Дякуємо, що відвідали Nature.com.Версія браузера, яку ви використовуєте, має обмежену підтримку CSS.Для досягнення найкращих результатів рекомендуємо використовувати новішу версію вашого браузера (або вимкнути режим сумісності в Internet Explorer).Тим часом, щоб забезпечити постійну підтримку, ми показуємо сайт без стилів і JavaScript.
Застосування клінічного штучного інтелекту (ШІ) швидко зростає, але існуючі навчальні програми медичних шкіл пропонують обмежене навчання, що охоплює цю область.Тут ми описуємо навчальний курс зі штучного інтелекту, який ми розробили та провели для канадських студентів-медиків, і надаємо рекомендації щодо майбутнього навчання.
Штучний інтелект (AI) у медицині може підвищити ефективність робочого місця та сприяти прийняттю клінічних рішень.Щоб безпечно керувати використанням штучного інтелекту, лікарі повинні мати певні знання про штучний інтелект.Багато коментарів виступають за викладання концепцій штучного інтелекту1, таких як пояснення моделей ШІ та процесів перевірки2.Однак мало структурованих планів було реалізовано, особливо на національному рівні.Пінту дос Сантуш та ін.3.Було опитано 263 студенти-медики, і 71% погодилися, що їм потрібне навчання штучному інтелекту.Викладання штучного інтелекту медичній аудиторії вимагає ретельного проектування, яке поєднує технічні та нетехнічні концепції для студентів, які часто мають великі попередні знання.Ми описуємо наш досвід проведення серії семінарів зі штучного інтелекту для трьох груп студентів-медиків і робимо рекомендації для майбутньої медичної освіти з ШІ.
Наш п’ятитижневий семінар «Вступ до штучного інтелекту в медицині» для студентів-медиків проводився тричі з лютого 2019 року по квітень 2021 року. Розклад кожного семінару з коротким описом змін у курсі показано на малюнку 1. Наш курс має три основні навчальні цілі: студенти розуміють, як дані обробляються в програмах штучного інтелекту, аналізують літературу штучного інтелекту для клінічних застосувань і користуються можливостями співпраці з інженерами, які розробляють штучний інтелект.
Синій – це тема лекції, а світло-блакитний – інтерактивний період запитань і відповідей.Сірий розділ є фокусом короткого огляду літератури.Помаранчеві секції – це вибрані тематичні дослідження, які описують моделі або методи штучного інтелекту.Green — це керований курс програмування, розроблений для того, щоб навчити штучний інтелект вирішувати клінічні проблеми та оцінювати моделі.Зміст і тривалість семінарів змінюються залежно від оцінки потреб студентів.
Перший семінар відбувся в Університеті Британської Колумбії з лютого по квітень 2019 року, і всі 8 учасників дали позитивні відгуки4.Через COVID-19 другий семінар було проведено віртуально у жовтні-листопаді 2020 року, на нього зареєструвалися 222 студенти-медики та 3 резиденти з 8 канадських медичних шкіл.Слайди та код презентації завантажено на сайт відкритого доступу (http://ubcaimed.github.io).Основним відгуком про першу ітерацію було те, що лекції були надто насиченими, а матеріал надто теоретичним.Обслуговування шести різних часових поясів Канади створює додаткові труднощі.Таким чином, другий семінар скоротив кожну сесію до 1 години, спростив матеріал курсу, додав більше прикладів і створив шаблонні програми, які дозволили учасникам виконувати фрагменти коду з мінімальним налагодженням (вставка 1).Основні відгуки під час другої ітерації включали позитивні відгуки про вправи з програмування та прохання продемонструвати планування проекту машинного навчання.Таким чином, у нашому третьому семінарі, проведеному віртуально для 126 студентів-медиків у березні-квітні 2021 року, ми включили більше інтерактивних вправ із кодування та сеансів зворотного зв’язку щодо проекту, щоб продемонструвати вплив використання концепцій семінару на проекти.
Аналіз даних: галузь дослідження в статистиці, яка визначає значущі шаблони в даних шляхом аналізу, обробки та передачі шаблонів даних.
Інтелектуальний аналіз даних: процес ідентифікації та вилучення даних.У контексті штучного інтелекту це часто велике, з кількома змінними для кожної вибірки.
Зменшення розмірності: процес перетворення даних із багатьма індивідуальними функціями в меншу кількість функцій із збереженням важливих властивостей вихідного набору даних.
Характеристики (в контексті штучного інтелекту): вимірювані властивості зразка.Часто використовується як синоніми з «властивістю» або «змінною».
