Благодарим ви, че посетихте Nature.com.Версията на браузъра, който използвате, има ограничена поддръжка на CSS.За най-добри резултати препоръчваме да използвате по-нова версия на вашия браузър (или да изключите режима на съвместимост в Internet Explorer).Междувременно, за да осигурим постоянна поддръжка, ние показваме сайта без стилове или JavaScript.
Приложенията на клиничния изкуствен интелект (AI) нарастват бързо, но съществуващите учебни програми на медицинските училища предлагат ограничено обучение, обхващащо тази област.Тук описваме курс за обучение по изкуствен интелект, който разработихме и предоставихме на канадски студенти по медицина, и даваме препоръки за бъдещо обучение.
Изкуственият интелект (AI) в медицината може да подобри ефективността на работното място и да подпомогне вземането на клинични решения.За да ръководят безопасно използването на изкуствен интелект, лекарите трябва да имат известно разбиране за изкуствения интелект.Много коментари подкрепят преподаването на концепции за ИИ1, като например обяснение на модели на ИИ и процеси на проверка2.Въпреки това са изпълнени малко структурирани планове, особено на национално ниво.Pinto dos Santos и др.3.Анкетирани са 263 студенти по медицина и 71% са съгласни, че имат нужда от обучение по изкуствен интелект.Преподаването на изкуствен интелект на медицинска аудитория изисква внимателен дизайн, който съчетава технически и нетехнически концепции за студенти, които често имат обширни предварителни познания.Ние описваме нашия опит в предоставянето на поредица от семинари за AI на три групи студенти по медицина и правим препоръки за бъдещо медицинско образование по AI.
Нашият петседмичен семинар Въведение в изкуствения интелект в медицината за студенти по медицина се проведе три пъти между февруари 2019 г. и април 2021 г. График за всеки семинар с кратко описание на промените в курса е показан на фигура 1. Нашият курс има три основни учебни цели: студентите разбират как се обработват данни в приложения с изкуствен интелект, анализират литературата за изкуствен интелект за клинични приложения и се възползват от възможностите да си сътрудничат с инженери, разработващи изкуствен интелект.
Синьото е темата на лекцията, а светло синьото е интерактивният период за въпроси и отговори.Сивият раздел е фокусът на краткия преглед на литературата.Оранжевите секции са избрани казуси, които описват модели или техники на изкуствен интелект.Green е ръководен курс по програмиране, предназначен да научи изкуствения интелект да решава клинични проблеми и да оценява модели.Съдържанието и продължителността на семинарите варират в зависимост от оценката на нуждите на учениците.
Първият семинар се проведе в Университета на Британска Колумбия от февруари до април 2019 г. и всичките 8 участници дадоха положителна обратна връзка4.Поради COVID-19 вторият семинар се проведе виртуално през октомври-ноември 2020 г., като се регистрираха 222 студенти по медицина и 3 резиденти от 8 канадски медицински училища.Презентационните слайдове и кодът са качени на сайт с отворен достъп (http://ubcaimed.github.io).Основната обратна връзка от първата итерация беше, че лекциите бяха твърде интензивни и материалът твърде теоретичен.Обслужването на шестте различни часови зони на Канада създава допълнителни предизвикателства.По този начин вторият семинар съкрати всяка сесия до 1 час, опрости материала на курса, добави повече казуси и създаде шаблонни програми, които позволиха на участниците да завършат кодови фрагменти с минимално отстраняване на грешки (Каре 1).Ключовата обратна връзка от втората итерация включваше положителна обратна връзка за упражненията по програмиране и искане за демонстриране на планиране на проект за машинно обучение.Ето защо в третия ни семинар, проведен виртуално за 126 студенти по медицина през март-април 2021 г., ние включихме повече интерактивни упражнения по кодиране и сесии за обратна връзка по проекта, за да демонстрираме въздействието от използването на концепции за семинари върху проекти.
Анализ на данни: Област на изследване в статистиката, която идентифицира значими модели в данните чрез анализиране, обработка и предаване на модели на данни.
Извличане на данни: процес на идентифициране и извличане на данни.В контекста на изкуствения интелект това често е голямо, с множество променливи за всяка проба.
Намаляване на размерността: Процесът на трансформиране на данни с много индивидуални характеристики в по-малко характеристики, като същевременно се запазват важните свойства на оригиналния набор от данни.
