Дякуємо за відвідування Nature.com. Версія браузера, яку ви використовуєте, має обмежену підтримку CSS. Для найкращих результатів рекомендуємо використовувати новішу версію вашого браузера (або вимкнути режим сумісності в Internet Explorer). Тим часом, щоб забезпечити постійну підтримку, ми відображаємо сайт без стилізації та JavaScript.
Застосування клінічного штучного інтелекту (ШІ) швидко розвивається, але існуючі навчальні програми медичних шкіл пропонують обмежене викладання, що охоплює цю галузь. Тут ми описуємо навчальний курс зі штучного інтелекту, який ми розробили та провели для канадських студентів-медиків, а також даємо рекомендації щодо майбутнього навчання.
Штучний інтелект (ШІ) у медицині може підвищити ефективність робочого місця та допомогти у прийнятті клінічних рішень. Щоб безпечно керувати використанням штучного інтелекту, лікарі повинні мати певне розуміння штучного інтелекту. Багато коментарів рекомендують навчання концепціям ШІ1, таким як пояснення моделей ШІ та процесів верифікації2. Однак, було впроваджено мало структурованих планів, особливо на національному рівні. Пінто душ Сантуш та ін.3. Було опитано 263 студенти-медики, і 71% погодилися, що їм потрібне навчання зі штучного інтелекту. Навчання штучного інтелекту медичній аудиторії вимагає ретельного планування, 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 та надаємо рекомендації щодо майбутньої медичної освіти в галузі 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 рисунку 1. Наш курс має три основні навчальні цілі: студенти розуміють, як дані обробляються в застосунках штучного інтелекту, аналізують літературу зі штучного інтелекту для клінічних застосувань та використовують можливості для співпраці з інженерами, які розробляють штучний інтелект.
Синій колір позначено тему лекції, а світло-синій – інтерактивний період запитань і відповідей. Сірий розділ зосереджений на короткому огляді літератури. Помаранчеві розділи – це вибрані тематичні дослідження, що описують моделі або методи штучного інтелекту. Зелений – це керований курс програмування, розроблений для навчання штучного інтелекту вирішувати клінічні проблеми та оцінювати моделі. Зміст і тривалість семінарів залежать від оцінки потреб студентів.
Перший семінар проводився в Університеті Британської Колумбії з лютого по квітень 2019 року, і всі 8 учасників дали позитивні відгуки4. Через COVID-19 другий семінар проводився віртуально у жовтні-листопаді 2020 року, за ним зареєструвалися 222 студенти-медики та 3 резиденти з 8 канадських медичних шкіл. Слайди презентації та код були завантажені на сайт з відкритим доступом (http://ubcaimed.github.io). Ключовим відгуком після першої ітерації було те, що лекції були занадто інтенсивними, а матеріал - занадто теоретичним. Обслуговування шести різних часових поясів Канади створює додаткові труднощі. Таким чином, другий семінар скоротив кожну сесію до 1 години, спростив навчальний матеріал, додав більше тематичних досліджень та створив шаблонні програми, які дозволили учасникам виконувати фрагменти коду з мінімальним налагодженням (Вставка 1). Ключовими відгуками після другої ітерації були позитивні відгуки щодо вправ з програмування та прохання продемонструвати планування проекту машинного навчання. Тому на нашому третьому семінарі, який проводився віртуально для 126 студентів-медиків у березні-квітні 2021 року, ми включили більше інтерактивних вправ з кодування та сесій зі зворотним зв'язком щодо проектів, щоб продемонструвати вплив використання концепцій семінару на проекти.
Аналіз даних: галузь дослідження в статистиці, яка виявляє значущі закономірності в даних шляхом аналізу, обробки та передачі закономірностей даних.
Інтелектуальний аналіз даних: процес ідентифікації та вилучення даних. У контексті штучного інтелекту це часто великий процес, з кількома змінними для кожного зразка.
Зменшення розмірності: процес перетворення даних з багатьма окремими ознаками на меншу кількість ознак, зберігаючи при цьому важливі властивості вихідного набору даних.
Характеристики (у контексті штучного інтелекту): вимірювані властивості зразка. Часто використовуються як взаємозамінні з термінами «властивість» або «змінна».
