Terima kasih kerana melawat Nature.com. Versi penyemak imbas yang anda gunakan mempunyai sokongan CSS terhad. Untuk hasil yang terbaik, kami mengesyorkan menggunakan versi penyemak imbas anda yang lebih baru (atau mematikan mod keserasian di Internet Explorer). Sementara itu, untuk memastikan sokongan berterusan, kami menunjukkan tapak tanpa gaya atau JavaScript.
Aplikasi kecerdasan buatan klinikal (AI) berkembang pesat, tetapi kurikulum sekolah perubatan yang sedia ada menawarkan pengajaran terhad yang meliputi kawasan ini. Di sini kami menerangkan kursus latihan kecerdasan buatan yang kami usahakan dan dihantar kepada pelajar perubatan Kanada dan membuat cadangan untuk latihan masa depan.
Kecerdasan Buatan (AI) dalam bidang perubatan dapat meningkatkan kecekapan tempat kerja dan bantuan membuat keputusan klinikal. Untuk membimbing penggunaan kecerdasan buatan dengan selamat, doktor mesti mempunyai pemahaman tentang kecerdasan buatan. Banyak komen menganjurkan pengajaran AI Concepts1, seperti menerangkan model AI dan proses pengesahan2. Walau bagaimanapun, beberapa rancangan berstruktur telah dilaksanakan, terutamanya di peringkat kebangsaan. Pinto Dos Santos et al.3. 263 pelajar perubatan ditinjau dan 71% bersetuju bahawa mereka memerlukan latihan dalam kecerdasan buatan. Mengajar kecerdasan buatan kepada penonton perubatan memerlukan reka bentuk yang teliti yang menggabungkan konsep teknikal dan bukan teknikal untuk pelajar yang sering mempunyai pengetahuan yang luas. Kami menerangkan pengalaman kami menyampaikan siri bengkel AI kepada tiga kumpulan pelajar perubatan dan membuat cadangan untuk pendidikan perubatan masa depan di AI.
Pengenalan lima minggu kami untuk Bengkel Perubatan Buatan Buatan untuk Pelajar Perubatan telah diadakan tiga kali antara Februari 2019 dan April 2021. Jadual bagi setiap bengkel, dengan penerangan ringkas tentang perubahan kursus, ditunjukkan dalam Rajah 1. Kursus kami telah Tiga objektif pembelajaran utama: Pelajar memahami bagaimana data diproses dalam aplikasi kecerdasan buatan, menganalisis kesusasteraan kecerdasan buatan untuk aplikasi klinikal, dan memanfaatkan peluang untuk bekerjasama dengan jurutera yang membangunkan kecerdasan buatan.
Biru adalah topik kuliah dan biru muda adalah soalan interaktif dan tempoh jawapan. Bahagian kelabu adalah tumpuan kajian sastera ringkas. Bahagian oren adalah kajian kes yang dipilih yang menggambarkan model atau teknik kecerdasan buatan. Hijau adalah kursus pengaturcaraan berpandu yang direka untuk mengajar kecerdasan buatan untuk menyelesaikan masalah klinikal dan menilai model. Kandungan dan tempoh bengkel berbeza -beza berdasarkan penilaian keperluan pelajar.
Bengkel pertama diadakan di University of British Columbia dari Februari hingga April 2019, dan kesemua 8 peserta memberikan maklum balas positif4. Disebabkan Covid-19, bengkel kedua diadakan hampir pada Oktober-November 2020, dengan 222 pelajar perubatan dan 3 penduduk dari 8 sekolah perubatan Kanada yang mendaftar. Slaid dan kod persembahan telah dimuat naik ke tapak akses terbuka (http://ubcaimed.github.io). Maklum balas utama dari lelaran pertama adalah bahawa kuliahnya terlalu sengit dan bahan terlalu teori. Melayan enam zon waktu yang berbeza di Kanada menimbulkan cabaran tambahan. Oleh itu, bengkel kedua memendekkan setiap sesi hingga 1 jam, memudahkan bahan kursus, menambah lebih banyak kajian kes, dan mencipta program boilerplate yang membolehkan peserta menyelesaikan coretan kod dengan debugging minimum (Kotak 1). Maklum balas utama dari lelaran kedua termasuk maklum balas positif mengenai latihan pengaturcaraan dan permintaan untuk menunjukkan perancangan untuk projek pembelajaran mesin. Oleh itu, dalam bengkel ketiga kami, yang diadakan hampir untuk 126 pelajar perubatan pada bulan Mac-April 2021, kami memasukkan lebih banyak latihan pengekodan interaktif dan sesi maklum balas projek untuk menunjukkan kesan menggunakan konsep bengkel mengenai projek.
