Благодаря ви, че посетихте Nature.com. Версията на браузъра, която използвате, има ограничена поддръжка на CSS. За най -добри резултати препоръчваме да използвате по -нова версия на вашия браузър (или изключване на режим на съвместимост в Internet Explorer). Междувременно, за да осигурим постоянна поддръжка, ние показваме сайта без стайлинг или JavaScript.
Приложенията на клиничния изкуствен интелект (AI) нарастват бързо, но съществуващите учебни програми за медицинско училище предлагат ограничено преподаване, обхващащо тази област. Тук описваме курс за обучение на изкуствен интелект, който разработихме и предоставихме на студентите по канадски медицински студенти и отправяме препоръки за бъдещо обучение.
Изкуственият интелект (AI) в медицината може да подобри ефективността на работното място и да помогне за вземане на клинични решения. За да ръководят безопасно използването на изкуствен интелект, лекарите трябва да имат известно разбиране за изкуствения интелект. Много коментари застъпват за преподаване на AI концепции1, като например обяснение на модели на AI и процеси за проверка2. Въпреки това са изпълнени малко структурирани планове, особено на национално ниво. Pinto Dos Santos et al.3. Бяха анкетирани 263 студенти по медицина, а 71% се съгласиха, че се нуждаят 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 предишни знания. Описваме нашия опит в предоставянето на поредица от семинари на AI на три групи студенти по медицина и отправяме препоръки за бъдещо медицинско образование в AI.
Нашето петседмично въведение в семинара за изкуствен интелект в медицината за студентите 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 първични цели за обучение: Студентите разбират как се обработват данните в приложенията за изкуствен интелект, анализират литературата за изкуствен интелект за клинични приложения и се възползват от възможностите за сътрудничество с инженерите, развиващи изкуствен интелект.
Синьото е темата за лекцията, а светло синьото е интерактивният период на въпроси и отговори. Разделът сиво е фокусът на краткия преглед на литературата. Оранжевите секции са избрани казуси, които описват модели или техники за изкуствен интелект. Green е ръководен курс по програмиране, предназначен да преподава изкуствен интелект за решаване на клинични проблеми и оценка на моделите. 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 всички 8 участници дадоха положителна обратна връзка4. Поради Covid-19, вторият семинар се проведе на практика през октомври-ноември 2020 г., като 222 студенти по медицина и 3 жители от 8 канадски медицински училища се регистрират. Презентационните слайдове и код са качени на сайт с отворен достъп (http://ubceimed.github.io). Ключовата обратна връзка от първата итерация беше, че лекциите бяха твърде интензивни и материалът твърде теоретични. Обслужването на шестте различни часови зони в Канада представлява допълнителни предизвикателства. По този начин, вторият семинар съкрати всяка сесия до 1 час, опрости материала на курса, добави повече казуси и създаде програми за котлони, които позволяват на участниците да завършат кодови фрагменти с минимално отстраняване на грешки (Каре 1). Основните отзиви от втората итерация включваха положителни отзиви за упражненията за програмиране и искане за демонстриране на планиране на проект за машинно обучение. Следователно, в третия ни семинар, който се проведе на практика за 126 студенти по медицина през март-април 2021 г., ние включихме по-интерактивни упражнения за кодиране и сесии за обратна връзка с проекти, за да демонстрираме въздействието на използването на концепции за семинари по проекти.
Анализ на данните: поле за изследване в статистиката, която идентифицира смислени модели в данните чрез анализ, обработка и комуникация на моделите на данни.
Извличане на данни: Процесът на идентифициране и извличане на данни. В контекста на изкуствения интелект това често е голямо, с множество променливи за всяка проба.
Намаляване на размерите: Процесът на трансформиране на данни с много индивидуални функции в по -малко функции, като същевременно запазва важните свойства на оригиналния набор от данни.