Карта активації градієнта: метод, що використовується для інтерпретації моделей штучного інтелекту (особливо згорткових нейронних мереж), який аналізує процес оптимізації останньої частини мережі для визначення областей даних або зображень, які мають високу прогностичну здатність.
Стандартна модель: Існуюча модель штучного інтелекту, попередньо навчена 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 даних та результатів, щоб модель налаштувала 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 особливістю вибірки.
У таблиці 1 перелічені останні курси на квітень 2021 року, включаючи цільові навчальні цілі для кожної теми. Цей семінар призначений для тих, хто тільки починає знайомитися з технічним рівнем, і не вимагає жодних математичних знань, що перевищують перший рік навчання за медичним ступенем бакалавра. Курс був розроблений 6 студентами-медиками та 3 викладачами з вищим ступенем з інженерії. Інженери розробляють теорію штучного інтелекту для викладання, а студенти-медики вивчають клінічно значущий 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, тестування значущості або інтерактивна візуалізація. Це було пов'язано з обмеженнями в часі, а також тому, що деякі студенти мали попередню підготовку з біостатистики та хотіли охопити більш унікальні теми машинного навчання. Наступна лекція представляє сучасні методи та обговорює формулювання задачі ШІ, переваги та обмеження моделей ШІ, а також тестування моделей. Лекції доповнюються літературою та практичними дослідженнями існуючих пристроїв штучного інтелекту. Ми наголошуємо на навичках, необхідних для оцінки ефективності та доцільності моделі для вирішення клінічних питань, включаючи розуміння обмежень існуючих пристроїв штучного інтелекту. Наприклад, ми попросили студентів інтерпретувати рекомендації щодо дитячих травм голови, запропоновані Купперманом та ін.,5, які реалізували алгоритм дерева рішень на основі штучного інтелекту, щоб визначити, чи буде корисним КТ-сканування на основі огляду лікаря. Ми наголошуємо, що це поширений приклад того, як ШІ надає прогнозну аналітику для інтерпретації лікарями, а не замінює лікарів.
У доступних прикладах програмування з відкритим кодом, заснованих на bootstrap-програмуванні (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ми демонструємо, як виконувати дослідницький аналіз даних, зменшення розмірності, завантаження стандартної моделі, а також навчання та тестування. Ми використовуємо блокноти Google Colaboratory (Google LLC, Маунтін-В'ю, Каліфорнія), які дозволяють виконувати код Python з веб-браузера. На рис. 2 наведено приклад вправи з програмування. Ця вправа включає прогнозування злоякісних новоутворень за допомогою набору даних Wisconsin Open Breast Imaging Dataset6 та алгоритму дерева рішень.
Протягом тижня презентуйте програми на відповідні теми та вибирайте приклади з опублікованих застосувань штучного інтелекту. Елементи програмування включаються лише тоді, коли вони вважаються релевантними для надання розуміння майбутньої клінічної практики, наприклад, як оцінювати моделі, щоб визначити, чи готові вони до використання в клінічних випробуваннях. Ці приклади завершуються повноцінним комплексним застосуванням, яке класифікує пухлини як доброякісні або злоякісні на основі параметрів медичного зображення.
Неоднорідність попередніх знань. Наші учасники мали різний рівень математичних знань. Наприклад, студенти з вищою інженерною освітою шукають більш поглиблений матеріал, наприклад, як виконувати власні перетворення Фур'є. Однак обговорення алгоритму Фур'є в класі неможливе, оскільки це вимагає глибоких знань з обробки сигналів.
Відтік відвідувачів. Відвідуваність наступних зустрічей знизилася, особливо в онлайн-форматі. Рішенням може бути відстеження відвідуваності та надання сертифіката про закінчення навчання. Відомо, що медичні навчальні заклади визнають транскрипти позакласної академічної діяльності студентів, що може заохотити студентів до здобуття ступеня.