Analisis Data: Bidang kajian dalam statistik yang mengenal pasti corak yang bermakna dalam data dengan menganalisis, memproses, dan menyampaikan corak data.
Perlombongan Data: Proses mengenal pasti dan mengekstrak data. Dalam konteks kecerdasan buatan, ini sering besar, dengan pelbagai pembolehubah untuk setiap sampel.
Pengurangan Dimensi: Proses mengubah data dengan banyak ciri individu ke dalam ciri -ciri yang lebih sedikit sambil mengekalkan sifat -sifat penting set data asal.
Ciri -ciri (dalam konteks kecerdasan buatan): sifat -sifat yang boleh diukur sampel. Sering digunakan secara bergantian dengan "harta" atau "pembolehubah".
Peta Pengaktifan Kecerunan: Teknik yang digunakan untuk mentafsirkan model kecerdasan buatan (terutamanya rangkaian saraf konvensional), yang menganalisis proses mengoptimumkan bahagian terakhir rangkaian untuk mengenal pasti kawasan data atau imej yang sangat diramal.
Model Standard: Model AI sedia ada yang telah terlatih untuk melaksanakan tugas yang sama.
Ujian (dalam konteks kecerdasan buatan): Mengamati bagaimana model melakukan tugas menggunakan data yang tidak pernah ditemui sebelum ini.
Latihan (dalam konteks kecerdasan buatan): Menyediakan model dengan data dan hasil supaya model menyesuaikan parameter dalamannya untuk mengoptimumkan keupayaannya untuk melaksanakan tugas menggunakan data baru.
Vektor: pelbagai data. Dalam pembelajaran mesin, setiap elemen array biasanya merupakan ciri unik sampel.
Jadual 1 menyenaraikan kursus terkini untuk April 2021, termasuk objektif pembelajaran yang disasarkan untuk setiap topik. Bengkel ini bertujuan untuk mereka yang baru ke tahap teknikal dan tidak memerlukan pengetahuan matematik di luar tahun pertama ijazah perubatan sarjana muda. Kursus ini dibangunkan oleh 6 pelajar perubatan dan 3 guru dengan ijazah lanjutan dalam kejuruteraan. Jurutera sedang membangunkan teori kecerdasan buatan untuk mengajar, dan pelajar perubatan belajar bahan yang berkaitan dengan klinikal.
Bengkel termasuk kuliah, kajian kes, dan pengaturcaraan berpandu. Dalam kuliah pertama, kami mengkaji semula konsep analisis data yang dipilih dalam biostatistik, termasuk visualisasi data, regresi logistik, dan perbandingan statistik deskriptif dan induktif. Walaupun analisis data adalah asas kecerdasan buatan, kami mengecualikan topik seperti perlombongan data, ujian penting, atau visualisasi interaktif. Ini disebabkan oleh kekangan masa dan juga kerana sesetengah pelajar sarjana mempunyai latihan terlebih dahulu dalam biostatistik dan ingin merangkumi topik pembelajaran mesin yang lebih unik. Ceramah berikutnya memperkenalkan kaedah moden dan membincangkan perumusan masalah AI, kelebihan dan batasan model AI, dan ujian model. Ceramah ini dilengkapi dengan kesusasteraan dan penyelidikan praktikal mengenai peranti kecerdasan buatan yang sedia ada. Kami menekankan kemahiran yang diperlukan untuk menilai keberkesanan dan kemungkinan model untuk menangani soalan -soalan klinikal, termasuk memahami batasan peranti kecerdasan buatan yang sedia ada. Sebagai contoh, kami meminta pelajar untuk mentafsirkan garis panduan kecederaan kepala pediatrik yang dicadangkan oleh Kupperman et al., 5 yang melaksanakan algoritma pokok keputusan kecerdasan buatan untuk menentukan sama ada imbasan CT berguna berdasarkan peperiksaan doktor. Kami menekankan bahawa ini adalah contoh biasa AI yang menyediakan analisis ramalan untuk doktor untuk mentafsirkan, bukannya menggantikan doktor.
