Благодарим ви, че посетихте Nature.com. Версията на браузъра, която използвате, има ограничена CSS поддръжка. За най-добри резултати препоръчваме да използвате по-нова версия на браузъра си (или да изключите режима на съвместимост в Internet Explorer). Междувременно, за да осигурим постоянна поддръжка, показваме сайта без стилизиране или JavaScript.
Приложенията на клиничния изкуствен интелект (ИИ) се разрастват бързо, но съществуващите учебни програми на медицинските факултети предлагат ограничено обучение в тази област. Тук описваме курс за обучение по изкуствен интелект, който разработихме и проведохме на канадски студенти по медицина, и даваме препоръки за бъдещо обучение.
Изкуственият интелект (ИИ) в медицината може да подобри ефективността на работното място и да подпомогне вземането на клинични решения. За да насочват безопасно използването на изкуствен интелект, лекарите трябва да имат известни познания за изкуствения интелект. Много коментари препоръчват преподаването на концепции за ИИ1, като например обяснение на модели на ИИ и процеси на проверка2. Въпреки това, малко структурирани планове са внедрени, особено на национално ниво. Pinto dos Santos et al.3. Анкетирани са 263 студенти по медицина и 71% са съгласни, 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 предварителни знания. Описваме нашия опит в провеждането на серия от семинари по ИИ на три групи студенти по медицина и даваме препоръки за бъдещо медицинско образование в областта на ИИ.
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 да разберат как се обработват данните в приложенията за изкуствен интелект, да анализират литературата за изкуствен интелект за клинични приложения и да се възползват от възможностите за сътрудничество с инженери, разработващи изкуствен интелект.
Синьото е темата на лекцията, а светлосиньото е периодът за интерактивни въпроси и отговори. Сивата секция е фокусът на краткия преглед на литературата. Оранжевите секции са избрани казуси, които описват модели или техники за изкуствен интелект. Зеленото е 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 студентите.
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 виртуално през октомври-ноември 2020 г., като се регистрираха 222 студенти по медицина и 3 специализанти от 8 канадски медицински факултета. Слайдовете и кодът на презентациите бяха качени на сайт с отворен достъп (http://ubcaimed.github.io). Ключовата обратна връзка от първия семинар беше, че лекциите бяха твърде интензивни, а материалът - твърде теоретичен. Обслужването на шестте различни часови зони на Канада представлява допълнителни предизвикателства. Поради това вторият семинар съкрати всяка сесия до 1 час, опрости учебния материал, добави повече казуси и създаде шаблонни програми, които позволиха на участниците да завършат фрагменти от код с минимално отстраняване на грешки (Каре 1). Ключовата обратна връзка от втория семинар 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., включихме повече интерактивни упражнения по кодиране и сесии за обратна връзка по проекти, за да демонстрираме въздействието на използването на концепции от семинара върху проектите.
Анализ на данни: Област на изследване в статистиката, която идентифицира смислени модели в данните чрез анализ, обработка и комуникация на модели на данни.
Извличане на данни: процесът на идентифициране и извличане на данни. В контекста на изкуствения интелект това често е голям обем, с множество променливи за всяка извадка.
Намаляване на размерността: Процесът на трансформиране на данни с много отделни 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 дадена проба. Често се използва взаимозаменяемо с „свойство“ или „променлива“.
Градиентна активираща карта: 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 модел на изкуствен интелект, който е предварително обучен да изпълнява подобни задачи.
Тестване (в контекста на изкуствения интелект): наблюдение на това как даден модел изпълнява задача, използвайки данни, с които не се е сблъсквал преди.
Обучение (в контекста на изкуствения интелект): Предоставяне на данни и резултати на модел, така че моделът да коригира вътрешните си параметри, за да оптимизира способността си да изпълнява задачи, използвайки нови данни.
Вектор: масив от данни. В машинното обучение всеки елемент от масива обикновено е уникална характеристика на извадката.
Таблица 1 изброява най-новите курсове за април 2021 г., включително целевите учебни цели за всяка тема. Този семинар е предназначен за тези, които са нови на техническо ниво, и не изисква никакви математически познания след първата година от бакалавърската степен по медицина. Курсът е разработен от 6 студенти по медицина и 3 преподаватели с висши инженерни степени. Инженерите разработват теория за изкуствения интелект, която да преподават, а студентите по медицина изучават клинично значим материал.