Дизайн курсу: Оскільки штучний інтелект охоплює так багато підгалузей, вибір основних концепцій відповідної глибини та широти може бути складним завданням. Наприклад, важливою темою є безперервність використання інструментів штучного інтелекту від лабораторії до клініки. Хоча ми розглядаємо попередню обробку даних, побудову моделей та валідацію, ми не включаємо такі теми, як аналітика великих даних, інтерактивна візуалізація або проведення клінічних випробувань штучного інтелекту, натомість ми зосереджуємося на найунікальніших концепціях штучного інтелекту. Нашим керівним принципом є підвищення грамотності, а не навичок. Наприклад, розуміння того, як модель обробляє вхідні ознаки, важливе для інтерпретації. Один зі способів зробити це – використовувати градієнтні карти активації, які можуть візуалізувати, які області даних є передбачуваними. Однак це вимагає багатовимірного числення і не може бути введено8. Розробка спільної термінології була складною, оскільки ми намагалися пояснити, як працювати з даними як векторами без математичного формалізму. Зауважте, що різні терміни мають однакове значення, наприклад, в епідеміології «характеристика» описується як «змінна» або «атрибут».
Закріплення знань. Оскільки застосування ШІ обмежене, ступінь, якою учасники закріплять знання, ще належить з'ясувати. Навчальні програми медичних шкіл часто спираються на інтервальне повторення для закріплення знань під час практичних занять,9 що також можна застосувати до навчання ШІ.
Професіоналізм важливіший за грамотність. Глибина матеріалу розроблена без математичної точності, що було проблемою під час запуску клінічних курсів зі штучного інтелекту. У прикладах програмування ми використовуємо шаблон програми, який дозволяє учасникам заповнювати поля та запускати програмне забезпечення, не розбираючись, як налаштувати повне середовище програмування.
Розгляд занепокоєння щодо штучного інтелекту: Існує широке занепокоєння, що штучний інтелект може замінити деякі клінічні обов'язки3. Щоб вирішити це питання, ми пояснюємо обмеження ШІ, зокрема той факт, що майже всі технології ШІ, схвалені регуляторними органами, вимагають нагляду лікаря11. Ми також наголошуємо на важливості упередженості, оскільки алгоритми схильні до упередженості, особливо якщо набір даних не є різноманітним12. Як наслідок, 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 контенту обмежений через часові пояси, контент з відкритим кодом є зручним методом для асинхронного навчання, оскільки експертиза штучного інтелекту доступна не в усіх медичних школах.
Міждисциплінарна співпраця: Цей семінар – спільний проєкт студентів-медиків для спільного планування курсів з інженерами. Він демонструє можливості співпраці та прогалини в знаннях в обох галузях, дозволяючи учасникам зрозуміти потенційну роль, яку вони можуть зробити в майбутньому.
Визначення основних компетенцій ШІ. Визначення переліку компетенцій забезпечує стандартизовану структуру, яку можна інтегрувати в існуючі медичні навчальні програми на основі компетенцій. Цей семінар наразі використовує рівні навчальних цілей 2 (Розуміння), 3 (Застосування) та 4 (Аналіз) таксономії Блума. Наявність ресурсів на вищих рівнях класифікації, таких як створення проектів, може ще більше зміцнити знання. Це вимагає співпраці з клінічними експертами, щоб визначити, як теми ШІ можна застосовувати до клінічних робочих процесів, та запобігання викладанню повторюваних тем, які вже включені до стандартних медичних навчальних програм.
Створюйте тематичні дослідження за допомогою штучного інтелекту. Подібно до клінічних прикладів, навчання на основі конкретних випадків може підкреслити абстрактні концепції, підкреслюючи їхню актуальність для клінічних питань. Наприклад, в одному семінарі було проаналізовано систему виявлення діабетичної ретинопатії Google на основі штучного інтелекту13, щоб виявити проблеми на шляху від лабораторії до клініки, такі як вимоги до зовнішньої валідації та шляхи затвердження регуляторними органами.
Використовуйте емпіричне навчання: технічні навички вимагають цілеспрямованої практики та багаторазового застосування для опанування, подібно до ротаційного навчання клінічних стажерів. Одним із потенційних рішень є модель перевернутого навчання, яка, як повідомляється, покращує запам'ятовування знань в інженерній освіті14. У цій моделі студенти самостійно переглядають теоретичний матеріал, а час занять присвячений вирішенню проблем за допомогою тематичних досліджень.