Dalam contoh pengaturcaraan bootstrap sumber terbuka yang tersedia (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), kami menunjukkan cara melakukan analisis data penerokaan, pengurangan dimensi, beban model standard, dan latihan . dan ujian. Kami menggunakan Notebook Google Colaboratory (Google LLC, Mountain View, CA), yang membolehkan kod Python dilaksanakan dari pelayar web. Dalam Rajah Rajah 2 memberikan contoh latihan pengaturcaraan. Latihan ini melibatkan meramalkan keganasan menggunakan dataset pengimejan payudara terbuka Wisconsin dan algoritma pokok keputusan.
Program semasa sepanjang minggu mengenai topik yang berkaitan dan pilih contoh dari aplikasi AI yang diterbitkan. Unsur -unsur pengaturcaraan hanya dimasukkan jika mereka dianggap relevan untuk memberikan gambaran tentang amalan klinikal masa depan, seperti cara menilai model untuk menentukan sama ada mereka bersedia untuk digunakan dalam ujian klinikal. Contoh-contoh ini memuncak dalam aplikasi end-to-end sepenuhnya yang mengklasifikasikan tumor sebagai jinak atau malignan berdasarkan parameter imej perubatan.
Heterogenitas pengetahuan terdahulu. Peserta kami bervariasi dalam tahap pengetahuan matematik mereka. Sebagai contoh, pelajar dengan latar belakang kejuruteraan maju mencari bahan yang lebih mendalam, seperti bagaimana melakukan perubahan Fourier mereka sendiri. Walau bagaimanapun, membincangkan algoritma Fourier dalam kelas tidak mungkin kerana ia memerlukan pengetahuan mendalam tentang pemprosesan isyarat.
Aliran keluar kehadiran. Kehadiran pada mesyuarat susulan merosot, terutamanya dalam format dalam talian. Penyelesaiannya adalah untuk mengesan kehadiran dan menyediakan sijil siap. Sekolah -sekolah perubatan dikenali untuk mengiktiraf transkrip aktiviti akademik ekstrakurikuler pelajar, yang boleh menggalakkan pelajar untuk mengikuti ijazah.
Reka Bentuk Kursus: Kerana AI merangkumi begitu banyak subfields, memilih konsep teras kedalaman dan keluasan yang sesuai boleh mencabar. Sebagai contoh, kesinambungan penggunaan alat AI dari makmal ke klinik adalah topik penting. Walaupun kami meliputi pra -proses data, bangunan model, dan pengesahan, kami tidak memasukkan topik seperti analisis data besar, visualisasi interaktif, atau menjalankan ujian klinikal AI, sebaliknya kami memberi tumpuan kepada konsep AI yang paling unik. Prinsip panduan kami adalah untuk meningkatkan literasi, bukan kemahiran. Sebagai contoh, memahami bagaimana model memproses ciri input adalah penting untuk tafsiran. Salah satu cara untuk melakukan ini adalah dengan menggunakan peta pengaktifan kecerunan, yang dapat memvisualisasikan kawasan mana data yang dapat diramalkan. Walau bagaimanapun, ini memerlukan kalkulus multivariate dan tidak boleh diperkenalkan8. Membangunkan istilah biasa adalah mencabar kerana kami cuba menjelaskan cara bekerja dengan data sebagai vektor tanpa formalisme matematik. Perhatikan bahawa istilah yang berbeza mempunyai makna yang sama, sebagai contoh, dalam epidemiologi, "ciri" digambarkan sebagai "pembolehubah" atau "atribut."
Pengekalan pengetahuan. Kerana permohonan AI adalah terhad, sejauh mana peserta mengekalkan pengetahuan masih dapat dilihat. Kurikulum sekolah perubatan sering bergantung kepada pengulangan jarak untuk mengukuhkan pengetahuan semasa putaran praktikal, 9 yang juga boleh digunakan untuk pendidikan AI.
Profesionalisme lebih penting daripada literasi. Kedalaman bahan ini direka tanpa keteguhan matematik, yang menjadi masalah ketika melancarkan kursus klinikal dalam kecerdasan buatan. Dalam contoh pengaturcaraan, kami menggunakan program templat yang membolehkan para peserta mengisi bidang dan menjalankan perisian tanpa perlu memikirkan cara untuk menubuhkan persekitaran pengaturcaraan yang lengkap.
