Terima kasih kerana melayari Nature.com. Versi pelayar yang anda gunakan mempunyai sokongan CSS yang terhad. Untuk hasil terbaik, kami mengesyorkan menggunakan versi pelayar anda yang lebih baharu (atau mematikan mod keserasian dalam Internet Explorer). Sementara itu, bagi memastikan sokongan berterusan, kami memaparkan laman web ini tanpa penggayaan atau JavaScript.
Aplikasi kecerdasan buatan (AI) klinikal berkembang pesat, tetapi kurikulum sekolah perubatan sedia ada menawarkan pengajaran yang terhad yang merangkumi bidang ini. Di sini kami menerangkan kursus latihan kecerdasan buatan yang kami bangunkan dan sampaikan kepada pelajar perubatan Kanada dan membuat cadangan untuk latihan masa hadapan.
Kecerdasan Buatan (AI) dalam perubatan boleh meningkatkan kecekapan tempat kerja dan membantu membuat keputusan klinikal. Untuk membimbing penggunaan kecerdasan buatan dengan selamat, doktor mesti mempunyai sedikit pemahaman tentang kecerdasan buatan. Banyak komen menyokong pengajaran konsep AI1, seperti menerangkan model AI dan proses pengesahan2. Walau bagaimanapun, hanya sedikit pelan berstruktur yang telah dilaksanakan, terutamanya di peringkat kebangsaan. Pinto dos Santos et al.3. 263 pelajar perubatan telah ditinjau dan 71% bersetuju bahawa mereka memerlukan latihan dalam kecerdasan buatan. Mengajar kecerdasan buatan kepada khalayak perubatan memerlukan reka bentuk yang teliti yang menggabungkan konsep teknikal dan bukan teknikal untuk pelajar yang selalunya mempunyai pengetahuan terdahulu yang luas. Kami menerangkan pengalaman kami dalam menyampaikan satu siri bengkel AI kepada tiga kumpulan pelajar perubatan dan membuat cadangan untuk pendidikan perubatan masa depan dalam AI.
Bengkel Pengenalan Kecerdasan Buatan dalam Perubatan selama lima minggu untuk pelajar perubatan telah diadakan tiga kali antara Februari 2019 dan April 2021. Jadual untuk setiap bengkel, dengan penerangan ringkas tentang perubahan pada kursus, ditunjukkan dalam Rajah 1. Kursus kami mempunyai tiga objektif pembelajaran utama: pelajar memahami bagaimana data diproses dalam aplikasi kecerdasan buatan, menganalisis literatur kecerdasan buatan untuk aplikasi klinikal dan memanfaatkan peluang untuk bekerjasama dengan jurutera yang membangunkan kecerdasan buatan.
Biru ialah topik kuliah dan biru muda ialah sesi soal jawab interaktif. Bahagian kelabu ialah fokus tinjauan literatur ringkas. Bahagian oren ialah kajian kes terpilih yang menerangkan model atau teknik kecerdasan buatan. Hijau ialah kursus pengaturcaraan berpandu yang direka untuk mengajar kecerdasan buatan bagi menyelesaikan masalah klinikal dan menilai model. Kandungan dan tempoh bengkel berbeza-beza berdasarkan penilaian keperluan pelajar.
Bengkel pertama telah diadakan di Universiti British Columbia dari Februari hingga April 2019, dan kesemua 8 peserta memberikan maklum balas positif4. Disebabkan oleh COVID-19, bengkel kedua telah diadakan secara maya pada Oktober-November 2020, dengan 222 pelajar perubatan dan 3 residen dari 8 sekolah perubatan Kanada mendaftar. Slaid pembentangan dan kod telah dimuat naik ke laman akses terbuka (http://ubcaimed.github.io). Maklum balas utama daripada lelaran pertama ialah kuliah terlalu intensif dan bahan terlalu teori. Melayan enam zon waktu Kanada yang berbeza menimbulkan cabaran tambahan. Oleh itu, bengkel kedua memendekkan setiap sesi kepada 1 jam, memudahkan bahan kursus, menambah lebih banyak kajian kes dan mencipta program boilerplate yang membolehkan peserta melengkapkan coretan kod dengan penyahpepijatan minimum (Kotak 1). Maklum balas utama daripada 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 secara maya untuk 126 pelajar perubatan pada Mac-April 2021, kami memasukkan lebih banyak latihan pengekodan interaktif dan sesi maklum balas projek untuk menunjukkan impak penggunaan konsep bengkel terhadap projek.
