Дякуємо за відвідування Nature.com. Версія браузера, який ви використовуєте, має обмежену підтримку CSS. Для найкращих результатів ми рекомендуємо використовувати нову версію вашого браузера (або вимкнути режим сумісності в Internet Explorer). Тим часом, щоб забезпечити постійну підтримку, ми показуємо сайт без стилізації або JavaScript.
Застосування клінічного штучного інтелекту (AI) швидко зростає, але існуючі навчальні програми з медичних шкіл пропонують обмежене викладання, що охоплює цю сферу. Тут ми описуємо навчальний курс штучного інтелекту, який ми розробили та надали канадським студентам -медикам та робимо рекомендації щодо подальшої підготовки.
Штучний інтелект (AI) в медицині може підвищити ефективність на робочому місці та сприяти прийняттю клінічних рішень. Щоб безпечно керувати використанням штучного інтелекту, лікарі повинні мати певне розуміння штучного інтелекту. Багато коментарів виступають за викладання концепцій AI1, таких як пояснення моделей AI та процесів перевірки2. Однак було здійснено мало структурованих планів, особливо на національному рівні. Pinto Dos Santos та ін. 263 студенти -медики були обстежені, і 71% погодилися, що їм потрібна підготовка з штучного інтелекту. Навчання штучному інтелекту медичній аудиторії вимагає ретельного дизайну, який поєднує в собі технічні та нетехнічні концепції для студентів, які часто мають великі попередні знання. Ми описуємо наш досвід доставки серії семінарів ШІ трьома групам студентів -медиків та робимо рекомендації щодо майбутньої медичної освіти в ШІ.
Наше п’яти тижневе вступ до штучного інтелекту в семінарі медицини для студентів-медиків було проведено тричі між лютого 2019 року по квітень 2021 р Три основні цілі навчання: Студенти розуміють, як обробляються дані в застосуванні штучного інтелекту, проаналізують літературу штучного інтелекту для клінічних застосувань та скористаються можливостями для співпраці з інженерами, що розвивають штучний інтелект.
Синій - це тема лекції, а світло -блакитний - це інтерактивне питання та період відповідей. Сірий розділ - це фокус короткого огляду літератури. Помаранчеві розділи - це вибрані тематичні дослідження, які описують моделі або методи штучного інтелекту. Green - це керований курс програмування, призначений для викладання штучного інтелекту для вирішення клінічних проблем та оцінювання моделей. Зміст та тривалість семінарів залежать 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 проходив практично в жовтні 2020 року, 222 студенти-медик та 3 жителі з 8 канадських медичних шкіл реєструвались. Слайди та код презентації були завантажені на сайт відкритого доступу (http://ubcaimed.github.io). Ключовим відгуком від першої ітерації було те, що лекції були занадто інтенсивними, а матеріал занадто теоретичний. Обслуговування шести різних часових поясів Канади створює додаткові проблеми. Таким чином, другий семінар скоротив кожну сеанс до 1 години, спростив матеріал курсу, додав більше тематичних досліджень та створили програми котлів, які дозволили учасникам завершити фрагменти коду з мінімальною налагодженням (поле 1). Основні відгуки від другої ітерації включали позитивні відгуки про вправи на програмування та прохання продемонструвати планування проекту машинного навчання. Тому в нашому третьому семінарі, який проводився практично для 126 студентів-медиків у березні-квітні 2021 року, ми включили більше інтерактивних вправ на кодування та сеанси зворотного зв'язку проекту, щоб продемонструвати вплив використання концепцій семінару на проекти.
Аналіз даних: поле дослідження в статистиці, що визначає змістовні закономірності в даних шляхом аналізу, обробки та передачі моделей даних.
Видалення даних: процес ідентифікації та вилучення даних. У контексті штучного інтелекту це часто є великим, з кількома змінними для кожного зразка.
Зниження розмірності: процес перетворення даних з багатьма окремими ознаками в менші особливості, зберігаючи важливі властивості вихідного набору даних.
Характеристики (в контексті штучного інтелекту): вимірювані властивості вибірки. Часто використовується взаємозамінно з "властивістю" або "змінною".