Kebimbangan mengenai kecerdasan buatan yang ditangani: Terdapat kebimbangan yang meluas bahawa kecerdasan buatan dapat menggantikan beberapa tugas klinikal3. Untuk menangani isu ini, kami menerangkan batasan AI, termasuk hakikat bahawa hampir semua teknologi AI yang diluluskan oleh pengawal selia memerlukan pengawasan doktor11. Kami juga menekankan pentingnya kecenderungan kerana algoritma terdedah kepada kecenderungan, terutamanya jika set data tidak beragam12. Oleh itu, subkumpulan tertentu boleh dimodelkan dengan tidak betul, yang membawa kepada keputusan klinikal yang tidak adil.
Sumber tersedia secara terbuka: Kami telah mencipta sumber yang tersedia secara terbuka, termasuk slaid kuliah dan kod. Walaupun akses kepada kandungan segerak adalah terhad kerana zon waktu, kandungan sumber terbuka adalah kaedah yang mudah untuk pembelajaran asynchronous sejak kepakaran AI tidak tersedia di semua sekolah perubatan.
Kerjasama Interdisipliner: Bengkel ini adalah usaha sama yang dimulakan oleh pelajar perubatan untuk merancang kursus bersama -sama dengan jurutera. Ini menunjukkan peluang kerjasama dan jurang pengetahuan di kedua -dua bidang, yang membolehkan para peserta memahami peranan yang berpotensi yang dapat mereka sumbangkan pada masa akan datang.
Tentukan kecekapan teras AI. Mendefinisikan senarai kecekapan menyediakan struktur piawai yang boleh diintegrasikan ke dalam kurikulum perubatan berasaskan kecekapan yang sedia ada. Bengkel ini kini menggunakan Tahap Objektif Pembelajaran 2 (pemahaman), 3 (aplikasi), dan 4 (analisis) taksonomi Bloom. Mempunyai sumber pada tahap klasifikasi yang lebih tinggi, seperti membuat projek, dapat mengukuhkan lagi pengetahuan. Ini memerlukan bekerja dengan pakar klinikal untuk menentukan bagaimana topik AI boleh digunakan untuk aliran kerja klinikal dan menghalang pengajaran topik berulang yang telah dimasukkan dalam kurikulum perubatan standard.
Buat kajian kes menggunakan AI. Sama seperti contoh klinikal, pembelajaran berasaskan kes dapat memperkuat konsep abstrak dengan menonjolkan kaitannya dengan soalan klinikal. Sebagai contoh, satu kajian bengkel menganalisis sistem pengesanan retinopati diabetes berasaskan AI Google 13 untuk mengenal pasti cabaran di sepanjang jalan dari makmal ke klinik, seperti keperluan pengesahan luaran dan laluan kelulusan pengawalseliaan.
Gunakan pembelajaran pengalaman: Kemahiran teknikal memerlukan amalan fokus dan aplikasi berulang untuk menguasai, sama dengan pengalaman pembelajaran berputar pelatih klinikal. Satu penyelesaian yang berpotensi ialah model kelas yang dibalik, yang telah dilaporkan meningkatkan pengekalan pengetahuan dalam pendidikan kejuruteraan14. Dalam model ini, pelajar mengkaji bahan teoretikal secara bebas dan masa kelas dikhaskan untuk menyelesaikan masalah melalui kajian kes.
Skala untuk peserta pelbagai disiplin: Kami membayangkan penggunaan AI yang melibatkan kerjasama merentasi pelbagai disiplin, termasuk pakar perubatan dan profesional kesihatan bersekutu dengan tahap latihan yang berbeza -beza. Oleh itu, kurikulum mungkin perlu dibangunkan dengan berunding dengan fakulti dari pelbagai jabatan untuk menyesuaikan kandungan mereka ke bidang penjagaan kesihatan yang berlainan.
Kecerdasan buatan adalah berteknologi tinggi dan konsep terasnya berkaitan dengan matematik dan sains komputer. Latihan kakitangan penjagaan kesihatan untuk memahami kecerdasan buatan memberikan cabaran unik dalam pemilihan kandungan, kaitan klinikal, dan kaedah penyampaian. Kami berharap bahawa pandangan yang diperoleh dari AI dalam bengkel pendidikan akan membantu pendidik masa depan merangkumi cara inovatif untuk mengintegrasikan AI ke dalam pendidikan perubatan.
