Dankie dat u Nature.com besoek het. Die weergawe van die blaaier wat u gebruik, het beperkte CSS -ondersteuning. Vir die beste resultate, beveel ons aan dat u 'n nuwer weergawe van u blaaier gebruik (of die versoenbaarheidsmodus in Internet Explorer afskakel). Intussen wys ons die webwerf sonder stilering of JavaScript om deurlopende ondersteuning te verseker.
Toepassings van kliniese kunsmatige intelligensie (AI) groei vinnig, maar die bestaande kurrikula vir mediese skool bied beperkte onderrig wat hierdie gebied dek. Hier beskryf ons 'n kursus vir kunsmatige intelligensie wat ons aan Kanadese mediese studente ontwikkel en afgelewer het en aanbevelings maak vir toekomstige opleiding.
Kunsmatige intelligensie (AI) in medisyne kan die doeltreffendheid van die werkplek verbeter en kliniese besluitneming help. Om die gebruik van kunsmatige intelligensie veilig te lei, moet dokters 'n mate van begrip van kunsmatige intelligensie hê. Baie opmerkings bepleit die onderrig van AI -konsepte1, soos die verduideliking van AI -modelle en verifiëringsprosesse2. Min gestruktureerde planne is egter geïmplementeer, veral op nasionale vlak. Pinto dos Santos et al.3. 263 Mediese studente is ondervra en 71% was dit eens dat hulle opleiding in kunsmatige intelligensie nodig het. Om kunsmatige intelligensie aan 'n mediese gehoor te onderrig, verg noukeurige ontwerp wat tegniese en nie-tegniese konsepte kombineer vir studente wat dikwels uitgebreide voorkennis het. Ons beskryf ons ervaring met die lewering van 'n reeks AI -werkswinkels aan drie groepe mediese studente en maak aanbevelings vir toekomstige mediese onderwys in AI.
Ons inleiding van vyf weke tot kunsmatige intelligensie in medisyne-werkswinkel vir mediese studente is tussen Februarie 2019 en April 2021 drie keer gehou. 'N Skedule vir elke werkswinkel, met 'n kort beskrywing van die veranderinge aan die kursus, word in Figuur 1 getoon. Ons kursus het aangebied Drie primêre leerdoelstellings: Studente verstaan hoe data in kunsmatige intelligensie -toepassings verwerk word, die kunsmatige intelligensieliteratuur vir kliniese toepassings ontleed en gebruik die geleenthede om saam te werk met ingenieurs wat kunsmatige intelligensie ontwikkel.
Blou is die onderwerp van die lesing en ligblou is die interaktiewe vraag- en antwoordperiode. Die grys gedeelte is die fokus van die kort literatuuroorsig. Die oranje afdelings is geselekteerde gevallestudies wat kunsmatige intelligensie -modelle of -tegnieke beskryf. Green is 'n begeleide programmeringskursus wat ontwerp is om kunsmatige intelligensie te onderrig om kliniese probleme op te los en modelle te evalueer. Die inhoud en duur van die werkswinkels wissel op grond van 'n assessering van die student se behoeftes.
Die eerste werkswinkel is van Februarie tot April 2019 aan die Universiteit van British Columbia gehou, en al 8 deelnemers het positiewe terugvoering gegee4. As gevolg van Covid-19, is die tweede werkswinkel feitlik in Oktober-November 2020 gehou, met 222 mediese studente en 3 inwoners van 8 Kanadese mediese skole wat registreer. Aanbiedingsskyfies en -kode is opgelaai na 'n oop toegangsterrein (http://ubcaimed.github.io). Die belangrikste terugvoer van die eerste iterasie was dat die lesings te intens was en die materiaal te teoreties was. Die bediening van Kanada se ses verskillende tydsones hou ekstra uitdagings in. Dus het die tweede werkswinkel elke sessie tot 1 uur verkort, die kursusmateriaal vereenvoudig, meer gevallestudies bygevoeg en ketelplaatprogramme geskep wat deelnemers in staat stel om kode -brokkies met minimale ontfouting te voltooi (vak 1). Belangrike terugvoer van die tweede iterasie het positiewe terugvoer oor die programmeringsoefeninge ingesluit en 'n versoek om beplanning vir 'n masjienleerprojek te demonstreer. Daarom, in ons derde werkswinkel, wat in Maart 2021 feitlik vir 126 mediese studente gehou is, het ons meer interaktiewe koderingsoefeninge en projekterugvoersessies ingesluit om die impak van die gebruik van werkswinkelkonsepte op projekte te demonstreer.