Карта активації градієнта: техніка, що використовується для інтерпретації моделей штучного інтелекту (особливо згорткових нейронних мереж), яка аналізує процес оптимізації останньої частини мережі для визначення областей даних або зображень, які є високопрогнозованими.
Стандартна модель: існуюча модель ШІ, попередньо навчена виконувати подібні завдання.
Тестування (в контексті штучного інтелекту): спостереження за тим, як модель виконує завдання, використовуючи дані, з якими вона раніше не стикалася.
Навчання (в контексті штучного інтелекту): надання моделі даних і результатів, щоб модель коригувала свої внутрішні параметри для оптимізації своєї здатності виконувати завдання з використанням нових даних.
Вектор: масив даних.У машинному навчанні кожен елемент масиву зазвичай є унікальною ознакою вибірки.
У таблиці 1 наведено останні курси за квітень 2021 року, включаючи цільові цілі навчання для кожної теми.Цей семінар призначений для новачків у технічному рівні та не потребує жодних математичних знань після першого курсу бакалаврату медичного ступеня.Курс був розроблений 6 студентами-медиками та 3 викладачами з вченим ступенем інженера.Інженери розробляють теорію штучного інтелекту для навчання, а студенти-медики вивчають клінічно відповідний матеріал.
Семінари включають лекції, тематичні дослідження та кероване програмування.У першій лекції ми розглядаємо вибрані концепції аналізу даних у біостатистиці, включаючи візуалізацію даних, логістичну регресію та порівняння описової та індуктивної статистики.Хоча аналіз даних є основою штучного інтелекту, ми виключаємо такі теми, як аналіз даних, перевірка значущості або інтерактивна візуалізація.Це сталося через обмеження часу, а також через те, що деякі студенти бакалаврату пройшли попередню підготовку з біостатистики та хотіли охопити більш унікальні теми машинного навчання.Подальша лекція знайомить із сучасними методами та обговорює постановку задач ШІ, переваги та обмеження моделей ШІ та тестування моделей.Лекції доповнюються літературою та практичними дослідженнями існуючих пристроїв штучного інтелекту.Ми наголошуємо на навичках, необхідних для оцінки ефективності та здійсненності моделі для вирішення клінічних питань, включаючи розуміння обмежень існуючих пристроїв штучного інтелекту.Наприклад, ми попросили студентів інтерпретувати педіатричні рекомендації щодо травм голови, запропоновані Kupperman та ін., 5 які реалізували алгоритм дерева рішень штучного інтелекту, щоб визначити, чи буде КТ корисним на основі огляду лікаря.Ми підкреслюємо, що це типовий приклад штучного інтелекту, який надає прогностичну аналітику для інтерпретації лікарями, а не замінює лікарів.
У доступних прикладах початкового програмування з відкритим кодом (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) ми демонструємо, як виконувати пошуковий аналіз даних, зменшення розмірності, завантаження стандартної моделі та навчання .і тестування.Ми використовуємо блокноти Google Colaboratory (Google LLC, Mountain View, CA), які дозволяють виконувати код Python із веб-браузера.На рис. 2 наведено приклад вправи з програмування.Ця вправа передбачає прогнозування злоякісних новоутворень за допомогою Wisconsin Open Breast Imaging Dataset6 та алгоритму дерева рішень.
Презентуйте програми протягом тижня на відповідні теми та вибирайте приклади з опублікованих програм ШІ.Елементи програмування включаються, лише якщо вони вважаються доречними для надання розуміння майбутньої клінічної практики, наприклад, як оцінити моделі, щоб визначити, чи готові вони до використання в клінічних випробуваннях.Кульмінацією цих прикладів є повноцінна наскрізна програма, яка класифікує пухлини як доброякісні та злоякісні на основі параметрів медичного зображення.
Неоднорідність попередніх знань.Наші учасники були різними за рівнем математичних знань.Наприклад, студенти з передовою інженерною освітою шукають більш поглиблений матеріал, наприклад, як виконувати власні перетворення Фур’є.Однак обговорення алгоритму Фур’є на уроці неможливе, оскільки це вимагає глибоких знань обробки сигналів.
Відтік відвідуваності.Відвідуваність наступних зустрічей знизилася, особливо в онлайн-форматах.Рішенням може бути відстеження відвідуваності та надання сертифіката про закінчення.Відомо, що медичні школи визнають стенограми позакласної академічної діяльності студентів, що може заохочувати студентів отримати ступінь.