Analisis Data: Bidang pengajian dalam statistik yang mengenal pasti corak bermakna dalam data dengan menganalisis, memproses dan menyampaikan corak data.
Perlombongan data: proses mengenal pasti dan mengekstrak data. Dalam konteks kecerdasan buatan, ini selalunya besar, dengan pelbagai pembolehubah untuk setiap sampel.
Pengurangan dimensi: Proses mengubah data dengan banyak ciri individu kepada ciri yang lebih sedikit sambil mengekalkan sifat penting set data asal.
Ciri-ciri (dalam konteks kecerdasan buatan): sifat sampel yang boleh diukur. Sering digunakan secara bergantian dengan "sifat" atau "pembolehubah".
Peta Pengaktifan Kecerunan: Teknik yang digunakan untuk mentafsir model kecerdasan buatan (terutamanya rangkaian saraf konvolusi), yang menganalisis proses pengoptimuman bahagian terakhir rangkaian untuk mengenal pasti kawasan data atau imej yang sangat ramal.
Model Standard: Model AI sedia ada yang telah dilatih terlebih dahulu untuk melaksanakan tugas yang serupa.
Pengujian (dalam konteks kecerdasan buatan): memerhatikan bagaimana model melaksanakan tugas menggunakan data yang belum pernah ditemui sebelum ini.
Latihan (dalam konteks kecerdasan buatan): Menyediakan model dengan data dan hasil supaya model tersebut melaraskan parameter dalamannya untuk mengoptimumkan keupayaannya melaksanakan tugas menggunakan data baharu.
Vektor: tatasusunan data. Dalam pembelajaran mesin, setiap elemen tatasusunan 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 baharu dalam peringkat teknikal dan tidak memerlukan sebarang pengetahuan matematik melebihi tahun pertama ijazah sarjana muda perubatan. Kursus ini dibangunkan oleh 6 pelajar perubatan dan 3 guru dengan ijazah lanjutan dalam bidang kejuruteraan. Jurutera sedang membangunkan teori kecerdasan buatan untuk mengajar, dan pelajar perubatan sedang mempelajari bahan yang berkaitan secara klinikal.
Bengkel merangkumi kuliah, kajian kes dan pengaturcaraan berpandu. Dalam kuliah pertama, kami mengulas konsep terpilih analisis data dalam biostatistik, termasuk visualisasi data, regresi logistik dan perbandingan statistik deskriptif dan induktif. Walaupun analisis data merupakan asas kecerdasan buatan, kami mengecualikan topik seperti perlombongan data, ujian kepentingan atau visualisasi interaktif. Ini disebabkan oleh kekangan masa dan juga kerana sesetengah pelajar sarjana muda mempunyai latihan terdahulu dalam biostatistik dan ingin merangkumi topik pembelajaran mesin yang lebih unik. Kuliah berikutnya memperkenalkan kaedah moden dan membincangkan perumusan masalah AI, kelebihan dan batasan model AI dan ujian model. Kuliah dilengkapi dengan literatur dan penyelidikan praktikal mengenai peranti kecerdasan buatan sedia ada. Kami menekankan kemahiran yang diperlukan untuk menilai keberkesanan dan kebolehlaksanaan model bagi menangani persoalan klinikal, termasuk memahami batasan peranti kecerdasan buatan sedia ada. Contohnya, kami meminta pelajar mentafsir 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 pemeriksaan doktor. Kami menekankan bahawa ini adalah contoh biasa AI yang menyediakan analitik ramalan untuk ditafsirkan oleh doktor, 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, pemuatan model piawai dan latihan serta pengujian. Kami menggunakan buku nota Google Colaboratory (Google LLC, Mountain View, CA), yang membolehkan kod Python dilaksanakan daripada pelayar web. Dalam Rajah, Rajah 2 menyediakan contoh latihan pengaturcaraan. Latihan ini melibatkan meramalkan keganasan menggunakan Wisconsin Open Breast Imaging Dataset6 dan algoritma pokok keputusan.