Характеристики (в контекста на изкуствения интелект): измерими свойства на пробата. Често се използва взаимозаменяемо с „свойство“ или „променлива“.
Карта за активиране на градиент: Техника, използвана за интерпретиране на модели на изкуствен интелект (особено конволюционни невронни мрежи), която анализира процеса на оптимизиране на последната част на мрежата за идентифициране на региони от данни или изображения, които са силно предсказващи.
Стандартен модел: съществуващ AI модел, който е предварително обучен за изпълнение на подобни задачи.
Тестване (в контекста на изкуствения интелект): Наблюдавайки как 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 му да изпълнява задачи, използвайки нови данни.
Вектор: масив от данни. При машинното обучение всеки елемент на масива обикновено е уникална характеристика на пробата.
Таблица 1 изброява най -новите курсове за април 2021 г., включително целеви цели за обучение за всяка тема. Този семинар е предназначен за новите на техническо ниво и не изисква никакви математически знания след първата година на бакалавърска медицинска степен. Курсът е разработен от 6 студенти по медицина и 3 учители с напреднали степени по инженерство. Инженерите разработват теория на изкуствения интелект за преподаване, а студентите по медицина учат клинично значими материали.
Семинарите включват лекции, казуси и ръководени програми. В първата лекция разглеждаме избрани концепции за анализ на данни в биостатистиката, включително визуализация на данните, логистична регресия и сравнение на описателна и индуктивна статистика. Въпреки че анализът на данните 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 са искали да обхванат по -уникални теми за машинно обучение. Следващата лекция въвежда съвременни методи и обсъжда формулирането на проблеми с AI, предимствата и ограниченията на AI модели и тестване на модела. Лекциите се допълват от литература и практически изследвания на съществуващите устройства за изкуствен интелект. Ние подчертаваме уменията, необходими за оценка на ефективността и осъществимостта на модел за справяне с клиничните въпроси, включително разбиране на ограниченията на съществуващите устройства за изкуствен интелект. Например, помолихме студентите да интерпретират указанията за увреждане на педиатричната глава, предложени от Kupperman et al., 5, които прилагат алгоритъм за дърво за решения за изкуствен интелект, за да определим дали CT сканирането ще бъде полезно въз основа на изследването на лекар. Ние подчертаваме, че това е често срещан пример за AI, предоставящ прогнозна анализа на лекарите да интерпретират, а не замяна на лекарите.
В наличните примери за програмиране с отворен код (https://github.com/ubceimed/ubceimed.github.io/tree/master/programming_examples) демонстрираме как да извършим проучвателен анализ на данни, намаляване на размерите, стандартно зареждане на модели и обучение . и тестване. Използваме Google Colaboratory Notebooks (Google LLC, Mountain View, CA), които позволяват на Python кодът да се изпълнява от уеб браузър. На фиг. Фигура 2 дава пример за упражнение за програмиране. Това упражнение включва прогнозиране на злокачествени заболявания с помощта на набор от данни за изобразяване на гърди в Уисконсин 6 и алгоритъм за дърво за решения.
Настоящи програми през цялата седмица по свързани теми и изберете примери от публикувани AI приложения. Елементите за програмиране са включени 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 завършват с пълноправно приложение от край до край, което класифицира туморите като доброкачествени или злокачествени въз основа на параметрите на медицински изображения.
Хетерогенност на предишните знания. Нашите участници варираха в нивото на математическите си знания. Например, студентите с напреднал инженерен произход търсят по-задълбочен материал, като например как да извършват свои собствени трансформации на Фурие. Въпреки това, обсъждането на алгоритъма на Фурие в клас не е възможно, тъй като изисква задълбочени познания за обработката на сигнала.
Отлив на посещение. Посещението на последващи срещи намаля, особено в онлайн формати. Може да бъде решение за проследяване на посещаемостта и предоставяне на сертификат за завършване. Известно е, че медицинските училища признават преписи от извънкласни академични дейности на студентите, които могат да насърчат студентите да следват степен.
