare interactive și sesiuni de feedback pentru proiecte pentru a demonstra impactul utilizării conceptelor de atelier asupra proiectelor.
Analiza datelor: un domeniu de studiu în statistică care identifică modele semnificative în date prin analizarea, procesarea și comunicarea modelelor de date.
Data mining: procesul de identificare și extragere a datelor.În contextul inteligenței artificiale, aceasta este adesea mare, cu variabile multiple 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 folosit interschimbabil cu „proprietate” sau „variabilă”.
Gradient Activation Map: O tehnică utilizată 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 care sunt foarte predictive.
Model standard: un model AI existent care a fost pregătit în prealabil pentru a îndeplini 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 înainte.
Antrenament (în contextul inteligenței artificiale): Furnizarea unui model cu date și rezultate, astfel încât modelul să își ajusteze parametrii interni pentru a-și optimiza capacitatea de a îndeplini sarcini folosind date noi.
Vector: matrice de date.În învățarea automată, fiecare element de matrice este de obicei o caracteristică unică a eșantionului.
Tabelul 1 listează cele mai recente cursuri pentru aprilie 2021, inclusiv obiectivele de învățare vizate pentru fiecare subiect.Acest atelier este destinat celor nou la nivel tehnic și nu necesită cunoștințe matematice dincolo de primul an al unei diplome de licență în medicină.Cursul a fost dezvoltat de 6 studenți la medicină și 3 profesori cu diplome avansate în inginerie.Inginerii dezvoltă teoria inteligenței artificiale pentru a preda, iar studenții la medicină învață materiale relevante din punct de vedere clinic.
Atelierele includ prelegeri, studii de caz și programare ghidată.În prima prelegere, trecem în revistă 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 aveau o pregătire anterioară în biostatistică și doreau să acopere subiecte mai unice de învățare automată.Conferința ulterioară prezintă metode moderne și discută formularea problemelor AI, avantajele și limitările modelelor AI și testarea modelelor.Prelegerile sunt completate de literatură și cercetări practice privind dispozitivele de inteligență artificială existente.Subliniem abilitățile necesare pentru a evalua eficacitatea și fezabilitatea unui model pentru a aborda întrebări clinice, inclusiv înțelegerea limitărilor dispozitivelor de inteligență artificială existente.De exemplu, le-am cerut studenților să interpreteze ghidurile pentru traumatismele capului pediatrice propuse de Kupperman și colab., 5 care au implementat un algoritm de arbore de decizie al inteligenței artificiale pentru a determina dacă o scanare CT ar fi utilă pe baza examinării unui medic.Subliniem că acesta este un exemplu comun de AI care oferă analize predictive pentru ca medicii să le interpreteze, mai degrabă decât să îi înlocuiască pe medici.
În exemplele de programare bootstrap cu sursă deschisă disponibile (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demonstrăm cum să efectuăm analiza exploratorie a datelor, reducerea dimensionalității, încărcarea standard a modelului și instruirea .și testare.Folosim notebook-uri Google Colaboratory (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 afecțiunilor maligne folosind Wisconsin Open Breast Imaging Dataset6 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 practicii clinice viitoare, cum ar fi modul de evaluare a modelelor pentru a determina dacă sunt gata de utilizare în studiile clinice.Aceste exemple culminează cu o aplicație completă de la capăt la capăt care clasifică tumorile ca benigne sau maligne pe baza parametrilor imaginii medicale.
Eterogenitatea cunoștințelor anterioare.Participanții noștri au variat în ceea ce privește nivelul lor de cunoștințe matematice.De exemplu, studenții cu studii avansate în inginerie caută materiale mai aprofundate, cum ar fi modul de a efectua propriile lor transformări Fourier.Cu toate acestea, discutarea algoritmului Fourier în clasă nu este posibilă, deoarece necesită cunoștințe aprofundate despre procesarea semnalului.
Fluxul de prezență.Prezența la reuniunile ulterioare a scăzut, în special în formatele online.O soluție poate fi urmărirea prezenței și furnizarea unui certificat de finalizare.Se știe că școlile de medicină recunosc foile matricole ale activităților academice extracurriculare ale studenților, ceea ce îi poate încuraja pe studenți să urmeze o diplomă.