Mempersembahkan program sepanjang minggu mengenai topik berkaitan dan memilih contoh daripada aplikasi AI yang diterbitkan. Elemen pengaturcaraan hanya disertakan jika ia dianggap relevan untuk memberikan pandangan tentang amalan klinikal masa hadapan, seperti cara menilai model bagi menentukan sama ada ia sedia untuk digunakan dalam ujian klinikal. Contoh-contoh ini menghasilkan aplikasi menyeluruh yang mengklasifikasikan tumor sebagai benigna atau malignan berdasarkan parameter imej perubatan.
Kepelbagaian pengetahuan sedia ada. Peserta kami berbeza-beza dalam tahap pengetahuan matematik mereka. Contohnya, pelajar yang mempunyai latar belakang kejuruteraan lanjutan mencari bahan yang lebih mendalam, seperti cara melakukan transformasi Fourier mereka sendiri. Walau bagaimanapun, membincangkan algoritma Fourier di dalam kelas tidak mungkin kerana ia memerlukan pengetahuan mendalam tentang pemprosesan isyarat.
Aliran keluar kehadiran. Kehadiran pada mesyuarat susulan menurun, terutamanya dalam format dalam talian. Penyelesaiannya mungkin dengan menjejaki kehadiran dan menyediakan sijil penyiapan. Sekolah perubatan diketahui mengiktiraf transkrip aktiviti akademik kokurikulum pelajar, yang boleh menggalakkan pelajar melanjutkan pelajaran ke peringkat ijazah.
Reka Bentuk Kursus: Oleh kerana AI merangkumi begitu banyak subbidang, memilih konsep teras dengan kedalaman dan keluasan yang sesuai boleh menjadi mencabar. Contohnya, kesinambungan penggunaan alatan AI dari makmal ke klinik merupakan topik yang penting. Walaupun kami merangkumi prapemprosesan data, pembinaan model dan pengesahan, kami tidak memasukkan topik seperti analitik data raya, visualisasi interaktif atau menjalankan ujian klinikal AI, sebaliknya kami menumpukan pada konsep AI yang paling unik. Prinsip panduan kami adalah untuk meningkatkan literasi, bukan kemahiran. Contohnya, memahami bagaimana model memproses ciri input adalah penting untuk kebolehtafsiran. Salah satu cara untuk melakukannya adalah dengan menggunakan peta pengaktifan kecerunan, yang dapat menggambarkan kawasan data mana yang dapat diramal. Walau bagaimanapun, ini memerlukan kalkulus multivariat dan tidak dapat diperkenalkan8. Membangunkan terminologi umum adalah mencabar kerana kami cuba menjelaskan cara bekerja dengan data sebagai vektor tanpa formalisme matematik. Perhatikan bahawa istilah yang berbeza mempunyai maksud yang sama, contohnya, dalam epidemiologi, "ciri" digambarkan sebagai "pembolehubah" atau "atribut".
Pengekalan pengetahuan. Oleh kerana aplikasi AI adalah terhad, sejauh mana peserta mengekalkan pengetahuan masih belum dapat dilihat. Kurikulum sekolah perubatan sering bergantung pada pengulangan jarak untuk mengukuhkan pengetahuan semasa putaran praktikal,9 yang juga boleh digunakan untuk pendidikan AI.