Работилниците 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 данните е основата на изкуствения интелект, изключваме теми като извличане на данни, тестване за значимост или интерактивна визуализация. Това се дължи на ограничения във времето, а също и на факта, че някои студенти са имали предварително обучение по биостатистика и са искали да обхванат по-уникални теми, свързани с машинното обучение. Следващата лекция въвежда съвременни методи и обсъжда формулирането на проблеми с изкуствен интелект, предимствата и ограниченията на моделите с изкуствен интелект и тестването на модели. Лекциите са допълнени от литература и практически изследвания върху съществуващи устройства с изкуствен интелект. Наблягаме на уменията, необходими за оценка на ефективността и осъществимостта на даден модел за справяне с клинични въпроси, включително разбиране на ограниченията на съществуващите устройства с изкуствен интелект. Например, помолихме студентите да интерпретират насоките за педиатрични травми на главата, предложени от Kupperman et al.,5 които внедряват алгоритъм за дърво на решенията с изкуствен интелект, за да определят дали компютърна томография би била полезна въз основа на лекарски преглед. Подчертаваме, че това е често срещан пример за това как изкуствен интелект предоставя прогнозна аналитика, която лекарите могат да интерпретират, а не замества лекарите.
В наличните примери за програмиране с отворен код, базирано на bootstrap (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ние демонстрираме как да извършваме изследователски анализ на данни, намаляване на размерността, зареждане на стандартен модел и обучение и тестване. Използваме тетрадки на Google Colaboratory (Google LLC, Mountain View, CA), които позволяват изпълнението на Python код от уеб браузър. На Фиг. 2 е показан пример за програмно упражнение. Това упражнение включва прогнозиране на злокачествени заболявания, използвайки Wisconsin Open Breast Imaging Dataset6 и алгоритъм за дърво на решенията.
През цялата седмица представяйте програми по свързани теми и избирайте примери от публикувани приложения на изкуствен интелект. Елементи на програмиране са включени само ако се считат за подходящи за предоставяне на информация за бъдещата клинична практика, като например как да се оценяват модели, за да се определи дали са готови за използване в клинични изпитвания. Тези примери завършват с пълноценно приложение от край до край, което класифицира туморите като доброкачествени или злокачествени въз основа на параметри на медицинското изображение.
Хетерогенност на предварителните знания. Участниците ни варираха по ниво на математически познания. Например, студенти с напреднал инженерен опит търсят по-задълбочен материал, като например как да извършват свои собствени преобразувания на Фурие. Обсъждането на алгоритъма на Фурие в клас обаче не е възможно, защото изисква задълбочени познания за обработката на сигнали.
Отлив на посещаемост. Посещаемостта на последващите срещи е намаляла, особено в онлайн формат. Решение може да бъде проследяване на посещаемостта и предоставяне на сертификат за завършване. Известно е, че медицинските факултети признават преписи от извънкласни академични дейности на студентите, което може да ги насърчи да се стремят към получаване на степен.
Дизайн на курса: Тъй като изкуственият интелект обхваща толкова много подобласти, изборът на основни концепции с подходяща дълбочина и обхват може да бъде предизвикателство. Например, приемствеността при използването на инструменти с изкуствен интелект от лабораторията до клиниката е важна тема. Въпреки че обхващаме предварителна обработка на данни, изграждане на модели и валидиране, не включваме теми като анализ на големи данни, интерактивна визуализация или провеждане на клинични изпитвания с изкуствен интелект, а вместо това се фокусираме върху най-уникалните концепции на изкуствения интелект. Нашият водещ принцип е да подобрим грамотността, а не уменията. Например, разбирането как даден модел обработва входните характеристики е важно за интерпретируемостта. Един от начините да се направи това е да се използват карти на градиентно активиране, които могат да визуализират кои региони от данните са предвидими. Това обаче изисква многомерно 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 „характеристика“ се описва като „променлива“ или „атрибут“.
Запазване на знания. Тъй като приложението на ИИ е ограничено, степента, до която участниците запазват знанията, предстои да се види. Учебните програми на медицинските факултети често разчитат на интервално повторение, за да затвърдят знанията по време на практическите ротации,9 което може да се приложи и към обучението по 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 използваме шаблонна програма, която позволява на участниците да попълват полета и да стартират софтуера, без да се налага да разбират как да настроят цялостна среда за програмиране.
Разгледани опасения относно изкуствения интелект: Съществува широко разпространено безпокойство, че изкуственият интелект може да замести някои клинични задължения3. За да се справим с този проблем, обясняваме ограниченията на ИИ, включително факта, че почти всички технологии за ИИ, одобрени от регулаторните органи, изискват лекарски надзор11. Подчертаваме също така важността на пристрастността, тъй като алгоритмите са склонни към пристрастия, 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 от лекции и код. Въпреки че достъпът до синхронно съдържание е ограничен поради часовите зони, съдържанието с отворен код е удобен метод за асинхронно обучение, тъй като експертизата в областта на изкуствения интелект не е налична във всички медицински факултети.
Интердисциплинарно сътрудничество: Този семинар е съвместно начинание, инициирано от студенти по медицина за планиране на курсове заедно с инженери. Той демонстрира възможности за сътрудничество и пропуски в знанията в двете области, позволявайки на участниците да разберат потенциалната роля, която могат да допринесат в бъдеще.