Designul cursului: Deoarece AI se întinde pe atât de multe subdomenii, selectarea conceptelor de bază de profunzime și lățime adecvate poate fi o provocare.De exemplu, continuitatea utilizării instrumentelor AI de la laborator la clinică este un subiect important.Deși acoperim preprocesarea datelor, construirea modelelor și validarea, nu includem subiecte precum analiza datelor mari, vizualizarea interactivă sau efectuarea de studii clinice AI, ci ne concentrăm pe cele mai unice concepte AI.Principiul nostru călăuzitor este să îmbunătățim alfabetizarea, nu abilitățile.De exemplu, înțelegerea modului în care un model procesează caracteristicile de intrare este importantă pentru interpretabilitate.O modalitate de a face acest lucru este să utilizați hărți de activare a gradientului, care pot vizualiza care regiuni ale datelor sunt previzibile.Totuși, 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 datele ca vectori fără formalism matematic.Rețineți că termeni diferiți au același sens, de exemplu, în epidemiologie, o „caracteristică” este descrisă ca o „variabilă” sau „atribut”.
Reținerea cunoștințelor.Deoarece aplicarea IA este limitată, rămâne de văzut măsura în care participanții păstrează cunoștințele.Programele școlilor de medicină se bazează adesea pe repetarea la distanță pentru a consolida cunoștințele în timpul rotațiilor practice9, care poate fi aplicată și în educația IA.
Profesionalismul este mai important decât alfabetizarea.Adâncimea materialului este concepută fără rigoare matematică, ceea ce a reprezentat o problemă la lansarea cursurilor clinice de inteligență artificială.În exemplele de programare, folosim un program șablon care permite participanților să completeze câmpuri și să ruleze software-ul fără a fi nevoie să ne dăm seama cum să configureze un mediu de programare complet.
Preocupări cu privire la inteligența artificială abordate: Există o îngrijorare larg răspândită că inteligența artificială ar putea înlocui unele sarcini clinice3.Pentru a aborda această problemă, explicăm limitările AI, inclusiv faptul că aproape toate tehnologiile AI aprobate de autoritățile de reglementare necesită supravegherea unui medic11.De asemenea, subliniem importanța părtinirii deoarece algoritmii sunt predispuși la părtinire, mai ales dacă setul de date nu este divers12.În consecință, un anumit subgrup poate fi modelat incorect, conducând la decizii clinice incorecte.
Resursele sunt disponibile public: am creat resurse disponibile public, inclusiv diapozitive și coduri pentru prelegeri.Deși accesul la conținutul sincron este limitat din cauza fusurilor orare, conținutul open source este o metodă convenabilă pentru învățarea asincronă, deoarece expertiza AI nu este disponibilă la toate școlile de medicină.
Colaborare interdisciplinară: Acest atelier este un joint venture inițiat de studenți la medicină pentru a planifica cursuri împreună cu inginerii.Acest lucru demonstrează oportunități de colaborare și lacune de cunoștințe în ambele domenii, permițând participanților să înțeleagă potențialul rol 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 existente bazate pe competențe.Acest atelier folosește în prezent Nivelurile 2 (Comprehensiune), 3 (Aplicație) și 4 (Analiză) ale Taxonomiei lui Bloom.A avea resurse la niveluri superioare de clasificare, cum ar fi crearea de proiecte, poate consolida și mai mult cunoștințele.Acest lucru necesită colaborarea cu experți clinici pentru a determina modul în care subiectele AI pot fi aplicate fluxurilor de lucru clinice și pentru a preveni predarea subiectelor repetitive deja incluse în programele medicale standard.
Creați studii de caz folosind AI.Similar exemplelor clinice, învățarea bazată pe caz poate întări concepte abstracte prin evidențierea relevanței lor pentru întrebările clinice.De exemplu, un studiu de atelier a analizat sistemul Google de detectare a retinopatiei diabetice bazat pe inteligență artificială 13 pentru a identifica provocările de-a lungul drumului de la laborator la clinică, cum ar fi cerințele de validare externă și căile de aprobare de reglementare.
