Dankie dat jy Nature.com besoek het.Die weergawe van die blaaier wat jy gebruik het beperkte CSS-ondersteuning.Vir die beste resultate, beveel ons aan om 'n nuwer weergawe van jou blaaier te gebruik (of om versoenbaarheidsmodus in Internet Explorer af te skakel).In die tussentyd, om deurlopende ondersteuning te verseker, wys ons die webwerf sonder stilering of JavaScript.
Toepassings van kliniese kunsmatige intelligensie (KI) groei vinnig, maar bestaande mediese skoolkurrikulums bied beperkte onderrig wat hierdie gebied dek.Hier beskryf ons 'n kunsmatige intelligensie-opleidingskursus wat ons ontwikkel en aan Kanadese mediese studente gelewer het en maak aanbevelings vir toekomstige opleiding.
Kunsmatige intelligensie (KI) in medisyne kan werkplekdoeltreffendheid verbeter en kliniese besluitneming aanhelp.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 KI-konsepte1, soos die verduideliking van KI-modelle en verifikasieprosesse2.Min gestruktureerde planne is egter geïmplementeer, veral op nasionale vlak.Pinto dos Santos et al.3.263 mediese studente is ondervra en 71% het saamgestem dat hulle opleiding in kunsmatige intelligensie benodig.Om kunsmatige intelligensie aan 'n mediese gehoor te onderrig, vereis noukeurige ontwerp wat tegniese en nie-tegniese konsepte kombineer vir studente wat dikwels uitgebreide voorkennis het.Ons beskryf ons ervaring met die aanbieding van 'n reeks KI-werkswinkels aan drie groepe mediese studente en maak aanbevelings vir toekomstige mediese opleiding in KI.
Ons vyf weke lange Inleiding tot Kunsmatige Intelligensie in Geneeskunde-werkswinkel vir mediese studente is drie keer gehou tussen Februarie 2019 en April 2021. 'n Skedule vir elke werkswinkel, met 'n kort beskrywing van veranderinge aan die kursus, word in Figuur 1 getoon. Ons kursus het drie primêre leerdoelwitte: studente verstaan hoe data in kunsmatige intelligensie toepassings verwerk word, analiseer die kunsmatige intelligensie literatuur vir kliniese toepassings, en benut 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 afdeling 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 leer om kliniese probleme op te los en modelle te evalueer.Die inhoud en duur van die werkswinkels wissel op grond van 'n assessering van studentebehoeftes.
Die eerste werkswinkel is van Februarie tot April 2019 by die Universiteit van British Columbia gehou, en al 8 deelnemers het positiewe terugvoer4 gegee.Weens 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 geregistreer het.Aanbiedingskyfies en -kode is opgelaai na 'n ooptoegangwerf (http://ubcaimed.github.io).Die sleutelterugvoer vanaf die eerste iterasie was dat die lesings te intens was en die materiaal te teoreties.Om Kanada se ses verskillende tydsones te bedien, hou bykomende uitdagings in.Dus het die tweede werkswinkel elke sessie tot 1 uur verkort, die kursusmateriaal vereenvoudig, meer gevallestudies bygevoeg en boilerplate-programme geskep wat deelnemers toegelaat het om kodebrokkies met minimale ontfouting te voltooi (Kassie 1).Sleutelterugvoer van die tweede iterasie het positiewe terugvoer oor die programmeringsoefeninge en 'n versoek om beplanning vir 'n masjienleerprojek te demonstreer, ingesluit.Daarom het ons in ons derde werkswinkel, wat feitlik vir 126 mediese studente in Maart-April 2021 gehou is, meer interaktiewe koderingsoefeninge en projekterugvoersessies ingesluit om die impak van die gebruik van werkswinkelkonsepte op projekte te demonstreer.
Data-analise: 'n Studieveld in statistiek wat betekenisvolle patrone in data identifiseer deur datapatrone te analiseer, 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.
Dimensionaliteitvermindering: Die proses om data met baie individuele kenmerke in minder kenmerke te transformeer terwyl die belangrike eienskappe van die oorspronklike datastel behoue bly.