Розробка курсу: оскільки штучний інтелект охоплює так багато підполей, вибір основних концепцій відповідної глибини та широти може бути складним завданням.Наприклад, важливою темою є безперервність використання інструментів ШІ від лабораторії до клініки.Хоча ми розглядаємо попередню обробку даних, створення моделей і перевірку, ми не включаємо такі теми, як аналітика великих даних, інтерактивна візуалізація або проведення клінічних випробувань штучного інтелекту, натомість ми зосереджуємося на найбільш унікальних концепціях штучного інтелекту.Наш керівний принцип — покращувати грамотність, а не навички.Наприклад, розуміння того, як модель обробляє вхідні характеристики, є важливим для інтерпретації.Один із способів зробити це — використовувати градієнтні карти активації, які можуть візуалізувати, які області даних є передбачуваними.Однак це вимагає багатовимірного обчислення і не може бути введено8.Розробити загальну термінологію було складно, оскільки ми намагалися пояснити, як працювати з даними як векторами без математичного формалізму.Зверніть увагу, що різні терміни мають однакове значення, наприклад, в епідеміології «характеристика» описується як «змінна» або «атрибут».
Збереження знань.Оскільки застосування штучного інтелекту обмежене, ще невідомо, наскільки учасники зберігають знання.Навчальні програми медичних шкіл часто покладаються на повторення з інтервалами для закріплення знань під час практичних чергувань9, що також можна застосувати до навчання ШІ.
Професіоналізм важливіший за грамотність.Глибина матеріалу розроблена без математичної строгості, що було проблемою під час запуску клінічних курсів зі штучного інтелекту.У прикладах програмування ми використовуємо програму-шаблон, яка дозволяє учасникам заповнювати поля та запускати програмне забезпечення без необхідності з’ясовувати, як налаштувати повне середовище програмування.
Розглянуто занепокоєння щодо штучного інтелекту: існує широке занепокоєння, що штучний інтелект може замінити деякі клінічні обов’язки3.Щоб вирішити цю проблему, ми пояснюємо обмеження штучного інтелекту, зокрема той факт, що майже всі технології штучного інтелекту, схвалені регуляторними органами, потребують нагляду лікаря11.Ми також наголошуємо на важливості зміщення, оскільки алгоритми схильні до зміщення, особливо якщо набір даних не різноманітний12.Отже, певна підгрупа може бути змодельована неправильно, що призведе до несправедливих клінічних рішень.
Ресурси є загальнодоступними: ми створили загальнодоступні ресурси, включаючи слайди лекцій і код.Хоча доступ до синхронного вмісту обмежений через часові пояси, вміст із відкритим кодом є зручним методом асинхронного навчання, оскільки експертиза ШІ доступна не в усіх медичних школах.
Міждисциплінарна співпраця: цей семінар є спільним підприємством, ініційованим студентами-медиками для планування курсів разом з інженерами.Це демонструє можливості співпраці та прогалини в знаннях в обох сферах, дозволяючи учасникам зрозуміти потенційну роль, яку вони можуть зробити в майбутньому.
Визначте основні компетенції ШІ.Визначення переліку компетенцій забезпечує стандартизовану структуру, яку можна інтегрувати в існуючі медичні навчальні програми на основі компетентностей.У цьому семінарі зараз використовуються навчальні цілі рівня 2 (розуміння), 3 (застосування) і 4 (аналіз) таксономії Блума.Наявність ресурсів на вищих рівнях класифікації, таких як створення проектів, може ще більше посилити знання.Для цього потрібна робота з клінічними експертами, щоб визначити, як теми штучного інтелекту можна застосувати до клінічних робочих процесів і запобігти викладанню повторюваних тем, які вже включені в стандартні медичні навчальні програми.
Створюйте тематичні дослідження за допомогою ШІ.Подібно до клінічних прикладів, навчання на основі конкретних випадків може посилити абстрактні концепції, підкресливши їхню відповідність клінічним питанням.Наприклад, в одному семінарі проаналізували систему виявлення діабетичної ретинопатії Google на основі штучного інтелекту 13, щоб визначити труднощі на шляху від лабораторії до клініки, такі як вимоги зовнішньої перевірки та шляхи схвалення регуляторних органів.
Використовуйте експериментальне навчання: технічні навички вимагають зосередженої практики та повторного застосування для опанування, подібно до досвіду навчання клінічних стажерів.Одним з потенційних рішень є модель перевернутої класної кімнати, яка, як повідомляється, покращує збереження знань в інженерній освіті14.У цій моделі студенти переглядають теоретичний матеріал самостійно, а час заняття присвячується розв’язанню проблем за допомогою кейсів.