Data -analise: 'n Studieveld in statistieke wat betekenisvolle patrone in data identifiseer deur datapatrone te ontleed, te verwerk en te kommunikeer.
Data -ontginning: die proses om data te identifiseer en te onttrek. In die konteks van kunsmatige intelligensie is dit dikwels groot, met veelvuldige veranderlikes vir elke steekproef.
Dimensionaliteitsvermindering: die proses om data met baie individuele funksies in minder funksies te transformeer, terwyl die belangrike eienskappe van die oorspronklike datastel behou word.
Eienskappe (in die konteks van kunsmatige intelligensie): meetbare eienskappe van 'n steekproef. Word dikwels uitruilbaar gebruik met 'eiendom' of 'veranderlike'.
Gradiëntaktiveringskaart: 'n Tegniek wat gebruik word om kunsmatige intelligensie -modelle (veral omwentelingsneurale netwerke) te interpreteer, wat die proses om die laaste deel van die netwerk te optimaliseer, ontleed om streke van data of beelde te identifiseer wat baie voorspellend is.
Standaardmodel: 'n bestaande AI-model wat vooraf opgelei is om soortgelyke take uit te voer.
Toetsing (in die konteks van kunsmatige intelligensie): waarneem hoe 'n model 'n taak uitvoer met behulp van data wat dit nog nie teëgekom het nie.
Opleiding (in die konteks van kunsmatige intelligensie): die verskaffing van 'n model met data en resultate, sodat die model sy interne parameters aanpas om die vermoë om take uit te voer met behulp van nuwe data te optimaliseer.
Vector: Verskeidenheid data. In masjienleer is elke skikkingselement gewoonlik 'n unieke kenmerk van die monster.
Tabel 1 bevat 'n lys van die nuutste kursusse vir April 2021, insluitend geteikende leerdoelstellings vir elke onderwerp. Hierdie werkswinkel is bedoel vir diegene wat nuut is op tegniese vlak en vereis geen wiskundige kennis buite die eerste jaar van 'n voorgraadse mediese graad nie. Die kursus is ontwikkel deur 6 mediese studente en 3 onderwysers met gevorderde grade in ingenieurswese. Ingenieurs ontwikkel kunsmatige intelligensie -teorie om te onderrig, en mediese studente leer klinies relevante materiaal.
Werkswinkels sluit lesings, gevallestudies en geleide programmering in. In die eerste lesing hersien ons geselekteerde konsepte van data -analise in biostatistieke, insluitend datavisualisering, logistieke regressie en die vergelyking van beskrywende en induktiewe statistieke. Alhoewel data -analise die basis is van kunsmatige intelligensie, sluit ons onderwerpe soos data -ontginning, beduidende toetsing of interaktiewe visualisering uit. Dit was te danke aan tydsbeperkings en ook omdat sommige voorgraadse studente vooraf opleiding in biostatistiek gehad het en meer unieke masjienleeronderwerpe wou dek. Die daaropvolgende lesing stel moderne metodes bekend en bespreek AI -probleemformulering, voordele en beperkings van AI -modelle en modeltoetsing. Die lesings word aangevul deur literatuur en praktiese navorsing oor bestaande kunsmatige intelligensietoestelle. Ons beklemtoon die vaardighede wat benodig word om die doeltreffendheid en uitvoerbaarheid van 'n model te evalueer om kliniese vrae aan te spreek, insluitend die begrip van die beperkinge van bestaande kunsmatige intelligensietoestelle. Byvoorbeeld, ons het studente gevra om die riglyne vir pediatriese hoofbeserings te interpreteer wat deur Kupperman et al., 5 voorgestel is, wat 'n algoritme vir kunsmatige intelligensie -beslissing geïmplementeer het om te bepaal of 'n CT -skandering nuttig sou wees op grond van die ondersoek van 'n dokter. Ons beklemtoon dat dit 'n algemene voorbeeld is van AI wat voorspellende analise bied vir dokters om te interpreteer, eerder as om dokters te vervang.