Eienskappe (in die konteks van kunsmatige intelligensie): meetbare eienskappe van 'n monster.Dikwels uitruilbaar gebruik met "eiendom" of "veranderlike".
Gradiëntaktiveringskaart: 'n Tegniek wat gebruik word om kunsmatige intelligensie-modelle (veral konvolusionele neurale netwerke) te interpreteer, wat die proses ontleed om die laaste deel van die netwerk te optimaliseer om streke van data of beelde te identifiseer wat hoogs voorspellend is.
Standaardmodel: 'n Bestaande KI-model wat vooraf opgelei is om soortgelyke take uit te voer.
Toetsing (in die konteks van kunsmatige intelligensie): waarneem hoe 'n model 'n taak verrig met behulp van data wat dit nie voorheen teëgekom het nie.
Opleiding (in die konteks van kunsmatige intelligensie): Die verskaffing van 'n model van data en resultate sodat die model sy interne parameters aanpas om sy vermoë om take uit te voer met behulp van nuwe data te optimaliseer.
Vektor: reeks data.In masjienleer is elke skikkingselement gewoonlik 'n unieke kenmerk van die monster.
Tabel 1 lys die jongste kursusse vir April 2021, insluitend geteikende leerdoelwitte vir elke onderwerp.Hierdie werkswinkel is bedoel vir diegene wat nuut is op die 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 begeleide programmering in.In die eerste lesing hersien ons geselekteerde konsepte van data-analise in biostatistiek, insluitend datavisualisering, logistiese regressie en die vergelyking van beskrywende en induktiewe statistiek.Alhoewel data-analise die grondslag van kunsmatige intelligensie is, sluit ons onderwerpe soos data-ontginning, beduidendheidstoetsing of interaktiewe visualisering uit.Dit was as gevolg van tydsbeperkings en ook omdat sommige voorgraadse studente vooraf opleiding in biostatistiek gehad het en meer unieke masjienleer-onderwerpe wou dek.Die daaropvolgende lesing stel moderne metodes bekend en bespreek KI-probleemformulering, voordele en beperkings van KI-modelle, en modeltoetsing.Die lesings word aangevul deur literatuur en praktiese navorsing oor bestaande kunsmatige intelligensie-toestelle.Ons beklemtoon die vaardighede wat nodig is om die doeltreffendheid en uitvoerbaarheid van 'n model te evalueer om kliniese vrae aan te spreek, insluitend die begrip van die beperkings van bestaande kunsmatige intelligensie-toestelle.Ons het byvoorbeeld studente gevra om die pediatriese hoofbeseringsriglyne wat deur Kupperman et al., 5 voorgestel is, te interpreteer wat 'n kunsmatige intelligensie-besluitboomalgoritme geïmplementeer het om te bepaal of 'n CT-skandering nuttig sou wees gebaseer op 'n dokter se ondersoek.Ons beklemtoon dat dit 'n algemene voorbeeld is van KI wat voorspellende analise verskaf vir dokters om te interpreteer, eerder as om dokters te vervang.
In die beskikbare oopbron selflaai-programmeringsvoorbeelde (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demonstreer ons hoe om verkennende data-analise, dimensionaliteitvermindering, standaardmodellaai en opleiding uit te voer .en toetsing.Ons gebruik Google Collaboratory notaboeke (Google LLC, Mountain View, CA), wat toelaat dat Python-kode vanaf 'n webblaaier uitgevoer kan word.In Fig. 2 verskaf 'n voorbeeld van 'n programmeringsoefening.Hierdie oefening behels die voorspelling van maligniteite deur die Wisconsin Open Breast Imaging Dataset6 en 'n besluitboomalgoritme te gebruik.
Bied programme deur die week oor verwante onderwerpe aan en kies voorbeelde uit gepubliseerde KI-toepassings.Programmeringselemente word slegs ingesluit as dit relevant geag word om insig in toekomstige kliniese praktyk te verskaf, soos hoe om modelle te evalueer om te bepaal of hulle gereed is vir gebruik in kliniese proewe.Hierdie voorbeelde kulmineer in 'n volwaardige end-tot-end toepassing wat gewasse klassifiseer as benigne of kwaadaardig op grond van mediese beeldparameters.