Масштабування для міждисциплінарних учасників: Ми передбачаємо впровадження штучного інтелекту за участю співпраці між різними дисциплінами, включаючи лікарів та фахівців суміжних медичних вузів з різним рівнем підготовки. Тому навчальні програми, можливо, доведеться розробляти у співпраці з викладачами різних кафедр, щоб адаптувати їхній зміст до різних галузей охорони здоров'я.
Штучний інтелект – це високотехнологічна галузь, а її основні концепції пов’язані з математикою та інформатикою. Підготовка медичного персоналу до розуміння штучного інтелекту створює унікальні виклики у виборі контенту, клінічній значущості та методах його проведення. Ми сподіваємося, що знання, отримані на семінарах «Штучний інтелект в освіті», допоможуть майбутнім викладачам застосувати інноваційні способи інтеграції ШІ в медичну освіту.
Скрипт Google Colaboratory на Python має відкритий вихідний код 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. Akkad. медицина. 88, 1407–1410 (2013).
Маккой, Л. Г. та ін. Що студентам-медикам дійсно потрібно знати про штучний інтелект? Числа НПЖ. Медицина 3, 1–3 (2020).
Дус Сантос, Д.П. та ін. Ставлення студентів-медиків до штучного інтелекту: багатоцентрове опитування. EURO. radiation. 29, 1640–1646 (2019).
Фан, К.Й., Ху, Р. та Сінгла, Р. Вступ до машинного навчання для студентів-медиків: пілотний проект. J. Med. teach. 54, 1042–1043 (2020).
Куперман Н. та ін. Виявлення дітей з дуже низьким ризиком клінічно значущої травми головного мозку після черепно-мозкової травми: проспективне когортне дослідження. Lancet 374, 1160–1170 (2009).
Стріт, В.Н., Вольберг, В.Х. та Мангасарян, О.Л. Екстракція ядерних ознак для діагностики пухлин молочної залози. Біомедична наука. Обробка зображень. Біомедична наука. Вайс. 1905, 861–870 (1993).
Чен, ПХК, Лю, Ю. та Пен, Л. Як розробляти моделі машинного навчання для охорони здоров'я. Nat. Matt. 18, 410–414 (2019).
Сельвараджу, Р.Р. та ін. Grad-cam: Візуальна інтерпретація глибоких мереж за допомогою градієнтної локалізації. Матеріали Міжнародної конференції IEEE з комп'ютерного зору, 618–626 (2017).
Кумаравел Б., Стюарт К. та Іліч Д. Розробка та оцінка спіральної моделі для оцінювання компетенцій доказової медицини з використанням ОСКЕ в медичній освіті для студентів. BMK Medicine. teach. 21, 1–9 (2021).
Колачалама В.Б. та Гарг П.С. Машинне навчання та медична освіта. Числа НПЖ. медицина. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. і de Rooy, M. Штучний інтелект у радіології: 100 комерційних продуктів та їхні наукові докази. ЄВРО. випромінювання. 31, 3797–3804 (2021).
Тополь, Е. Дж. Високопродуктивна медицина: конвергенція людського та штучного інтелекту. Національна медицина. 25, 44–56 (2019).
Беде, Е. та ін. Людиноорієнтована оцінка системи глибокого навчання, розгорнутої в клініці для виявлення діабетичної ретинопатії. Матеріали конференції CHI 2020 року з питань людського фактору в комп'ютерних системах (2020).
Керр, Б. Перевернуте навчання в інженерній освіті: огляд досліджень. Матеріали Міжнародної конференції 2015 року з інтерактивного спільного навчання (2015).
Автори дякують Даніель Вокер, Тіму Салкудіну та Пітеру Зандстрі з Кластера досліджень біомедичної візуалізації 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 рисунків та таблиць. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS відповідали за написання та редагування документа.
«Комунікаційна медицина» дякує Керолін Макгрегор, Фабіо Мораесу та Адітьї Боракаті за їхній внесок у рецензування цієї роботи.
Час публікації: 19 лютого 2024 р.