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 asistență continuă, afișăm site-ul fără stiluri sau JavaScript.
Aplicațiile inteligenței artificiale (IA) clinice se dezvoltă rapid, însă programele de învățământ medical existente oferă o predare limitată care acoperă acest domeniu. Aici descriem un curs de formare în inteligență artificială pe care l-am dezvoltat și oferit studenților la medicină din Canada 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 oarecare înțelegere a inteligenței artificiale. Multe comentarii pledează pentru predarea conceptelor de IA1, cum ar fi explicarea modelelor de IA 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 la medicină au fost chestionați, iar 71% au fost de acord că au nevoie de instruire în domeniul inteligenței artificiale. Predarea inteligenței artificiale unui public medical necesită o proiectare atentă care să combine concepte tehnice și non-tehnice pentru studenții care au adesea cunoștințe anterioare extinse. Descriem experiența noastră în susținerea unei serii de ateliere de lucru despre IA pentru trei grupuri de studenți la medicină și facem recomandări pentru viitoarea educație medicală în domeniul IA.
Atelierul nostru de lucru 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 aduse cursului, este prezentat în Figura 1. Cursul nostru are trei obiective principale de învățare: studenții să înțeleagă modul în care datele sunt procesate în aplicațiile de inteligență artificială, să analizeze literatura de specialitate privind inteligența artificială pentru aplicații clinice și să profite de oportunitățile de colaborare cu inginerii care dezvoltă inteligență artificială.
Albastrul este subiectul cursului, iar albastrul deschis este perioada interactivă de întrebări și răspunsuri. Secțiunea gri este punctul central al scurtei analize a literaturii de specialitate. Secțiunile portocalii sunt studii de caz selectate care descriu modele sau tehnici de inteligență artificială. Verdele este un curs de programare ghidată conceput pentru a preda inteligența artificială pentru a rezolva probleme clinice și a evalua modele. Conținutul și durata atelierelor variază în funcție de evaluarea nevoilor studenților.
Primul atelier a avut loc la Universitatea din Columbia Britanică din februarie până în aprilie 2019, iar toți cei 8 participanți au oferit feedback pozitiv4. Din cauza COVID-19, al doilea atelier a avut loc virtual în octombrie-noiembrie 2020, cu înscrierea a 222 de studenți la medicină și 3 rezidenți din 8 facultăți de medicină canadiene. Diapozitivele și codul prezentării au fost încărcate pe un site cu acces liber (http://ubcaimed.github.io). Principalul feedback din prima iterație a fost că prelegerile au fost prea intense, iar materialul prea teoretic. Deservirea celor șase fusuri orare diferite ale Canadei prezintă provocări suplimentare. Astfel, 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 standard care au permis participanților să completeze fragmente de cod cu 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 cel de-al treilea atelier al nostru, organizat virtual pentru 126 de studenți la medicină în perioada martie-aprilie 2021, am inclus mai multe exerciții interactive de codare și sesiuni de feedback pe proiecte pentru a demonstra impactul utilizării conceptelor atelierului asupra proiectelor.
Analiza datelor: Un domeniu de studiu în statistică care identifică modele semnificative în date prin analizarea, procesarea și comunicarea modelelor de date.
Extragerea datelor: procesul de identificare și extragere a datelor. În contextul inteligenței artificiale, aceasta este adesea o activitate de amploare, 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 folosite interschimbabil cu „proprietate” sau „variabilă”.
Harta de activare a gradienților: O tehnică utilizată pentru interpretarea modelelor de inteligență artificială (în special rețele neuronale convoluționale), care analizează procesul de optimizare a ultimei părți a rețelei pentru a identifica regiuni de date sau imagini cu un nivel ridicat de predicție.
Model standard: Un model de inteligență artificială existent care a fost pre-antrenat să îndeplinească sarcini similare.
Testarea (în contextul inteligenței artificiale): observarea modului în care un model îndeplinește o sarcină folosind date pe care nu le-a mai întâlnit anterior.
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 al matricei este de obicei o caracteristică unică a eșantionului.
Tabelul 1 prezintă cele mai recente cursuri pentru aprilie 2021, inclusiv obiectivele de învățare specifice pentru fiecare temă. Acest atelier este destinat celor care sunt noi în domeniul tehnic și nu necesită cunoștințe matematice dincolo de primul an 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, vom trece în revistă anumite concepte 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 data mining, testarea semnificației sau vizualizarea interactivă. Acest lucru s-a datorat constrângerilor de timp și, de asemenea, faptului că unii studenți de licență aveau o pregătire anterioară în biostatistică și doreau să acopere subiecte mai unice de învățare automată. Prelegerea ulterioară introduce metode moderne și discută formularea problemelor de inteligență artificială, avantajele și limitele modelelor de inteligență artificială și testarea modelelor. Prelegerile sunt completate de literatură și cercetări practice privind dispozitivele de inteligență artificială existente. Punem accent pe abilitățile necesare pentru a evalua eficacitatea și fezabilitatea unui model pentru a aborda întrebări clinice, inclusiv înțelegerea limitelor dispozitivelor de inteligență artificială existente. De exemplu, le-am cerut studenților să interpreteze ghidurile privind traumatismele craniene pediatrice propuse de Kupperman și colab., 5 care au implementat un algoritm de arbore decizional 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 IA care oferă analize predictive pentru ca medicii să le interpreteze, mai degrabă decât să le înlocuiască.