Skrip Python Google Colaboratory adalah sumber terbuka dan boleh didapati di: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, Kg dan Khan, S. Memikirkan semula Pendidikan Perubatan: Panggilan untuk Tindakan. Akkad. ubat. 88, 1407-1410 (2013).
McCoy, LG dan lain -lain. Apa yang perlu diketahui oleh pelajar perubatan mengenai kecerdasan buatan? Nombor NPZH. Perubatan 3, 1-3 (2020).
Dos Santos, DP, et al. Sikap pelajar perubatan terhadap kecerdasan buatan: tinjauan multisenter. Euro. radiasi. 29, 1640-1646 (2019).
Fan, KY, Hu, R., dan Singla, R. Pengenalan kepada pembelajaran mesin untuk pelajar perubatan: projek perintis. J. Med. mengajar. 54, 1042-1043 (2020).
Cooperman N, et al. Mengenal pasti kanak -kanak dengan risiko kecederaan otak yang sangat rendah secara klinikal selepas kecederaan kepala: kajian kohort prospektif. Lancet 374, 1160-1170 (2009).
Jalan, WN, Wolberg, WH dan Mangasarian, OL. Pengekstrakan ciri nuklear untuk diagnosis tumor payudara. Sains Biomedikal. Pemprosesan imej. Sains Biomedikal. Weiss. 1905, 861-870 (1993).
Chen, PHC, Liu, Y. dan Peng, L. Bagaimana untuk membangunkan model pembelajaran mesin untuk penjagaan kesihatan. Nat. Matt. 18, 410-414 (2019).
Selvaraju, RR et al. Grad-Cam: Tafsiran visual rangkaian dalam melalui lokalisasi berasaskan kecerunan. Prosiding Persidangan Antarabangsa IEEE mengenai Visi Komputer, 618-626 (2017).
Kumaravel B, Stewart K dan Ilic D. Pembangunan dan penilaian model lingkaran untuk menilai kecekapan perubatan berasaskan bukti menggunakan OSCE dalam pendidikan perubatan sarjana. Perubatan BMK. mengajar. 21, 1-9 (2021).
Kolachalama VB dan Garg PS Pembelajaran Mesin dan Pendidikan Perubatan. Nombor NPZH. ubat. 1, 1-3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. dan De Rooy, M. Kecerdasan buatan dalam radiologi: 100 produk komersial dan bukti saintifik mereka. Euro. radiasi. 31, 3797-3804 (2021).
TOPOL, EJ Perubatan berprestasi tinggi: Konvergensi kecerdasan manusia dan buatan. Nat. ubat. 25, 44-56 (2019).
Bede, E. et al. Penilaian berpusatkan manusia terhadap sistem pembelajaran mendalam yang digunakan di klinik untuk mengesan retinopati diabetes. Prosiding Persidangan Chi 2020 mengenai Faktor Manusia dalam Sistem Pengkomputeran (2020).
Kerr, B. Kelas yang dibalikkan dalam Pendidikan Kejuruteraan: Kajian Penyelidikan. Prosiding Persidangan Antarabangsa 2015 mengenai Pembelajaran Kerjasama Interaktif (2015).
Penulis mengucapkan terima kasih kepada Danielle Walker, Tim Salcudin, dan Peter Zandstra dari pengimejan bioperubatan dan kluster penyelidikan kecerdasan buatan di University of British Columbia untuk sokongan dan pembiayaan.
RH, PP, ZH, RS dan MA bertanggungjawab untuk membangunkan kandungan pengajaran bengkel. RH dan PP bertanggungjawab untuk membangunkan contoh pengaturcaraan. KYF, OY, MT dan PW bertanggungjawab untuk organisasi logistik projek dan analisis bengkel. RH, OY, MT, RS bertanggungjawab untuk mewujudkan angka dan jadual. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS bertanggungjawab untuk merangka dan menyunting dokumen.
Perubatan Komunikasi Terima kasih Carolyn McGregor, Fabio Moraes, dan Aditya Borakati atas sumbangan mereka untuk mengkaji semula kerja ini.
Masa Post: Feb-19-2024