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 dat u die versoenbaarheidsmodus in Internet Explorer afskakel). Intussen, om voortgesette 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 aangebied het en maak aanbevelings vir toekomstige opleiding.
Kunsmatige intelligensie (KI) in medisyne kan werkplekdoeltreffendheid 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 kommentare 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. Die onderrig van kunsmatige intelligensie aan 'n mediese gehoor vereis noukeurige ontwerp wat tegniese en nie-tegniese konsepte kombineer vir studente wat dikwels uitgebreide vorige kennis 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 tussen Februarie 2019 en April 2021 gehou. '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-antwoord-periode. Die grys afdeling is die fokus van die kort literatuuroorsig. Die oranje afdelings is geselekteerde gevallestudies wat kunsmatige intelligensie-modelle of -tegnieke beskryf. Groen 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 na gelang 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 terugvoer gegee4. As gevolg van COVID-19 is die tweede werkswinkel virtueel in Oktober-November 2020 gehou, met 222 mediese studente en 3 inwoners van 8 Kanadese mediese skole wat geregistreer het. Aanbiedingsskyfies en kode is opgelaai na 'n ooptoegangwebwerf (http://ubcaimed.github.io). Die belangrikste terugvoer van die eerste iterasie was dat die lesings te intens en die materiaal te teoreties was. Om Kanada se ses verskillende tydsones te bedien, bied bykomende uitdagings. Dus het die tweede werkswinkel elke sessie tot 1 uur verkort, die kursusmateriaal vereenvoudig, meer gevallestudies bygevoeg en standaardprogramme geskep wat deelnemers toegelaat het om kodebrokkies met minimale ontfouting te voltooi (Blokkie 1). Belangrike terugvoer 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 virtueel 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.
Dimensionaliteitsreduksie: Die proses om data met baie individuele kenmerke in minder kenmerke te omskep terwyl die belangrike eienskappe van die oorspronklike datastel behoue bly.
Eienskappe (in die konteks van kunsmatige intelligensie): meetbare eienskappe van 'n monster. Word dikwels uitruilbaar gebruik met "eienskap" of "veranderlike".
Gradiëntaktiveringskaart: 'n Tegniek wat gebruik word om kunsmatige intelligensiemodelle (veral konvolusionele neurale netwerke) te interpreteer, wat die proses van die optimalisering van die laaste deel van die netwerk ontleed om data- of beeldstreke 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): die waarneming van hoe 'n model 'n taak uitvoer met behulp van data wat dit nog nie voorheen teëgekom het nie.
Opleiding (in die konteks van kunsmatige intelligensie): Om 'n model van data en resultate te voorsien sodat die model sy interne parameters aanpas om sy vermoë om take met behulp van nuwe data uit te voer, te optimaliseer.
Vektor: skikking van data. In masjienleer is elke skikkingselement gewoonlik 'n unieke kenmerk van die steekproef.
Tabel 1 lys die nuutste 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 verder as 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 statistieke. Alhoewel data-analise die fondament van kunsmatige intelligensie is, sluit ons onderwerpe soos data-ontginning, betekenistoetsing of interaktiewe visualisering uit. Dit was as gevolg van tydsbeperkings en ook omdat sommige voorgraadse studente vorige opleiding in biostatistiek gehad het en meer unieke masjienleeronderwerpe 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. voorgestel is, te interpreteer, wat 'n kunsmatige intelligensie-besluitboomalgoritme geïmplementeer het om te bepaal of 'n CT-skandering nuttig sou wees op grond van 'n dokter se ondersoek. Ons beklemtoon dat dit 'n algemene voorbeeld is van KI wat voorspellende analise vir dokters verskaf om te interpreteer, eerder as om dokters te vervang.
In die beskikbare oopbron-bootstrap-programmeringsvoorbeelde (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demonstreer ons hoe om verkennende data-analise, dimensionaliteitsreduksie, standaardmodellaai, en opleiding en toetsing uit te voer. Ons gebruik Google Colaboratory-notaboeke (Google LLC, Mountain View, CA), wat dit moontlik maak om Python-kode vanaf 'n webblaaier uitgevoer te word. In Fig. 2 verskaf Fig. 2 'n voorbeeld van 'n programmeringsoefening. Hierdie oefening behels die voorspelling van maligniteite met behulp van die Wisconsin Open Breast Imaging Dataset6 en 'n besluitboom-algoritme.
Bied programme dwarsdeur die week aan oor verwante onderwerpe en kies voorbeelde uit gepubliseerde KI-toepassings. Programmeringselemente word slegs ingesluit indien dit as relevant beskou word om insig in toekomstige kliniese praktyk te bied, 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 as goedaardig of kwaadaardig klassifiseer op grond van mediese beeldparameters.
Heterogeniteit van vorige kennis. Ons deelnemers het gewissel in hul vlak van wiskundige kennis. Studente met gevorderde ingenieursagtergronde soek byvoorbeeld na meer diepgaande materiaal, soos hoe om hul eie Fourier-transformasies uit te voer. Dit is egter nie moontlik om die Fourier-algoritme in die klas te bespreek nie, want dit vereis diepgaande kennis van seinverwerking.
Uitvloei van bywoning. Bywoning van opvolgvergaderings het afgeneem, veral in aanlynformate. 'n Oplossing kan wees om bywoning na te spoor en 'n sertifikaat van voltooiing te verskaf. Mediese skole is bekend daarvoor dat hulle transkripsies van studente se buitemuurse akademiese aktiwiteite erken, wat studente kan aanmoedig om 'n graad te volg.