În exemplele de programare bootstrap open source disponibile (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demonstrăm cum se efectuează analiza exploratorie a datelor, reducerea dimensionalității, încărcarea modelului standard, antrenamentul și testarea. Folosim notebook-urile Google Colaboratory (Google LLC, Mountain View, CA), care permit executarea codului Python dintr-un browser web. Figura 2 prezintă un exemplu de exercițiu de programare. Acest exercițiu implică prezicerea tumorilor maligne utilizând setul de date Wisconsin Open Breast Imaging Dataset6 și un algoritm de arbore decizional.
Prezentați programe pe parcursul săptămânii pe teme conexe și selectați exemple din aplicațiile de inteligență artificială publicate. Elementele de programare sunt incluse numai dacă sunt considerate relevante pentru oferirea de perspective 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, end-to-end, care clasifică tumorile drept benigne sau maligne pe baza parametrilor imaginii medicale.
Eterogenitatea cunoștințelor anterioare. Participanții noștri au avut niveluri diferite de cunoștințe matematice. De exemplu, studenții cu studii avansate în inginerie caută materiale mai aprofundate, cum ar fi modul de efectuare a propriilor transformări Fourier. Cu toate acestea, discutarea algoritmului Fourier în clasă nu este posibilă deoarece necesită cunoștințe aprofundate despre procesarea semnalelor.
Flux de prezență. Prezența la întâlnirile ulterioare a scăzut, în special în formatul online. O soluție ar putea fi urmărirea prezenței și furnizarea unui certificat de absolvire. Facultățile de medicină sunt cunoscute pentru recunoașterea transcrierilor activităților academice extracurriculare ale studenților, ceea ce îi poate încuraja să urmeze o diplomă.
Proiectarea cursului: Deoarece IA acoperă atât de multe subdomenii, selectarea conceptelor de bază cu o profunzime și o amploare adecvate poate fi dificilă. De exemplu, continuitatea utilizării instrumentelor IA de la laborator la clinică este un subiect important. Deși acoperim preprocesarea datelor, construirea de modele și validarea, nu includem subiecte precum analiza big data, vizualizarea interactivă sau efectuarea de studii clinice IA, ci ne concentrăm pe cele mai unice concepte de IA. Principiul nostru călăuzitor este de a îmbunătăți 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 de a utiliza hărți de activare a gradienților, 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 datele ca vectori fără formalism matematic. Rețineți că termeni diferiți au același înțeles, de exemplu, în epidemiologie, o „caracteristică” este descrisă ca o „variabilă” sau un „atribut”.
Reținerea cunoștințelor. Deoarece aplicarea IA este limitată, rămâne de văzut măsura în care participanții își rețin cunoștințele. Programele școlilor de medicină se bazează adesea pe repetiția spațiată pentru a consolida cunoștințele în timpul rotațiilor practice,9 ceea ce poate fi aplicat și în educația în domeniul IA.
Profesionalismul este mai important decât alfabetizarea. Profunzimea 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 nevoiți să-și dea seama cum să configureze un mediu de programare complet.
Îngrijorări legate de inteligența artificială abordate: Există o îngrijorare larg răspândită că inteligența artificială ar putea înlocui unele sarcini clinice3. Pentru a aborda această problemă, explicăm limitele IA, inclusiv faptul că aproape toate tehnologiile IA aprobate de autoritățile de reglementare necesită supravegherea medicului11. De asemenea, subliniem importanța erorilor, deoarece algoritmii sunt predispuși la erori, 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 publicului: Am creat resurse disponibile publicului, inclusiv slide-uri și cod pentru cursuri. Deși accesul la conținut sincron este limitat din cauza fusurilor orare, conținutul open source este o metodă convenabilă pentru învățarea asincronă, deoarece expertiza în inteligența artificială nu este disponibilă în toate facultățile de medicină.
Colaborare interdisciplinară: Acest atelier este o acțiune comună inițiată de studenții la medicină pentru a planifica cursuri împreună cu inginerii. Aceasta demonstrează oportunități de colaborare și lacune în cunoștințe în ambele domenii, permițând participanților să înțeleagă rolul potențial pe care îl pot aduce în viitor.