Характеристики (в контекста на изкуствения интелект): измерими свойства на проба.Често се използва взаимозаменяемо със „свойство“ или „променлива“.
Градиентна карта за активиране: Техника, използвана за интерпретиране на модели на изкуствен интелект (особено конволюционни невронни мрежи), която анализира процеса на оптимизиране на последната част от мрежата, за да идентифицира региони от данни или изображения, които са силно предсказуеми.
Стандартен модел: съществуващ AI модел, който е предварително обучен да изпълнява подобни задачи.
Тестване (в контекста на изкуствения интелект): наблюдение как даден модел изпълнява задача, използвайки данни, които не е срещал преди.
Обучение (в контекста на изкуствения интелект): Предоставяне на модел с данни и резултати, така че моделът да коригира вътрешните си параметри, за да оптимизира способността си да изпълнява задачи, използвайки нови данни.
Вектор: масив от данни.При машинното обучение всеки елемент от масива обикновено е уникална характеристика на извадката.
Таблица 1 изброява най-новите курсове за април 2021 г., включително насочени учебни цели за всяка тема.Този семинар е предназначен за начинаещи в техническото ниво и не изисква никакви математически познания след първата година от бакалавърска медицинска степен.Курсът е разработен от 6 студенти по медицина и 3 учители с висше инженерно образование.Инженерите разработват теория за изкуствения интелект, за да преподават, а студентите по медицина учат клинично значим материал.
Семинарите включват лекции, казуси и насочено програмиране.В първата лекция разглеждаме избрани концепции за анализ на данни в биостатистиката, включително визуализация на данни, логистична регресия и сравнение на описателна и индуктивна статистика.Въпреки че анализът на данни е в основата на изкуствения интелект, ние изключваме теми като извличане на данни, тестване на значимост или интерактивна визуализация.Това се дължи на ограниченията във времето, а също и защото някои студенти са имали предварително обучение по биостатистика и искаха да покрият по-уникални теми за машинно обучение.Следващата лекция въвежда съвременните методи и обсъжда формулирането на AI проблеми, предимствата и ограниченията на AI моделите и тестването на модели.Лекциите се допълват от литература и практически изследвания на съществуващи устройства с изкуствен интелект.Ние наблягаме на уменията, необходими за оценка на ефективността и осъществимостта на модел за справяне с клинични въпроси, включително разбиране на ограниченията на съществуващите устройства с изкуствен интелект.Например, ние помолихме студентите да интерпретират насоките за педиатрична травма на главата, предложени от Kupperman et al., 5 които прилагат алгоритъм за дърво на решенията с изкуствен интелект, за да определят дали компютърната томография би била полезна въз основа на преглед от лекар.Подчертаваме, че това е често срещан пример за AI, предоставящ прогнозни анализи, които лекарите да интерпретират, вместо да замества лекарите.
В наличните примери за стартиращо програмиране с отворен код (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ние демонстрираме как да извършваме проучвателен анализ на данни, намаляване на размерността, зареждане на стандартен модел и обучение .и тестване.Ние използваме преносими компютри на Google Colaboratory (Google LLC, Mountain View, CA), които позволяват кодът на Python да се изпълнява от уеб браузър.На фиг. Фигура 2 дава пример за упражнение по програмиране.Това упражнение включва прогнозиране на злокачествени заболявания с помощта на Wisconsin Open Breast Imaging Dataset6 и алгоритъм за дърво на решенията.
През цялата седмица представяйте програми по свързани теми и изберете примери от публикувани AI приложения.Програмните елементи се включват само ако се считат за подходящи за предоставяне на представа за бъдещата клинична практика, като например как да се оценят моделите, за да се определи дали са готови за използване в клинични изпитвания.Тези примери кулминират в пълноценно приложение от край до край, което класифицира туморите като доброкачествени или злокачествени въз основа на параметрите на медицинското изображение.
Разнородност на предишните знания.Участниците ни се различаваха по ниво на математически познания.Например студенти с напреднали инженерни познания търсят по-задълбочен материал, като например как да извършат свои собствени трансформации на Фурие.Обсъждането на алгоритъма на Фурие в клас обаче не е възможно, защото изисква задълбочени познания за обработката на сигнали.
Отлив на посещаемост.Присъствието на последващи срещи намаля, особено в онлайн формати.Решение може да бъде проследяване на присъствието и предоставяне на сертификат за завършен курс.Известно е, че медицинските училища признават преписи от извънкласни академични дейности на студентите, което може да насърчи студентите да придобият степен.