In die beskikbare open source bootstrap -programmeringsvoorbeelde (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/Programming_examples), demonstreer ons hoe om verkennende data -analise, dimensionaliteitsvermindering, standaardmodellading en opleiding uit te voer . en toetsing. Ons gebruik Google Colaboratory Notebooks (Google LLC, Mountain View, CA), waardeur Python -kode vanaf 'n webblaaier uitgevoer kan word. In Figuur Figuur 2 bied Figuur 2 'n voorbeeld van 'n programmeringsoefening. Hierdie oefening behels die voorspelling van kwaadaardighede met behulp van die Wisconsin Open Breast Imaging DataSet6 en 'n beslissingsboomalgoritme.
Bied programme gedurende die week oor verwante onderwerpe aan en kies voorbeelde uit gepubliseerde AI -toepassings. Programmeringselemente word slegs ingesluit as dit as relevant beskou word vir die verskaffing van insig in toekomstige kliniese praktyk, soos hoe om modelle te evalueer om te bepaal of hulle gereed is vir gebruik in kliniese toetse. Hierdie voorbeelde kulmineer in 'n volwaardige end-tot-einde-toepassing wat gewasse as goedaardig of kwaadaardig klassifiseer op grond van mediese beeldparameters.
Heterogeniteit van voorkennis. Ons deelnemers het in hul vlak van wiskundige kennis gewissel. Studente met gevorderde ingenieursagtergronde is byvoorbeeld op soek na meer diepgaande materiaal, soos hoe om hul eie Fourier-transformasies uit te voer. Die bespreking van die Fourier-algoritme in die klas is egter nie moontlik nie, want dit verg 'n diepgaande kennis van seinverwerking.
Bywoning uitvloei. Die bywoning van opvolgvergaderings het afgeneem, veral in aanlynformate. 'N Oplossing kan wees om die bywoning op te spoor en 'n sertifikaat van voltooiing te gee. Dit is bekend dat mediese skole transkripsies van studente se buitemuurse akademiese aktiwiteite erken, wat studente kan aanmoedig om 'n graad te volg.
Kursusontwerp: Omdat AI oor soveel subvelde strek, kan dit uitdagend wees om kernbegrippe van toepaslike diepte en breedte te kies. Die kontinuïteit van die gebruik van AI -instrumente van die laboratorium tot die kliniek is byvoorbeeld 'n belangrike onderwerp. Alhoewel ons data -voorverwerking, modelbou en validering dek, sluit ons nie onderwerpe soos Big Data -analise, interaktiewe visualisering of die uitvoering van AI -kliniese toetse in nie, maar fokus ons op die mees unieke AI -konsepte. Ons riglyn is om geletterdheid te verbeter, nie vaardighede nie. Byvoorbeeld, om te verstaan hoe 'n model insetfunksies verwerk, is belangrik vir interpreteerbaarheid. Een manier om dit te doen is om gradiëntaktiveringskaarte te gebruik, wat kan visualiseer watter streke van die data voorspelbaar is. Dit vereis egter meerveranderlike berekening en kan nie bekendgestel word nie. Die ontwikkeling van 'n gemeenskaplike terminologie was uitdagend omdat ons probeer verduidelik hoe om met data as vektore te werk sonder wiskundige formalisme. Let daarop dat verskillende terme dieselfde betekenis het, byvoorbeeld in epidemiologie, word 'n 'kenmerk' beskryf as 'n 'veranderlike' of 'kenmerk'.
Kennisbehoud. Omdat die toepassing van AI beperk is, moet die mate waarin deelnemers kennis behou, nog gesien word. Mediese skoolkurrikulums vertrou dikwels op die herhaling van die afstand om kennis tydens praktiese rotasies te versterk, 9 wat ook op AI -onderwys toegepas kan word.