Карта активації градієнта: методика, яка використовується для інтерпретації моделей штучного інтелекту (особливо конволюційних нейронних мереж), яка аналізує процес оптимізації останньої частини мережі для ідентифікації областей даних або зображень, які є дуже прогнозними.
Стандартна модель: існуюча модель AI, яка заздалегідь підготовлена для виконання подібних завдань.
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 з даними та результатами, щоб модель регулювала свої внутрішні параметри для оптимізації її здатності виконувати завдання за допомогою нових даних.
Вектор: масив даних. У машинному навчанні кожен елемент масиву, як правило, є унікальною особливістю зразка.
У таблиці 1 перераховані останні курси за квітень 2021 року, включаючи цільові цілі навчання для кожної теми. Цей семінар призначений для нових на технічному рівні і не вимагає математичних знань, що перевищує перший рік ступеня бакалаврського медичного ступеня. Курс був розроблений 6 студентами -медиками та 3 викладачами з вищими ступенями інженерії. Інженери розробляють теорію штучного інтелекту для викладання, а студенти -медики навчаються клінічно релевантним матеріалом.
Семінари включають лекції, тематичні дослідження та кероване програмування. У першій лекції ми розглядаємо вибрані поняття 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 видобуток даних, тестування значущості або інтерактивна візуалізація. Це було пов’язано з обмеженнями в часі, а також тому, що деякі студенти -студенти проходили попереднє навчання з біостатистики та хотіли висвітлити більше унікальних тем машинного навчання. Подальша лекція вводить сучасні методи та обговорює формулювання проблем AI, переваги та обмеження моделей AI та тестування моделей. Лекції доповнюються літературою та практичними дослідженнями існуючих пристроїв штучного інтелекту. Ми підкреслюємо навички, необхідні для оцінки ефективності та доцільності моделі для вирішення клінічних питань, включаючи розуміння обмежень існуючих пристроїв штучного інтелекту. Наприклад, ми попросили студентів інтерпретувати настанови про травму педіатричної голови, запропоновані Kupperman et al., 5, які реалізували алгоритм дерева рішень штучного інтелекту, щоб визначити, чи буде КТ корисним на основі іспиту лікаря. Ми підкреслюємо, що це поширений приклад того, що AI надає прогнозовану аналітику для лікарів для інтерпретації, а не заміни лікарів.
У доступних прикладах програмування завантажувального завантаження з відкритим кодом (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) ми демонструємо, як проводити аналіз дослідницьких даних, зменшення розмірності, стандартне завантаження моделі та навчання . і тестування. Ми використовуємо Google Colaboratory Notsooks (Google LLC, Mountain View, CA), які дозволяють виконувати код Python з веб -браузера. На рис. Малюнок 2 наведено приклад вправи на програмування. Ця вправа передбачає прогнозування злоякісних новоутворень за допомогою набору даних про відкриту груди Вісконсіна та алгоритму дерева рішень.
Представляйте програми протягом тижня на пов'язані теми та виберіть приклади з опублікованих програм AI. Елементи програмування включаються лише в тому випадку, якщо вони вважаються актуальними для надання розуміння майбутньої клінічної практики, наприклад, як оцінити моделі, щоб визначити, чи готові вони до використання в клінічних випробуваннях. Ці приклади завершилися повноцінним застосуванням кінця до кінця, що класифікує пухлини як доброякісні або злоякісні на основі параметрів медичного зображення.
Неоднорідність попередніх знань. Наші учасники змінювались за рівнем їх математичних знань. Наприклад, студенти з передовим інженерним фоном шукають більш поглиблений матеріал, наприклад, як виконати власні перетворення Фур'є. Однак обговорення алгоритму Фур'є в класі неможливо, оскільки він вимагає поглиблених знань про обробку сигналів.
Відтік відвідуваності. Відвідуваність на подальших зустрічах зменшилася, особливо в онлайн-форматах. Рішенням може бути відстеження відвідування та надання сертифіката про завершення. Як відомо, медичні школи визнають стенограми позакласної академічної діяльності студентів, що може заохотити студентів здобути ступінь.