Folosiți învățarea experiențială: abilitățile tehnice necesită o practică concentrată și aplicarea repetată pentru a stăpâni, similar cu experiențele de învățare prin rotație ale cursanților clinici.O posibilă soluție este modelul de clasă inversată, despre care sa raportat că îmbunătățește păstrarea cunoștințelor în educația inginerească14.În acest model, studenții revizuiesc materialul teoretic în mod independent, iar timpul de clasă este dedicat rezolvării problemelor prin studii de caz.
Extindere pentru participanții multidisciplinari: ne imaginăm adoptarea AI care implică colaborarea în mai multe discipline, inclusiv medici și profesioniști din domeniul sănătății, cu diferite niveluri de pregătire.Prin urmare, este posibil ca programele să fie dezvoltate în consultare cu profesorii din diferite departamente pentru a-și adapta conținutul la diferite domenii ale îngrijirii sănătății.
Inteligența artificială este de înaltă tehnologie, iar conceptele sale de bază sunt legate de matematică și informatică.Formarea personalului medical pentru a înțelege inteligența artificială prezintă provocări unice în selecția conținutului, relevanța clinică și metodele de livrare.Sperăm că informațiile obținute din atelierele de AI în educație îi vor ajuta pe viitorii educatori să adopte modalități inovatoare de a integra AI în educația medicală.
Scriptul Google Colaboratory Python 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 studenții la medicină despre inteligența artificială?numere NPZh.Medicină 3, 1–3 (2020).
Dos Santos, DP, et al.Atitudinile studenților la medicină față de inteligența artificială: un sondaj multicentric.EURO.radiatii.29, 1640–1646 (2019).
Fan, KY, Hu, R. și Singla, R. Introducere în învățarea automată pentru studenții la medicină: un proiect pilot.J. Med.a preda.54, 1042–1043 (2020).
Cooperman N, și colab.Identificarea copiilor cu risc foarte scăzut de leziuni cerebrale semnificative clinic după leziuni la cap: un studiu de cohortă prospectiv.Lancet 374, 1160–1170 (2009).
Strada, WN, Wolberg, WH și Mangasarian, OL.Extracția caracteristicilor nucleare pentru diagnosticul tumorii mamare.Stiinta biomedicala.Procesarea imaginii.Stiinta biomedicala.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. și Peng, L. Cum se dezvoltă modele de învățare automată pentru asistența medicală.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: Interpretare 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 în spirală pentru evaluarea competențelor medicale bazate pe dovezi folosind OSCE în educația medicală universitară.Medicina BMK.a preda.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 dovezile științifice ale acestora.EURO.radiatii.31, 3797–3804 (2021).
Topol, EJ Medicină de înaltă performanță: convergența inteligenței umane și artificială.Nat.medicament.25, 44–56 (2019).
Bede, E. şi colab.Evaluarea centrată pe om a unui sistem de învățare profundă implementat în clinică pentru detectarea retinopatiei diabetice.Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (2020).
Kerr, B. Clasa inversată în educația inginerească: o revizuire a cercetării.Proceedings of the 2015 International Conference on Interactive Collaborative Learning (2015).
Autorii le mulțumesc lui Danielle Walker, Tim Salcudin și Peter Zandstra de la Clusterul de cercetare în domeniul imagistică biomedicală și al inteligenței artificiale de la Universitatea din Columbia Britanică pentru sprijin și finanțare.
RH, PP, ZH, RS și MA au fost responsabili pentru dezvoltarea conținutului de predare a atelierului.RH și PP au fost responsabili pentru 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 pentru crearea figurilor și tabelelor.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS au fost responsabili de redactarea și editarea documentului.
Communication Medicine le mulțumește lui Carolyn McGregor, Fabio Moraes și Aditya Borakati pentru contribuțiile lor la revizuirea acestei lucrări.
Ora postării: 19-feb-2024