Professionaliteit is belangriker as geletterdheid. Die diepte van die materiaal is ontwerp sonder wiskundige noukeurigheid, wat 'n probleem was by die bekendstelling van kliniese kursusse in kunsmatige intelligensie. In die voorbeelde van die programmering gebruik ons 'n sjabloonprogram wat deelnemers in staat stel om velde in te vul en die sagteware uit te voer sonder om uit te vind hoe om 'n volledige programmeringsomgewing op te stel.
Kommer oor kunsmatige intelligensie word aangespreek: daar is wydverspreide kommer dat kunsmatige intelligensie sommige kliniese pligte kan vervang3. Om hierdie kwessie aan te spreek, verduidelik ons die beperkings van AI, insluitend die feit dat byna alle AI -tegnologieë wat deur reguleerders goedgekeur is, toesighoudings van die dokter benodig. Ons beklemtoon ook die belangrikheid van vooroordeel omdat algoritmes geneig is tot vooroordeel, veral as die datastel nie uiteenlopend is nie12. Gevolglik kan 'n sekere subgroep verkeerd gemodelleer word, wat tot onbillike kliniese besluite kan lei.
Hulpbronne is in die openbaar beskikbaar: ons het openbaar beskikbare bronne geskep, insluitend lesingsskyfies en kode. Alhoewel toegang tot sinchrone inhoud beperk is as gevolg van tydsones, is open source -inhoud 'n maklike metode vir asinchroniese leer, aangesien AI -kundigheid nie by alle mediese skole beskikbaar is nie.
Interdissiplinêre samewerking: Hierdie werkswinkel is 'n gesamentlike onderneming wat deur mediese studente geïnisieer is om kursusse saam met ingenieurs te beplan. Dit demonstreer samewerkingsgeleenthede en kennisgapings op beide gebiede, waardeur deelnemers die potensiële rol wat hulle in die toekoms kan bydra, kan verstaan.
Definieer AI -kernbevoegdhede. Die definiëring van 'n lys van bevoegdhede bied 'n gestandaardiseerde struktuur wat in die bestaande mediese kurrikula op die bestaande bevoegdheidsgebaseerde mediese kurrikulums geïntegreer kan word. Hierdie werkswinkel gebruik tans leerdoelwitvlakke 2 (begrip), 3 (toepassing) en 4 (analise) van Bloom se taksonomie. As u hulpbronne op hoër klassifikasievlakke het, soos die skep van projekte, kan u kennis verder versterk. Dit vereis dat u met kliniese kundiges moet werk om te bepaal hoe AI -onderwerpe op kliniese werkvloei toegepas kan word en die onderrig van herhalende onderwerpe wat reeds by standaard mediese kurrikulums ingesluit is, te voorkom.
Skep gevallestudies met behulp van AI. Soortgelyk aan kliniese voorbeelde, kan gevalle-gebaseerde leer abstrakte konsepte versterk deur die relevansie daarvan vir kliniese vrae te beklemtoon. Een werkswinkelstudie het byvoorbeeld Google se AI-gebaseerde diabetiese retinopatie-opsporingstelsel 13 ontleed om uitdagings langs die pad van laboratorium na kliniek te identifiseer, soos eksterne valideringsvereistes en regulatoriese goedkeuringsweë.
Gebruik ervaringsleer: tegniese vaardighede vereis gefokusde oefening en herhaalde toepassing om te bemeester, soortgelyk aan die roterende leerervarings van kliniese leerlinge. 'N Potensiële oplossing is die geklapte klaskamermodel, wat volgens berigte kennisbehoud in ingenieurswese -onderwys verbeter. In hierdie model hersien studente teoretiese materiaal onafhanklik en word klastyd gewy aan die oplossing van probleme deur middel van gevallestudies.
Skaal vir multidissiplinêre deelnemers: Ons beoog dat AI -aanneming oor samewerking oor verskeie dissiplines betrokke is, insluitend dokters en verwante gesondheidswerkers met verskillende vlakke van opleiding. Daarom moet kurrikulums moontlik ontwikkel word in oorleg met fakulteite van verskillende departemente om hul inhoud aan te pas by verskillende gesondheidsorgareas.