Heterogeniteit van voorkennis.Ons deelnemers het gewissel in hul vlak van wiskundige kennis.Studente met gevorderde ingenieursagtergronde soek byvoorbeeld meer in-diepte materiaal, soos hoe om hul eie Fourier-transformasies uit te voer.Om die Fourier-algoritme in die klas te bespreek is egter nie moontlik nie omdat dit diepgaande kennis van seinverwerking vereis.
Bywoningsuitvloei.Bywoning van opvolgvergaderings het afgeneem, veral in aanlynformate.'n Oplossing kan wees om bywoning op te spoor en 'n sertifikaat van voltooiing te verskaf.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 KI so baie subvelde strek, kan die keuse van kernkonsepte van toepaslike diepte en breedte uitdagend wees.Byvoorbeeld, die kontinuïteit van die gebruik van KI-gereedskap vanaf die laboratorium tot die kliniek is 'n belangrike onderwerp.Terwyl ons datavoorverwerking, modelbou en validering dek, sluit ons nie onderwerpe soos grootdata-analise, interaktiewe visualisering of die uitvoer van KI-kliniese proewe in nie, eerder fokus ons op die mees unieke KI-konsepte.Ons riglyn is om geletterdheid te verbeter, nie vaardighede nie.Byvoorbeeld, om te verstaan hoe 'n model insetkenmerke 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 ingestel word nie8.Die ontwikkeling van 'n algemene terminologie was uitdagend omdat ons probeer het om te 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."
Behoud van kennis.Omdat die toepassing van KI beperk is, moet nog gesien word in watter mate deelnemers kennis behou.Mediese skoolkurrikulums maak dikwels staat op gespasieerde herhaling om kennis tydens praktiese rotasies te versterk,9 wat ook op KI-onderwys toegepas kan word.
Professionaliteit is belangriker as geletterdheid.Die diepte van die materiaal is ontwerp sonder wiskundige strengheid, wat 'n probleem was met die bekendstelling van kliniese kursusse in kunsmatige intelligensie.In die programmeringsvoorbeelde gebruik ons 'n sjabloonprogram wat deelnemers toelaat om velde in te vul en die sagteware te laat loop sonder om uit te vind hoe om 'n volledige programmeringsomgewing op te stel.
Kommer oor kunsmatige intelligensie aangespreek: Daar is wydverspreide kommer dat kunsmatige intelligensie sommige kliniese pligte kan vervang3.Om hierdie kwessie aan te spreek, verduidelik ons die beperkings van KI, insluitend die feit dat byna alle KI-tegnologieë wat deur reguleerders goedgekeur is, doktertoesig vereis11.Ons beklemtoon ook die belangrikheid van vooroordeel omdat algoritmes geneig is tot vooroordeel, veral as die datastel nie divers is nie12.Gevolglik kan 'n sekere subgroep verkeerd gemodelleer word, wat lei tot onbillike kliniese besluite.
Hulpbronne is publiek beskikbaar: Ons het publiek beskikbare bronne geskep, insluitend lesingskyfies en kode.Alhoewel toegang tot sinchroniese inhoud beperk is weens tydsones, is oopbroninhoud 'n gerieflike metode vir asinchroniese leer aangesien KI-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 in beide areas, wat deelnemers in staat stel om die potensiële rol wat hulle in die toekoms kan bydra, te verstaan.
Definieer KI-kernvaardighede.Die definisie van 'n lys van bevoegdhede verskaf 'n gestandaardiseerde struktuur wat geïntegreer kan word in bestaande bevoegdheid-gebaseerde mediese kurrikulums.Hierdie werkswinkel gebruik tans Leerdoelwitvlakke 2 (Begrip), 3 (Toepassing) en 4 (Analise) van Bloom se Taksonomie.Om hulpbronne op hoër vlakke van klassifikasie te hê, soos om projekte te skep, kan kennis verder versterk.Dit vereis om met kliniese kundiges te werk om te bepaal hoe KI-onderwerpe op kliniese werkvloei toegepas kan word en om die onderrig van herhalende onderwerpe te voorkom wat reeds in standaard mediese kurrikulums ingesluit is.