Дефиниране на основни компетенции в областта на изкуствения интелект. Дефинирането на списък с компетенции осигурява стандартизирана структура, която може да бъде интегрирана в съществуващите медицински учебни програми, базирани на компетенции. Този семинар понастоящем използва нива на учебни цели 2 (Разбиране), 3 (Приложение) и 4 (Анализ) от 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, свързани с изкуствения интелект, могат да се приложат към клиничните работни процеси и да се предотврати преподаването на повтарящи се теми, които вече са включени в стандартните медицински учебни програми.
Създавайте казуси с помощта на изкуствен интелект. Подобно на клиничните примери, обучението, базирано на казуси, може да подсили абстрактните понятия, като подчертае тяхната релевантност към клиничните въпроси. Например, едно семинарно проучване анализира системата за откриване на диабетна ретинопатия, базирана на изкуствен интелект, на Google13, за да идентифицира предизвикателства по пътя от лабораторията до клиниката, като например изисквания за външно валидиране и пътища за одобрение от регулаторните органи.
Използвайте експериментално обучение: Техническите умения изискват целенасочена практика и многократно приложение за овладяване, подобно на ротационния обучителен опит на клиничните стажанти. Едно потенциално решение е моделът на обърнатата класна стая, за който се съобщава, че подобрява запаметяването на знанията 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 внедряването на ИИ да включва сътрудничество между множество дисциплини, включително лекари и други здравни специалисти с различни нива на обучение. Следователно, учебните програми може да се нуждаят от разработване в консултация с преподаватели от различни катедри, за да се адаптира съдържанието им към различни области на здравеопазването.
Изкуственият интелект е високотехнологичен и основните му концепции са свързани с математиката и компютърните науки. Обучението на здравния персонал за разбиране на изкуствения интелект представлява уникални предизвикателства по отношение на избора на съдържание, клиничната значимост и методите на предоставяне на знания. Надяваме се, че прозренията, получени от семинарите „ИИ в образованието“, ще помогнат на бъдещите преподаватели да възприемат иновативни начини за интегриране на ИИ в медицинското образование.
Скриптът на Google Colaboratory за Python е с отворен код и е достъпен на адрес: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Пробер, К. Г. и Хан, С. Преосмисляне на медицинското образование: призив за действие. Akkad. medicine. 88, 1407–1410 (2013).
Маккой, Л. Г. и др. Какво наистина трябва да знаят студентите по медицина за изкуствения интелект? Числа на НПЖ. Медицина 3, 1–3 (2020).
Дос Сантос, ДП и др. Отношение на студентите по медицина към изкуствения интелект: многоцентрово проучване. EURO. радиация. 29, 1640–1646 (2019).
Fan, KY, Hu, R., и Singla, R. Въведение в машинното обучение за студенти по медицина: пилотен проект. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N и др. Идентифициране на деца с много нисък риск от клинично значимо мозъчно увреждане след травма на главата: проспективно кохортно проучване. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH и Mangasarian, OL. Извличане на ядрени характеристики за диагностика на тумори на гърдата. Биомедицински науки. Обработка на изображения. Биомедицински науки. Weiss. 1905, 861–870 (1993).
Чен, ПХК, Лиу, Й. и Пенг, Л. Как да се разработят модели за машинно обучение за здравеопазване. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Визуална интерпретация на дълбоки мрежи чрез градиентно-базирана локализация. Сборник с доклади от Международната конференция на IEEE за компютърно зрение, 618–626 (2017).
Кумаравел Б., Стюарт К. и Илич Д. Разработване и оценка на спирален модел за оценка на компетенциите в областта на медицината, базирана на доказателства, чрез OSCE в бакалавърското медицинско образование. BMK Medicine. teach. 21, 1–9 (2021).
Колачалама В.Б. и Гарг П.С. Машинно обучение и медицинско образование. NPZh числа. медицина. 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).
Топол, Е. Дж. Високопроизводителна медицина: конвергенцията на човешкия и изкуствения интелект. Nat. medicine. 25, 44–56 (2019).
Беде, Е. и др. Оценка, ориентирана към човека, на система за дълбоко обучение, внедрена в клиниката за откриване на диабетна ретинопатия. Сборник с доклади от конференцията на CHI 2020 за човешкия фактор в компютърните системи (2020).
Кер, Б. Обърнатата класна стая в инженерното образование: Преглед на изследването. Сборник с доклади от Международната конференция за интерактивно съвместно обучение от 2015 г. (2015 г.).
Авторите благодарят на Даниел Уокър, Тим Салкудин и Питър Зандстра от Изследователския клъстер за биомедицинско изобразяване и изкуствен интелект в Университета на Британска Колумбия за подкрепата и финансирането.
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.
„Комуникационна медицина“ благодари на Каролин Макгрегър, Фабио Мораес и Адитя Боракати за техния принос към прегледа на тази работа.
Време на публикуване: 19 февруари 2024 г.