Дизайн на курса: Тъй като AI обхваща толкова много подфекти, избирането на основни концепции с подходяща дълбочина и широчина може да бъде предизвикателство. Например, непрекъснатостта на използване на AI инструменти от лабораторията до клиниката е важна тема. Докато ние обхващаме предварителна обработка на данни, изграждане на модели и валидиране, ние не включваме теми като анализиране на големи данни, интерактивна визуализация или провеждане на клинични изпитвания на AI, вместо това се фокусираме върху най -уникалните AI концепции. Нашият ръководен принцип е да подобрим грамотността, а не уменията. Например, разбирането на това как моделът обработва функциите за въвеждане е важно за интерпретируемостта. Един от начините да направите това е да използвате градиентни карти за активиране, които могат да визуализират кои региони на 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. Обърнете внимание, че различните термини имат едно и също значение, например в епидемиологията, „характеристиката“ се описва като „променлива“ или „атрибут“.
Задържане на знания. Тъй като прилагането на AI е ограничено, степента, в която участниците запазват знания, остава да видим. Учебните програми за медицинско училище често разчитат на раздалеченото повторение, за да засилят знанията по време на практически ротации, 9, които могат да се прилагат и за образованието на ИИ.
Професионализмът е по -важен от грамотността. Дълбочината на материала е проектирана без математическа строгост, което беше проблем при стартиране на клинични курсове по изкуствен интелект. В примерите за програмиране използваме програма за шаблони, която позволява на участниците да попълват полета и да стартират софтуера, без да се налага да измисляме как да настроите цялостна среда за програмиране.
Притесненията относно адресирания интелект: Съществува широко разпространена, че изкуственият интелект може да замени някои клинични задължения3. За да се справим с този проблем, обясняваме ограниченията на AI, включително факта, че почти всички AI технологии, одобрени от регулаторите, изискват лекарско надзор11. Ние също така подчертаваме значението на пристрастията, тъй като алгоритмите са склонни към пристрастия, особено ако наборът от данни не е разнообразен12. Следователно определена подгрупа може да бъде моделирана неправилно, което води до нелоялни 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 на отворен код е удобен метод за асинхронно обучение, тъй като AI експертизата не е налична във всички медицински училища.
Интердисциплинарно сътрудничество: Този семинар е съвместно предприятие, инициирано от студенти по медицина за планиране на курсове заедно с инженери. Това демонстрира възможности за сътрудничество и пропуски в знанието и в двете области, което позволява на участниците да разберат потенциалната роля, която могат да допринесат в бъдеще.
Определете AI основните компетенции. Определянето на списък с компетенции предоставя стандартизирана структура, която може да бъде интегрирана в съществуващите медицински учебни програми, базирани на компетенции. Понастоящем този семинар използва нива на целите на обучението 2 (разбиране), 3 (приложение) и 4 (анализ) на таксономията на Bloom. Наличието на ресурси на по -високи нива на класификация, като създаване на проекти, може допълнително да засили знанията. Това изисква работа с клинични експерти, за да се определи как AI темите могат да бъдат приложени към клиничните работни процеси и предотвратяване на преподаването на повтарящи се теми, които вече са включени в стандартните медицински програми.
Създайте казуси с помощта на AI. Подобно на клиничните примери, обучението, базирано на случаи, може да засили абстрактните концепции, като подчертае тяхната актуалност към клиничните въпроси. Например, едно проучване на семинара анализира системата за откриване на диабетна ретинопатия, базирана на AI на Google, за да идентифицира предизвикателствата по пътя от лаборатория към клиника, като например външни изисквания за валидиране и регулаторни пътища за одобрение.
Използвайте опитното обучение: Техническите умения изискват фокусирана практика и многократно приложение за овладяване, подобно на въртящия се опит в обучението на клиничните стажанти. Едно от потенциалните решение е обрасният модел в класната стая, за който се съобщава, че подобрява задържането на знания в инженерното образование14. В този модел студентите преглеждат теоретични материали независимо и времето за клас е посветено на решаването на проблеми чрез казуси.