Skep gevallestudies met behulp van AI.Soortgelyk aan kliniese voorbeelde, kan gevalgebaseerde leer abstrakte konsepte versterk deur hul relevansie vir kliniese vrae uit te lig.Byvoorbeeld, een werkswinkelstudie het Google se KI-gebaseerde diabetiese retinopatie-opsporingstelsel 13 ontleed om uitdagings langs die pad van laboratorium na kliniek te identifiseer, soos eksterne valideringsvereistes en regulatoriese goedkeuringspaaie.
Gebruik ervaringsleer: Tegniese vaardighede vereis gefokusde oefening en herhaalde toepassing om te bemeester, soortgelyk aan die roterende leerervarings van kliniese leerlinge.Een potensiële oplossing is die omgekeerde klaskamermodel, wat na berig word om kennisbehoud in ingenieursopleiding te verbeter14.In hierdie model hersien studente teoretiese materiaal onafhanklik en word klastyd daaraan gewy om probleme op te los deur gevallestudies.
Skaal vir multidissiplinêre deelnemers: Ons beoog KI-aanneming wat samewerking oor verskeie dissiplines behels, insluitend dokters en verwante gesondheidswerkers met verskillende vlakke van opleiding.Daarom sal kurrikulums moontlik in oorleg met fakulteite van verskillende departemente ontwikkel moet word om hul inhoud aan te pas by verskillende areas van gesondheidsorg.
Kunsmatige intelligensie is hoëtegnologie en die kernbegrippe daarvan hou verband met wiskunde en rekenaarwetenskap.Opleiding van gesondheidsorgpersoneel om kunsmatige intelligensie te verstaan, bied unieke uitdagings in inhoudkeuse, kliniese relevansie en afleweringsmetodes.Ons hoop dat die insigte wat verkry is uit die KI-in Onderwys-werkswinkels toekomstige opvoeders sal help om innoverende maniere te omhels om KI in mediese onderwys te integreer.
Die Google Colaboratory Python-skrip is oopbron en beskikbaar by: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG en Khan, S. Heroorweging van mediese onderwys: 'n oproep tot aksie.Akkad.medisyne.88, 1407–1410 (2013).
McCoy, LG ens. Wat moet mediese studente werklik oor kunsmatige intelligensie weet?NPZh nommers.Medicine 3, 1–3 (2020).
Dos Santos, DP, et al.Mediese studente se houding 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.leer.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).
Street, WN, Wolberg, WH en Mangasarian, OL.Kernfunksie ekstraksie vir bors tumor diagnose.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 Internasionale Konferensie oor Rekenaarvisie, 618–626 (2017).
Kumaravel B, Stewart K en Ilic D. Ontwikkeling en evaluering van 'n spiraalmodel vir die assessering van bewysgebaseerde medisynebevoegdhede deur gebruik te maak van OVSE in voorgraadse mediese onderwys.BMK Medisyne.leer.21, 1–9 (2021).
Kolachalama VB en Garg PS Masjienleer en mediese onderwys.NPZh nommers.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 Hoëprestasie medisyne: die konvergensie van menslike en kunsmatige intelligensie.Nat.medisyne.25, 44–56 (2019).
Bede, E. et al.Mensgesentreerde evaluering van 'n diepleerstelsel 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 omgekeerde klaskamer in ingenieursonderwys: 'n navorsingsoorsig.Verrigtinge van die 2015 Internasionale Konferensie oor Interaktiewe Samewerkende Leer (2015).
Die skrywers bedank Danielle Walker, Tim Salcudin en Peter Zandstra van die Biomediese Beelding en Kunsmatige Intelligensie Navorsingskluster aan die Universiteit van Brits-Columbië vir ondersteuning en befondsing.
RH, PP, ZH, RS en MA was verantwoordelik vir die ontwikkeling van die werkswinkelonderriginhoud.RH en PP was verantwoordelik vir die ontwikkeling van die programmeringsvoorbeelde.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 tabelle.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS was verantwoordelik vir die opstel en redigeer van die dokument.
Kommunikasiegeneeskunde bedank Carolyn McGregor, Fabio Moraes en Aditya Borakati vir hul bydraes tot die hersiening van hierdie werk.
Postyd: 19 Februarie 2024