Дизайн курсу: Оскільки AI охоплює стільки підполів, вибір основних понять відповідної глибини та широти може бути складним завданням. Наприклад, безперервність використання інструментів ШІ з лабораторії до клініки є важливою темою. Хоча ми охоплюємо попередню обробку даних, побудови моделі та перевірку, ми не включаємо такі теми, як аналітика великих даних, інтерактивна візуалізація або проведення клінічних випробувань AI, замість цього ми зосереджуємось на найбільш унікальних концепціях AI. Наш керівний принцип - підвищити грамотність, а не навички. Наприклад, розуміння того, як модель обробляє функції введення, важливе для інтерпретації. Один із способів зробити це - використовувати карти активації градієнта, які можуть візуалізувати, які області даних передбачувані. Однак це вимагає багатоваріантного обчислення і не може бути введено8. Розробка загальної термінології була складною, оскільки ми намагалися пояснити, як працювати з даними як вектори без математичного формалізму. Зауважте, що різні терміни мають однакове значення, наприклад, в епідеміології, "характеристика" описується як "змінна" або "атрибут".
Зберігання знань. Оскільки застосування AI обмежене, ступінь, в якій учасники зберігають знання, залишається побачити. Навчальні програми з медичних шкіл часто покладаються на розставене повторення для посилення знань під час практичних ротацій, 9, які також можуть бути застосовані до освіти ШІ.
Професіоналізм важливіший за грамотність. Глибина матеріалу розроблена без математичної суворості, що було проблемою при запуску клінічних курсів у штучному інтелекті. У прикладах програмування ми використовуємо програму шаблону, яка дозволяє учасникам заповнювати поля та запускати програмне забезпечення, не маючи на увазі, як налаштувати повне середовище програмування.
Занепокоєння щодо штучного інтелекту: Існує широке занепокоєння, що штучний інтелект може замінити деякі клінічні обов'язки3. Для вирішення цього питання ми пояснюємо обмеження ШІ, включаючи той факт, що майже всі технології AI, затверджені регуляторами, потребують нагляду лікаря11. Ми також підкреслюємо важливість упередженості, оскільки алгоритми схильні до упередженості, особливо якщо набір даних не різноманітний12. Отже, певна підгрупа може бути змодельована неправильно, що призводить до несправедливих клінічних рішень.
Ресурси є загальнодоступними: ми створили загальнодоступні ресурси, включаючи слайди лекцій та код. Хоча доступ до синхронного вмісту обмежений через часові пояси, вміст з відкритим кодом є зручним методом асинхронного навчання, оскільки досвід AI недоступний у всіх медичних школах.
Міждисциплінарна співпраця: Цей семінар - це спільне підприємство, ініційоване студентами -медиками для планування курсів разом з інженерами. Це демонструє можливості співпраці та прогалини у знаннях в обох сферах, що дозволяє учасникам зрозуміти потенційну роль, яку вони можуть сприяти в майбутньому.
Визначте основні компетенції AI. Визначення списку компетенцій забезпечує стандартизовану структуру, яка може бути інтегрована в існуючі медичні навчальні програми, засновані на компетенції. Цей семінар в даний час використовує рівень навчальних об'єктивних рівнів 2 (розуміння), 3 (застосування) та 4 (аналіз) систематики Bloom. Наявність ресурсів на більш високих рівнях класифікації, наприклад, створення проектів, може ще більше зміцнити знання. Це вимагає роботи з клінічними експертами, щоб визначити, як теми AI можна застосувати до клінічних робочих процесів та запобігання викладанням повторюваних тем, які вже включені до стандартних медичних навчальних програм.
Створіть тематичні дослідження за допомогою AI. Подібно до клінічних прикладів, навчання на основі випадків може посилити абстрактні поняття, підкреслюючи їх актуальність для клінічних питань. Наприклад, одне дослідження семінару проаналізувало систему виявлення діабетичної ретинопатії на основі AI Google, щоб визначити проблеми на шляху від лабораторії до клініки, таких як вимоги до зовнішньої перевірки та шляхи затвердження регуляторних норм.
Використовуйте експериментальне навчання: технічні навички потребують цілеспрямованої практики та неодноразового застосування для оволодіння, подібного до обертового досвіду навчання клінічних слухачів. Одним з потенційних рішень є модель, що перевернута класом, яка, як повідомлялося, покращує утримання знань в інженерній освіті14. У цій моделі студенти переглядають теоретичний матеріал незалежно, а час класу присвячений вирішенню проблем за допомогою тематичних досліджень.