Мащабиране на мултидисциплинарни участници: Предвиждаме приемането на AI, включващо сътрудничество в множество дисциплини, включително лекари и съюзнически здравни специалисти с различни нива на обучение. Следователно може да се наложи учебните програми да бъдат разработени след консултация с преподаватели от различни отдели, за да приспособяват съдържанието им към различни области на здравеопазването.
Изкуственият интелект е високотехнологичен и основните му концепции са свързани с математиката и компютърните науки. Обучението на здравен персонал за разбиране на изкуствения интелект представлява уникални предизвикателства при избора на съдържание, клиничната значимост и методите за доставка. Надяваме се, че прозренията, получени от AI в образователните семинари, ще помогнат на бъдещите преподаватели да възприемат иновативни начини за интегриране на ИИ в медицинското образование.
Скриптът на Google Colaboratory Python е с отворен код и е достъпен на адрес: https://github.com/ubceimed/ubceimed.github.io/tree/master/.
Prober, KG и Khan, S. Преосмисляне на медицинското образование: призив за действие. Аккад. лекарство. 88, 1407–1410 (2013).
McCoy, LG и т.н. Какво наистина трябва да знаят студентите по медицина за изкуствения интелект? NPZH числа. Медицина 3, 1–3 (2020).
Dos Santos, DP и др. Отношението 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. Учете. 54, 1042–1043 (2020).
Cooperman N, et al. Идентифициране на деца с много нисък риск от клинично значимо увреждане на мозъка след нараняване на главата: проспективно кохортно проучване. Lancet 374, 1160–1170 (2009).
Street, Wn, Wolberg, WH и Mangasarian, Ol. Екстракция на ядрена характеристика за диагностика на тумор на гърдата. Биомедицинска наука. Обработка на изображения. Биомедицинска наука. Вайс. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. и Peng, L. Как да разработим модели за машинно обучение за здравеопазване. Нат. Мат. 18, 410–414 (2019).
Selvaraju, Rr et al. Grad-Cam: Визуална интерпретация на дълбоки мрежи чрез локализация на базата на градиент. Протоколи от 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 компетенции, базирани на доказателства, използвайки ОССЕ в бакалавърското медицинско образование. BMK Medicine. Учете. 21, 1–9 (2021).
Kolachalama VB и Garg PS машинно обучение и медицинско образование. NPZH числа. лекарство. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. and De Rooy, M. Изкупен интелект в рентгенологията: 100 търговски продукта и техните научни доказателства. Евро. радиация. 31, 3797–3804 (2021).
Topol, EJ High-Performance Medicine: Конвергенцията на човешкия и изкуствения интелект. Нат. лекарство. 25, 44–56 (2019).
Bede, E. et al. Оценка, ориентирана към човека на система за дълбоко обучение, разгърната в клиниката за откриване на диабетна ретинопатия. Протоколи от Конференцията на Чи през 2020 г. за човешките фактори в изчислителните системи (2020 г.).
Kerr, B. Превърнаната класна стая в инженерното образование: преглед на изследването. Протоколи от Международната конференция за интерактивното съвместно обучение за 2015 г. (2015).
Авторите благодарят на Даниел Уокър, Тим Салкудин и Питър Зандстра от групата за изследвания на биомедицинските изображения и изкуствен интелект в Университета на Британска Колумбия за подкрепа и финансиране.
RH, PP, ZH, RS и MA бяха отговорни за разработването на съдържанието на преподавателската семинара. RH и PP бяха отговорни за разработването на примери 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.
Комуникационната медицина благодари на Каролин Макгрегър, Фабио Мораес и Адитя Боракати за приноса им към прегледа на тази работа.
Време за публикация: Февруари-20-2024 г.