Profesionalisme lebih penting daripada literasi. Kedalaman bahan direka bentuk tanpa ketelitian matematik, yang merupakan masalah ketika melancarkan kursus klinikal dalam kecerdasan buatan. Dalam contoh pengaturcaraan, kami menggunakan templat program yang membolehkan peserta mengisi ruangan dan menjalankan perisian tanpa perlu memikirkan cara untuk menyediakan persekitaran pengaturcaraan yang lengkap.
Kebimbangan tentang kecerdasan buatan ditangani: Terdapat kebimbangan meluas bahawa kecerdasan buatan boleh menggantikan beberapa tugas klinikal3. Untuk menangani isu ini, kami menjelaskan batasan AI, termasuk fakta bahawa hampir semua teknologi AI yang diluluskan oleh pengawal selia memerlukan penyeliaan doktor11. Kami juga menekankan kepentingan bias kerana algoritma terdedah kepada bias, terutamanya jika set data tidak pelbagai12. Akibatnya, subkumpulan tertentu mungkin dimodelkan secara salah, yang membawa kepada keputusan klinikal yang tidak adil.
Sumber tersedia untuk umum: Kami telah mencipta sumber yang tersedia untuk umum, termasuk slaid kuliah dan kod. Walaupun akses kepada kandungan segerak adalah terhad disebabkan oleh zon waktu, kandungan sumber terbuka merupakan kaedah yang mudah untuk pembelajaran tak segerak memandangkan kepakaran AI tidak tersedia di semua sekolah perubatan.
Kolaborasi Antara Disiplin: Bengkel ini merupakan usaha sama yang dimulakan oleh pelajar perubatan untuk merancang kursus bersama jurutera. Ini menunjukkan peluang kerjasama dan jurang pengetahuan dalam kedua-dua bidang, membolehkan peserta memahami potensi peranan yang boleh mereka sumbangkan pada masa hadapan.
Takrifkan kecekapan teras AI. Menentukan senarai kecekapan menyediakan struktur piawai yang boleh diintegrasikan ke dalam kurikulum perubatan berasaskan kecekapan sedia ada. Bengkel ini kini menggunakan Objektif Pembelajaran Tahap 2 (Pemahaman), 3 (Aplikasi), dan 4 (Analisis) Taksonomi Bloom. Mempunyai sumber pada tahap klasifikasi yang lebih tinggi, seperti mencipta projek, boleh mengukuhkan lagi pengetahuan. Ini memerlukan kerjasama dengan pakar klinikal untuk menentukan bagaimana topik AI boleh digunakan pada aliran kerja klinikal dan mencegah pengajaran topik berulang yang telah termasuk dalam kurikulum perubatan standard.
Cipta kajian kes menggunakan AI. Sama seperti contoh klinikal, pembelajaran berasaskan kes boleh mengukuhkan konsep abstrak dengan menonjolkan kaitannya dengan soalan klinikal. Contohnya, satu kajian bengkel menganalisis sistem pengesanan retinopati diabetes berasaskan AI Google 13 untuk mengenal pasti cabaran di sepanjang laluan dari makmal ke klinik, seperti keperluan pengesahan luaran dan laluan kelulusan kawal selia.
Gunakan pembelajaran berasaskan pengalaman: Kemahiran teknikal memerlukan latihan yang tertumpu dan aplikasi berulang untuk dikuasai, sama seperti pengalaman pembelajaran bergilir pelatih klinikal. Satu penyelesaian yang berpotensi ialah model kelas terbalik, yang telah dilaporkan dapat meningkatkan pengekalan pengetahuan dalam pendidikan kejuruteraan14. Dalam model ini, pelajar mengulang kaji bahan teori secara bebas dan masa kelas dikhaskan untuk menyelesaikan masalah melalui kajian kes.