Масштабування для мультидисциплінарних учасників: ми передбачаємо прийняття AI, що стосується співпраці в різних дисциплінах, включаючи лікарів та суміжних медичних працівників з різним рівнем навчання. Тому навчальні програми, можливо, потребують розробки за консультацією з викладачами різних відділів, щоб адаптувати їх вміст до різних областей охорони здоров'я.
Штучний інтелект є високотехнологічним, і її основні поняття пов'язані з математикою та інформатикою. Навчання персоналу охорони здоров’я для розуміння штучного інтелекту представляє унікальні проблеми у виборі змісту, клінічній актуальності та методах доставки. Ми сподіваємось, що розуміння, отримані від ШІ в навчальних семінарах, допоможуть майбутнім викладачам прийняти інноваційні способи інтеграції ШІ в медичну освіту.
Сценарій Google Colaboratory Python є відкритим кодом і доступний за адресою: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG та Khan, S. Переосмислення медичної освіти: заклик до дії. Аккад. ліки. 88, 1407–1410 (2013).
McCoy, LG і т. Д. Що дійсно повинні знати студенти -медики про штучний інтелект? Номери NPZH. Медицина 3, 1–3 (2020).
DOS SANTOS, DP та ін. Ставлення студентів до штучного інтелекту: багатоцентрове опитування. Євро. випромінювання. 29, 1640–1646 (2019).
Фан, KY, HU, R., and Singla, R. Вступ до машинного навчання для студентів -медиків: пілотний проект. Дж. Мед. навчити. 54, 1042–1043 (2020).
Cooperman N та ін. Визначення дітей з дуже низьким ризиком клінічно значущої травми мозку після травми голови: перспективне когортне дослідження. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH та Mangasary, Ol. Вилучення ядерної функції для діагностики пухлини молочної залози. Біомедична наука. Обробка зображень. Біомедична наука. Вайс. 1905, 861–870 (1993).
Chen, PHC, Li, Y. та Peng, L. Як розробити моделі машинного навчання для охорони здоров'я. Нат. Метт. 18, 410–414 (2019).
Selvaraju, RR та ін. Град-Кам: Візуальна інтерпретація глибоких мереж за допомогою локалізації на основі градієнта. Праці Міжнародної конференції IEEE з комп'ютерного бачення, 618–626 (2017).
Kumaravel B, Stewart K та Ilic D. Розробка та оцінка спіральної моделі для оцінки компетенцій на основі доказів, що використовують ОБСЛ у бакалаврській медичній освіті. Медицина BMK. навчити. 21, 1–9 (2021).
Колачалама VB та Garg PS машинне навчання та медична освіта. Номери NPZH. ліки. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. and De Rooy, M. Штучний інтелект з радіології: 100 комерційних продуктів та їх наукові докази. Євро. випромінювання. 31, 3797–3804 (2021).
Топол, EJ Високопродуктивна медицина: конвергенція людського та штучного інтелекту. Нат. ліки. 25, 44–56 (2019).
Беде, Е. та ін. Оцінка орієнтованої на людину оцінки глибокої системи навчання, розгортаної в клініці для виявлення діабетичної ретинопатії. Праці Конференції CHI 2020 року з людських факторів в обчислювальних системах (2020).
Керр, Б. Перекинутий аудиторія з інженерної освіти: огляд досліджень. Матеріали Міжнародної конференції 2015 року з інтерактивного спільного навчання (2015).
Автори дякують Даніель Уокер, Тіму Салкудіну та Пітеру Зандстрі з науково -дослідного кластера з біомедичних зображень та штучного інтелекту в Університеті Британської Колумбії за підтримку та фінансування.
RH, PP, ZH, RS та MA відповідали за розробку змісту викладання 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 фігур та таблиць. RH, KYF, PP, ZH, OY, My, PW, TL, MA, RS відповідали за розробку та редагування документа.
Комунікаційна медицина завдяки Каролін Макгрегор, Фабіо Мораес та Адітія Боракаті за їх внесок у огляд цієї роботи.
Час посади: 19 лютого 20124 р.