Kursusontwerp: Omdat KI soveel subvelde omvat, kan die keuse van kernkonsepte van toepaslike diepte en breedte uitdagend wees. Byvoorbeeld, die kontinuïteit van die gebruik van KI-instrumente van die laboratorium tot die kliniek is 'n belangrike onderwerp. Terwyl ons data-voorverwerking, modelbou en validering dek, sluit ons nie onderwerpe soos groot data-analise, interaktiewe visualisering of die uitvoering van KI-kliniese proewe in nie, maar fokus eerder op die mees unieke KI-konsepte. Ons leidende beginsel is om geletterdheid te verbeter, nie vaardighede nie. Byvoorbeeld, om te verstaan hoe 'n model invoerkenmerke 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 kalkulus en kan nie bekendgestel word nie8. Die ontwikkeling van 'n algemene terminologie was uitdagend omdat ons probeer verduidelik het 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 "attribuut".
Kennisbehoud. 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 probleem aan te spreek, verduidelik ons die beperkings van KI, insluitend die feit dat byna alle KI-tegnologieë wat deur reguleerders goedgekeur word, mediese toesig vereis11. Ons beklemtoon ook die belangrikheid van vooroordeel omdat algoritmes geneig is tot vooroordeel, veral as die datastel nie divers is12. Gevolglik kan 'n sekere subgroep verkeerd gemodelleer word, wat lei tot onbillike kliniese besluite.
Hulpbronne is publiek beskikbaar: Ons het publiek beskikbare hulpbronne geskep, insluitend lesingskyfies en kode. Alhoewel toegang tot sinchrone inhoud beperk is as gevolg van tydsones, is oopbroninhoud 'n gerieflike metode vir asinchrone 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 gebiede, wat deelnemers in staat stel om die potensiële rol wat hulle in die toekoms kan bydra, te verstaan.
Definieer KI-kernkompetensies. Die definisie van 'n lys van bevoegdhede bied 'n gestandaardiseerde struktuur wat in bestaande bevoegdheidsgebaseerde mediese kurrikulums geïntegreer kan word. Hierdie werkswinkel gebruik tans Leerdoelwitvlakke 2 (Begrip), 3 (Toepassing) en 4 (Analise) van Bloom se Taksonomie. Die besit van hulpbronne op hoër vlakke van klassifikasie, soos die skep van projekte, kan kennis verder versterk. Dit vereis samewerking met kliniese kundiges om te bepaal hoe KI-onderwerpe op kliniese werkvloeie toegepas kan word en die onderrig van herhalende onderwerpe wat reeds in standaard mediese kurrikulums ingesluit is, te voorkom.
Skep gevallestudies met behulp van KI. Soortgelyk aan kliniese voorbeelde, kan gevallestudie-gebaseerde abstrakte konsepte versterk deur hul relevansie vir kliniese vrae uit te lig. Byvoorbeeld, een werkswinkelstudie het Google se KI-gebaseerde diabetiese retinopatie-opsporingstelsel 13 geanaliseer 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 stagiairs. Een moontlike oplossing is die omgekeerde klaskamermodel, wat na bewering kennisretensie in ingenieursopleiding verbeter14. In hierdie model hersien studente teoretiese materiaal onafhanklik en klastyd word gewy aan die oplossing van probleme deur middel van gevallestudies.
Skaalbaarheid vir multidissiplinêre deelnemers: Ons voorsien dat die aanvaarding van KI samewerking tussen verskeie dissiplines behels, insluitend dokters en verwante gesondheidswerkers met verskillende vlakke van opleiding. Daarom moet kurrikulums moontlik in oorleg met fakulteit van verskillende departemente ontwikkel word om hul inhoud aan te pas by verskillende areas van gesondheidsorg.
Kunsmatige intelligensie is hoëtegnologie en die kernkonsepte daarvan hou verband met wiskunde en rekenaarwetenskap. Die opleiding van gesondheidsorgpersoneel om kunsmatige intelligensie te verstaan, bied unieke uitdagings in inhoudkeuse, kliniese relevansie en afleweringsmetodes. Ons hoop dat die insigte wat uit die KI in Onderwys-werkswinkels verkry word, toekomstige opvoeders sal help om innoverende maniere te omarm om KI in mediese onderwys te integreer.
Die Google Collaboratory Python-skrip is oopbron en beskikbaar by: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG en Khan, S. Herbesinning oor mediese onderwys: 'n oproep tot aksie. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG ens. Wat moet mediese studente werklik weet oor kunsmatige intelligensie? NPZh-syfers. Geneeskunde 3, 1–3 (2020).
Dos Santos, DP, et al. Mediese studente se houdings teenoor kunsmatige intelligensie: 'n multisentrum-opname. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., en Singla, R. Inleiding tot masjienleer vir mediese studente: 'n loodsprojek. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identifisering van kinders met 'n baie lae risiko vir klinies beduidende breinbesering na kopbesering: 'n prospektiewe kohortstudie. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH en Mangasarian, OL. Kernkenmerk-ekstraksie vir borsgewasdiagnose. 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 gradiëntgebaseerde 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 medisyne-bevoegdhede met behulp van OSCE in voorgraadse mediese opleiding. BMK Medicine. teach. 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. medicine. 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 omgekeerde klaskamer in ingenieursonderwys: 'n Navorsingsoorsig. Verrigtinge van die 2015 Internasionale Konferensie oor Interaktiewe Samewerkende Leer (2015).
Die outeurs bedank Danielle Walker, Tim Salcudin en Peter Zandstra van die Biomediese Beelding en Kunsmatige Intelligensie Navorsingskluster aan die Universiteit van British Columbia 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 redigering van die dokument.
Kommunikasiegeneeskunde bedank Carolyn McGregor, Fabio Moraes en Aditya Borakati vir hul bydraes tot die oorsig van hierdie werk.
Plasingstyd: 19 Februarie 2024