Penskalaan untuk peserta pelbagai disiplin: Kami membayangkan penggunaan AI yang melibatkan kerjasama merentasi pelbagai disiplin, termasuk doktor dan profesional kesihatan bersekutu dengan pelbagai tahap latihan. Oleh itu, kurikulum mungkin perlu dibangunkan dengan berunding dengan fakulti dari jabatan yang berbeza untuk menyesuaikan kandungan mereka dengan bidang penjagaan kesihatan yang berbeza.
Kecerdasan buatan adalah berteknologi tinggi dan konsep terasnya berkaitan dengan matematik dan sains komputer. Melatih kakitangan penjagaan kesihatan untuk memahami kecerdasan buatan memberikan cabaran unik dalam pemilihan kandungan, kaitan klinikal dan kaedah penyampaian. Kami berharap pandangan yang diperoleh daripada bengkel AI dalam Pendidikan akan membantu pendidik masa depan menerima pakai cara inovatif untuk mengintegrasikan AI ke dalam pendidikan perubatan.
Skrip Python Kolaborasi Google adalah sumber terbuka dan tersedia di: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG dan Khan, S. Memikirkan semula pendidikan perubatan: seruan untuk bertindak. Akkad. perubatan. 88, 1407–1410 (2013).
McCoy, LG dll. Apakah yang perlu diketahui oleh pelajar perubatan tentang kecerdasan buatan? Nombor NPZh. Perubatan 3, 1–3 (2020).
Dos Santos, DP, dkk. Sikap pelajar perubatan terhadap kecerdasan buatan: tinjauan berbilang pusat. EURO. radiasi. 29, 1640–1646 (2019).
Fan, KY, Hu, R., dan Singla, R. Pengenalan kepada pembelajaran mesin untuk pelajar perubatan: projek rintis. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, dkk. Mengenal pasti kanak-kanak yang berisiko sangat rendah mengalami kecederaan otak yang signifikan secara klinikal selepas kecederaan kepala: satu kajian kohort prospektif. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH dan Mangasarian, OL. Pengekstrakan ciri nuklear untuk diagnosis tumor payudara. Sains Bioperubatan. Pemprosesan imej. Sains Bioperubatan. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. dan Peng, L. Cara membangunkan model pembelajaran mesin untuk penjagaan kesihatan. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR dkk. Grad-cam: Tafsiran visual rangkaian dalam melalui penyetempatan berasaskan kecerunan. Prosiding Persidangan Antarabangsa IEEE mengenai Penglihatan 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 muda. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB dan Garg PS Pembelajaran mesin dan pendidikan perubatan. Nombor NPZh. perubatan. 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 saintifiknya. EURO. sinaran. 31, 3797–3804 (2021).
Topol, EJ Perubatan berprestasi tinggi: penumpuan kecerdasan manusia dan buatan. Perubatan Nat. 25, 44–56 (2019).
Bede, E. et al. Penilaian berpusatkan manusia terhadap sistem pembelajaran mendalam yang digunakan di klinik untuk pengesanan retinopati diabetes. Prosiding Persidangan CHI 2020 mengenai Faktor Manusia dalam Sistem Pengkomputeran (2020).
Kerr, B. Bilik darjah terbalik dalam pendidikan kejuruteraan: Satu kajian semula penyelidikan. Prosiding Persidangan Antarabangsa 2015 mengenai Pembelajaran Kolaboratif Interaktif (2015).
Para penulis mengucapkan terima kasih kepada Danielle Walker, Tim Salcudin, dan Peter Zandstra dari Kluster Penyelidikan Pengimejan Bioperubatan dan Kecerdasan Buatan di Universiti British Columbia atas 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 mencipta rajah dan jadual. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS bertanggungjawab untuk mendraf dan mengedit dokumen.
Perubatan Komunikasi mengucapkan terima kasih kepada Carolyn McGregor, Fabio Moraes dan Aditya Borakati atas sumbangan mereka terhadap ulasan karya ini.
Masa siaran: 19-Feb-2024