Definiți competențele de bază în domeniul inteligenței artificiale. Definirea unei liste de competențe oferă o structură standardizată care poate fi integrată în programele de învățământ medical existente, bazate pe competențe. Acest atelier utilizează în prezent Nivelurile Obiectivelor de Învățare 2 (Înțelegere), 3 (Aplicare) și 4 (Analiză) ale Taxonomiei lui Bloom. Deținerea de resurse la niveluri superioare de clasificare, cum ar fi crearea de proiecte, poate consolida și mai mult cunoștințele. Acest lucru necesită colaborarea cu experți clinicieni pentru a determina modul în care subiectele legate de inteligența artificială pot fi aplicate fluxurilor de lucru clinice și pentru a preveni predarea subiectelor repetitive deja incluse în programele de învățământ medical standard.
Creați studii de caz folosind inteligența artificială. Similar exemplelor clinice, învățarea bazată pe cazuri poate consolida conceptele abstracte prin evidențierea relevanței lor pentru întrebările clinice. De exemplu, un studiu realizat în cadrul unui atelier a analizat sistemul Google de detectare a retinopatiei diabetice bazat pe inteligență artificială13 pentru a identifica provocările de pe parcursul procesului de la laborator la clinică, cum ar fi cerințele de validare externă și căile de aprobare prin reglementări.
Utilizați învățarea experiențială: Abilitățile tehnice necesită practică concentrată și aplicare repetată pentru a fi stăpânite, similar experiențelor de învățare rotativă ale stagiarilor clinici. O soluție potențială este modelul clasei inversate, despre care s-a raportat că îmbunătățește reținerea cunoștințelor în educația inginerească14. În acest model, studenții revizuiesc independent materialul teoretic, iar timpul de curs este dedicat rezolvării problemelor prin studii de caz.
Extindere pentru participanți multidisciplinari: Prevedem adoptarea inteligenței artificiale care implică colaborarea între mai multe discipline, inclusiv medici și profesioniști din domeniul sănătății cu diferite niveluri de pregătire. Prin urmare, este posibil să fie nevoie ca programele de studiu să fie elaborate în consultare cu cadrele didactice din diferite departamente pentru a adapta conținutul acestora la diferite domenii ale asistenței medicale.
Inteligența artificială este o tehnologie de înaltă tehnologie, iar conceptele sale de bază sunt legate de matematică și informatică. Instruirea personalului medical pentru a înțelege inteligența artificială prezintă provocări unice în ceea ce privește selecția conținutului, relevanța clinică și metodele de predare. Sperăm că informațiile dobândite în cadrul atelierelor „IA în educație” vor ajuta viitorii educatori să adopte modalități inovatoare de integrare a IA în educația medicală.
Scriptul Python pentru Google Colaboratory este open source și disponibil la adresa: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG și Khan, S. Regândirea educației medicale: un îndemn la acțiune. Akkad. Medicine. 88, 1407–1410 (2013).
McCoy, LG etc. Ce trebuie să știe cu adevărat studenții la medicină despre inteligența artificială? Numerele NPZh. Medicine 3, 1–3 (2020).
Dos Santos, DP și colab. Atitudinile studenților la medicină față de inteligența artificială: un studiu multicentric. EURO. radiații. 29, 1640–1646 (2019).
Fan, KY, Hu, R. și Singla, R. Introducere în învățarea automată pentru studenții de medicină: un proiect pilot. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N și colab. Identificarea copiilor cu risc foarte scăzut de leziuni cerebrale semnificative clinic după traumatisme craniene: un studiu de cohortă prospectiv. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH și Mangasarian, OL. Extracția caracteristicilor nucleare pentru diagnosticarea tumorilor 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 asistența medicală. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR și colab. Grad-cam: Interpretarea vizuală a rețelelor profunde prin localizare bazată pe gradienți. Lucrările Conferinței Internaționale IEEE privind Viziunea Computerizată, 618–626 (2017).
Kumaravel B, Stewart K și Ilic D. Dezvoltarea și evaluarea unui model spiralat pentru evaluarea competențelor medicale bazate pe dovezi utilizând OSCE în învățământul medical universitar. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB și Garg PS Învățare automată și educație medicală. Numerele NPZh. Medicină. 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 artificiale. Nat. Medicine. 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. Lucrările Conferinței CHI 2020 privind Factorii Umani în Sistemele de Calcul (2020).
Kerr, B. Sala de clasă inversată în educația inginerească: o analiză a cercetării. Lucrările Conferinței Internaționale din 2015 privind Învățarea Interactivă Colaborativă (2015).
Autorii le mulțumesc lui Danielle Walker, Tim Salcudin și Peter Zandstra de la Clusterul de Cercetare în Imagistică Biomedicală și Inteligență Artificială din cadrul Universității din Columbia Britanică pentru sprijin și finanțare.
RH, PP, ZH, RS și MA au fost responsabili de dezvoltarea conținutului didactic al atelierelor. RH și PP au fost responsabili de dezvoltarea exemplelor de programare. KYF, OY, MT și PW au fost responsabili de organizarea logistică a proiectului și de analiza atelierelor. RH, OY, MT, RS au fost responsabili de 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.
Data publicării: 19 februarie 2024