Kunsmatige intelligensie is hoë-tegnologie en die kernbegrip daarvan hou verband met wiskunde en rekenaarwetenskap. Opleiding van gesondheidsorgpersoneel om kunsmatige intelligensie te verstaan, bied unieke uitdagings in die seleksie van inhoud, kliniese relevansie en afleweringsmetodes. Ons hoop dat die insigte wat van die AI in onderwyswerkswinkels verkry is, sal help om toekomstige opvoeders innoverende maniere te omhels om AI in mediese onderwys te integreer.
Die Google Colaboratory Python -skrif is open source en beskikbaar op: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Proer, KG en Khan, S. Rethinking Medical Education: 'n oproep tot aksie. Akkad. medisyne. 88, 1407–1410 (2013).
MCCOY, LG ens. Wat moet mediese studente regtig weet oor kunsmatige intelligensie? NPZH -getalle. Medisyne 3, 1–3 (2020).
Dos Santos, DP, et al. Mediese studente se houdings teenoor kunsmatige intelligensie: 'n multisentrum -opname. Euro. bestraling. 29, 1640–1646 (2019).
Fan, KY, Hu, R., en Singla, R. Inleiding tot masjienleer vir mediese studente: 'n loodsprojek. J. Med. onderrig. 54, 1042–1043 (2020).
Cooperman N, et al. Identifisering van kinders met 'n baie lae risiko van klinies beduidende breinbesering na kopbesering: 'n voornemende kohortstudie. Lancet 374, 1160–1170 (2009).
Straat, WN, Wolberg, WH en Mangasarian, OL. Kernfunksie -ekstraksie vir borstumordiagnose. Biomediese wetenskap. Beeldverwerking. Biomediese wetenskap. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. en Peng, L. Hoe om masjienleermodelle vir gesondheidsorg te ontwikkel. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-Cam: Visuele interpretasie van diep netwerke via gradiënt-gebaseerde lokalisering. Verrigtinge van die IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K en Ilic D. Ontwikkeling en evaluering van 'n spiraalmodel vir die beoordeling van bewysgebaseerde medisyne-vaardighede met behulp van OVSE in voorgraadse mediese onderwys. BMK -medisyne. onderrig. 21, 1–9 (2021).
Kolachalama VB en Garg PS Masjienleer en mediese opleiding. NPZH -getalle. medisyne. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. en De Rooy, M. Kunsmatige intelligensie in radiologie: 100 kommersiële produkte en hul wetenskaplike bewyse. Euro. bestraling. 31, 3797–3804 (2021).
Topol, EJ High-Performance Medicine: The Convergence of Human and Artificial Intelligence. Nat. medisyne. 25, 44–56 (2019).
Bede, E. et al. Mensgesentreerde evaluering van 'n diep leerstelsel wat in die kliniek ontplooi is vir die opsporing van diabetiese retinopatie. Verrigtinge van die 2020 CHI -konferensie oor menslike faktore in rekenaarstelsels (2020).
Kerr, B. Die gekleurde klaskamer in ingenieurswese: 'n navorsingsoorsig. Verrigtinge van die 2015 International Conference on Interactive Collaborative Learning (2015).
Die skrywers bedank Danielle Walker, Tim Salcudin en Peter Zandstra van die Biomedical Imaging and Artificial Intelligence Research Cluster aan die Universiteit van British Columbia vir ondersteuning en befondsing.
RH, PP, ZH, RS en MA was verantwoordelik vir die ontwikkeling van die inhoud van die werkswinkel. RH en PP was verantwoordelik vir die ontwikkeling van die voorbeelde van die programmering. KYF, OY, MT en PW was verantwoordelik vir die logistieke organisasie van die projek en die ontleding van die werkswinkels. RH, OY, MT, RS was verantwoordelik vir die skep van die figure en tafels. RH, Kyf, PP, ZH, OY, My, PW, TL, MA, RS was verantwoordelik vir die opstel en redigering van die dokument.
Kommunikasie medisyne Dankie Carolyn McGregor, Fabio Moraes en Aditya Borakati vir hul bydraes tot die hersiening van hierdie werk.
Postyd: Feb-19-2024