Масштабування для мультидисциплінарних учасників: ми передбачаємо впровадження штучного інтелекту, яке передбачає співпрацю між кількома дисциплінами, включаючи лікарів і суміжних медичних працівників з різним рівнем підготовки.Таким чином, може знадобитися розробка навчальних планів у консультаціях з викладачами різних факультетів, щоб адаптувати їх зміст до різних сфер охорони здоров’я.
Штучний інтелект є високотехнологічним, і його основні концепції пов’язані з математикою та інформатикою.Навчання медичного персоналу розумінню штучного інтелекту представляє унікальні проблеми щодо вибору контенту, клінічної значущості та методів доставки.Ми сподіваємося, що знання, отримані під час семінарів ШІ в освіті, допоможуть майбутнім педагогам застосувати інноваційні способи інтеграції ШІ в медичну освіту.
Сценарій Google Collaboratory Python є відкритим кодом і доступний за адресою: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Пробер, К. Г. та Хан, С. Переосмислення медичної освіти: заклик до дії.Аккад.ліки.88, 1407–1410 (2013).
Маккой, Л. Г. та ін. Що дійсно потрібно знати студентам-медикам про штучний інтелект?номери НПЖ.Медицина 3, 1–3 (2020).
Дос Сантос, Д. П. та ін.Ставлення студентів-медиків до штучного інтелекту: багатоцентрове опитування.ЄВРО.випромінювання.29, 1640–1646 (2019).
Фан, Кентуккі, Ху, Р. та Сінгла, Р. Вступ до машинного навчання для студентів-медиків: пілотний проект.J. Med.навчати.54, 1042–1043 (2020).
Куперман Н та ін.Виявлення дітей із дуже низьким ризиком клінічно значущої травми головного мозку після травми голови: проспективне когортне дослідження.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH і Mangasarian, OL.Екстракція ядерної функції для діагностики пухлини молочної залози.Біомедична наука.Обробка зображення.Біомедична наука.Вайс.1905, 861–870 (1993).
Chen, PHC, Liu, Y. та Peng, L. Як розробити моделі машинного навчання для охорони здоров’я.Нац.Метт18, 410–414 (2019).
Selvaraju, RR та ін.Grad-cam: Візуальна інтерпретація глибоких мереж через локалізацію на основі градієнта.Матеріали Міжнародної конференції IEEE з комп’ютерного зору, 618–626 (2017).
Кумаравел Б., Стюарт К. та Іліч Д. Розробка та оцінка спіральної моделі для оцінки компетенцій у сфері доказової медицини з використанням ОБСЄ в медичній освіті бакалаврату.БМК Медицина.навчати.21, 1–9 (2021).
Колачалама В. Б. і Гарг П. С. Машинне навчання та медична освіта.номери НПЖ.ліки.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. and de Rooy, M. Штучний інтелект у радіології: 100 комерційних продуктів та їхні наукові докази.ЄВРО.випромінювання.31, 3797–3804 (2021).
Тополь, Е. Дж. Високоефективна медицина: конвергенція людського та штучного інтелекту.Нац.ліки.25, 44–56 (2019).
Bede, E. та ін.Людиноорієнтована оцінка системи глибокого навчання, яка використовується в клініці для виявлення діабетичної ретинопатії.Матеріали конференції CHI 2020 про людський фактор в обчислювальних системах (2020).
Керр, Б. Перевернутий клас в інженерній освіті: огляд дослідження.Матеріали Міжнародної конференції з інтерактивного спільного навчання 2015 (2015).
Автори дякують Даніель Вокер, Тіму Салкудіну та Пітеру Зандстра з Дослідницького кластеру біомедичних зображень та штучного інтелекту в Університеті Британської Колумбії за підтримку та фінансування.
RH, PP, ZH, RS та MA відповідали за розробку навчального змісту семінару.RH та PP відповідали за розробку прикладів програмування.KYF, OY, MT та PW відповідали за логістичну організацію проекту та аналіз семінарів.RH, OY, MT, RS відповідали за створення малюнків і таблиць.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS відповідали за складання та редагування документа.
Communication Medicine дякує Керолін МакГрегор, Фабіо Мораєс і Адітя Боракаті за їхній внесок у рецензування цієї роботи.
Час публікації: 19 лютого 2024 р