Дизайн на курса: Тъй като AI обхваща толкова много подполета, изборът на основни концепции с подходяща дълбочина и широчина може да бъде предизвикателство.Например непрекъснатостта на използването на AI инструменти от лабораторията до клиниката е важна тема.Въпреки че обхващаме предварителна обработка на данни, изграждане на модели и валидиране, ние не включваме теми като анализ на големи данни, интерактивна визуализация или провеждане на клинични изпитвания на AI, вместо това се фокусираме върху най-уникалните концепции на AI.Нашият водещ принцип е да подобряваме грамотността, а не уменията.Например, разбирането как моделът обработва входните характеристики е важно за интерпретируемостта.Един от начините да направите това е да използвате градиентни карти за активиране, които могат да визуализират кои региони от данните са предвидими.Това обаче изисква многовариантно смятане и не може да бъде въведено8.Разработването на обща терминология беше предизвикателство, защото се опитвахме да обясним как да работим с данни като вектори без математически формализъм.Имайте предвид, че различните термини имат едно и също значение, например в епидемиологията „характеристика“ се описва като „променлива“ или „атрибут“.
Запазване на знания.Тъй като приложението на AI е ограничено, остава да се види степента, в която участниците запазват знания.Учебните програми на медицинските училища често разчитат на интервално повторение, за да затвърдят знанията по време на практически ротации,9 което може да се приложи и към обучението за ИИ.
Професионализмът е по-важен от грамотността.Дълбочината на материала е проектирана без математическа строгост, което беше проблем при стартирането на клинични курсове по изкуствен интелект.В примерите за програмиране ние използваме шаблонна програма, която позволява на участниците да попълват полета и да стартират софтуера, без да се налага да измислят как да настроят пълна среда за програмиране.
Разгледани опасения относно изкуствения интелект: Има широко разпространено безпокойство, че изкуственият интелект може да замени някои клинични задължения3.За да се справим с този проблем, ние обясняваме ограниченията на AI, включително факта, че почти всички AI технологии, одобрени от регулаторите, изискват наблюдение от лекар11.Ние също така подчертаваме важността на отклонението, тъй като алгоритмите са склонни към отклонение, особено ако наборът от данни не е разнообразен12.Следователно определена подгрупа може да бъде моделирана неправилно, което да доведе до несправедливи клинични решения.
Ресурсите са публично достъпни: Създадохме публично достъпни ресурси, включително слайдове и код на лекции.Въпреки че достъпът до синхронно съдържание е ограничен поради часовите зони, съдържанието с отворен код е удобен метод за асинхронно обучение, тъй като експертизата на AI не е достъпна във всички медицински училища.
Интердисциплинарно сътрудничество: Този семинар е съвместно начинание, инициирано от студенти по медицина за планиране на курсове заедно с инженери.Това демонстрира възможности за сътрудничество и пропуски в знанията и в двете области, което позволява на участниците да разберат потенциалната роля, която могат да допринесат в бъдеще.
Дефинирайте основните компетенции на AI.Определянето на списък от компетенции осигурява стандартизирана структура, която може да бъде интегрирана в съществуващите базирани на компетентности медицински учебни програми.Този семинар в момента използва нива на учебна цел 2 (разбиране), 3 (приложение) и 4 (анализ) на таксономията на Блум.Наличието на ресурси на по-високи нива на класификация, като например създаване на проекти, може допълнително да засили знанията.Това изисква работа с клинични експерти, за да се определи как темите за ИИ могат да бъдат приложени към клиничните работни процеси и предотвратяване на преподаването на повтарящи се теми, които вече са включени в стандартните медицински учебни програми.
Създавайте казуси с помощта на AI.Подобно на клиничните примери, обучението, базирано на казус, може да подсили абстрактните понятия, като подчертае тяхното значение за клиничните въпроси.Например едно проучване на семинар анализира базираната на AI система за откриване на диабетна ретинопатия на Google 13, за да идентифицира предизвикателствата по пътя от лаборатория до клиника, като изисквания за външно валидиране и пътища за регулаторно одобрение.
Използвайте учене чрез преживяване: Техническите умения изискват целенасочена практика и многократно прилагане за овладяване, подобно на ротационния опит в обучението на клиничните стажанти.Едно потенциално решение е моделът на обърната класна стая, за който се съобщава, че подобрява задържането на знания в инженерното образование14.В този модел студентите преглеждат теоретичния материал самостоятелно, а времето в клас е посветено на решаване на проблеми чрез казуси.
Мащабиране за мултидисциплинарни участници: Предвиждаме приемането на AI, включващо сътрудничество между множество дисциплини, включително лекари и свързани здравни специалисти с различни нива на обучение.Следователно може да се наложи учебните програми да бъдат разработени в консултация с преподаватели от различни отдели, за да се адаптира тяхното съдържание към различни области на здравеопазването.
Изкуственият интелект е високотехнологичен и неговите основни концепции са свързани с математиката и компютърните науки.Обучението на здравния персонал да разбира изкуствения интелект представлява уникални предизвикателства при подбора на съдържание, клиничната значимост и методите на доставка.Надяваме се, че прозренията, получени от семинарите за ИИ в образованието, ще помогнат на бъдещите преподаватели да възприемат новаторски начини за интегриране на ИИ в медицинското образование.
Скриптът Google Collaboratory Python е с отворен код и е достъпен на: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG и Khan, S. Преосмисляне на медицинското образование: призив за действие.Акад.лекарство.88, 1407–1410 (2013).
McCoy, LG и др. Какво наистина трябва да знаят студентите по медицина за изкуствения интелект?NPZh номера.Медицина 3, 1–3 (2020).
Dos Santos, DP, et al.Нагласите на студентите по медицина към изкуствения интелект: многоцентрово проучване.ЕВРО.радиация.29, 1640–1646 (2019).
Fan, KY, Hu, R. и Singla, R. Въведение в машинното обучение за студенти по медицина: пилотен проект.J. Med.преподавам.54, 1042–1043 (2020).
Cooperman N, et al.Идентифициране на деца с много нисък риск от клинично значимо мозъчно увреждане след нараняване на главата: проспективно кохортно проучване.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH и Mangasarian, OL.Екстракция на ядрени характеристики за диагностика на тумор на гърдата.Биомедицинска наука.Обработка на изображение.Биомедицинска наука.Вайс.1905, 861–870 (1993).
Chen, PHC, Liu, Y. и Peng, L. Как да разработим модели за машинно обучение за здравеопазване.Нац.Мат.18, 410–414 (2019).
Selvaraju, RR и др.Grad-cam: Визуална интерпретация на дълбоки мрежи чрез локализация, базирана на градиент.Сборник на Международната конференция на IEEE за компютърно зрение, 618–626 (2017).
Kumaravel B, Stewart K и Ilic D. Разработване и оценка на спираловиден модел за оценка на компетенциите по медицина, основана на доказателства, използвайки OSCE в бакалавърското медицинско образование.БМК Медицина.преподавам.21, 1–9 (2021).
Kolachalama VB и Garg PS Машинно обучение и медицинско образование.NPZh номера.лекарство.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. и de Rooy, M. Изкуствен интелект в радиологията: 100 търговски продукта и техните научни доказателства.ЕВРО.радиация.31, 3797–3804 (2021).
Topol, EJ Високоефективна медицина: сближаването на човешкия и изкуствения интелект.Нац.лекарство.25, 44–56 (2019).
Bede, E. et al.Ориентирана към човека оценка на система за дълбоко обучение, внедрена в клиниката за откриване на диабетна ретинопатия.Доклади от Конференцията на CHI за човешкия фактор в компютърните системи за 2020 г. (2020 г.).
Кер, Б. Обърнатата класна стая в инженерното образование: преглед на изследването.Доклади от Международната конференция за интерактивно съвместно обучение през 2015 г. (2015 г.).
Авторите благодарят на Даниел Уокър, Тим Салкудин и Питър Зандстра от изследователския клъстер за биомедицински изображения и изкуствен интелект в Университета на Британска Колумбия за подкрепа и финансиране.
RH, PP, ZH, RS и MA бяха отговорни за разработването на учебното съдържание на семинара.RH и PP бяха отговорни за разработването на примерите за програмиране.KYF, OY, MT и PW бяха отговорни за логистичната организация на проекта и анализа на семинарите.RH, OY, MT, RS бяха отговорни за създаването на фигурите и таблиците.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS бяха отговорни за изготвянето и редактирането на документа.
Communication Medicine благодари на Carolyn McGregor, Fabio Moraes и Aditya Borakati за техния принос към прегледа на тази работа.
Време на публикуване: 19 февруари 2024 г