Terima kasih kerana melawat Nature.com.Versi penyemak imbas yang anda gunakan mempunyai sokongan CSS yang terhad.Untuk hasil terbaik, kami mengesyorkan menggunakan versi penyemak imbas anda yang lebih baharu (atau matikan mod keserasian dalam Internet Explorer).Sementara itu, untuk memastikan sokongan berterusan, kami memaparkan tapak tanpa penggayaan atau JavaScript.
Aplikasi kecerdasan buatan klinikal (AI) berkembang pesat, tetapi kurikulum sekolah perubatan sedia ada menawarkan pengajaran terhad meliputi bidang ini.Di sini kami menerangkan kursus latihan kecerdasan buatan yang kami bangunkan dan hantar kepada pelajar perubatan Kanada dan membuat cadangan untuk latihan masa depan.
Kecerdasan buatan (AI) dalam bidang 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 ulasan menyokong pengajaran konsep AI1, seperti menerangkan model AI dan proses pengesahan2.Walau bagaimanapun, beberapa rancangan berstruktur telah dilaksanakan, terutamanya di peringkat nasional.Pinto dos Santos et al.3.263 pelajar perubatan telah dikaji 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 sering mempunyai pengetahuan sedia ada yang luas.Kami menerangkan pengalaman kami menyampaikan satu siri bengkel AI kepada tiga kumpulan pelajar perubatan dan membuat cadangan untuk pendidikan perubatan masa depan dalam AI.
Bengkel lima minggu Pengenalan kepada Kecerdasan Buatan dalam Perubatan kami untuk pelajar perubatan telah diadakan tiga kali antara Februari 2019 dan April 2021. Jadual untuk setiap bengkel, dengan penerangan ringkas tentang perubahan kursus, ditunjukkan dalam Rajah 1. Kursus kami mempunyai tiga objektif pembelajaran utama: pelajar memahami cara data diproses dalam aplikasi kecerdasan buatan, menganalisis literatur kecerdasan buatan untuk aplikasi klinikal, dan memanfaatkan peluang untuk bekerjasama dengan jurutera membangunkan kecerdasan buatan.
Biru ialah topik kuliah dan biru muda ialah masa soal jawab interaktif.Bahagian kelabu adalah fokus kajian literatur ringkas.Bahagian jingga ialah kajian kes terpilih yang menerangkan model atau teknik kecerdasan buatan.Hijau ialah 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 telah diadakan di Universiti British Columbia dari Februari hingga April 2019, dan kesemua 8 peserta memberikan maklum balas yang positif4.Disebabkan COVID-19, bengkel kedua telah diadakan secara maya pada Oktober-November 2020, dengan 222 pelajar perubatan dan 3 penduduk dari 8 sekolah perubatan Kanada mendaftar.Slaid dan kod persembahan telah dimuat naik ke tapak akses terbuka (http://ubcaimed.github.io).Maklum balas utama daripada lelaran pertama ialah kuliah terlalu sengit 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 membenarkan peserta melengkapkan coretan kod dengan penyahpepijatan minimum (Kotak 1).Maklum balas utama daripada lelaran kedua termasuk maklum balas positif tentang 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 menyertakan lebih banyak latihan pengekodan interaktif dan sesi maklum balas projek untuk menunjukkan kesan penggunaan konsep bengkel pada projek.
Analisis Data: Satu bidang kajian dalam statistik yang mengenal pasti pola bermakna dalam data dengan menganalisis, memproses dan mengkomunikasikan pola data.
Perlombongan data: proses mengenal pasti dan mengekstrak data.Dalam konteks kecerdasan buatan, ini selalunya besar, dengan berbilang 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 (dalam konteks kecerdasan buatan): sifat boleh diukur bagi sampel.Selalunya digunakan secara bergantian dengan "harta" atau "pembolehubah".
Peta Pengaktifan Kecerunan: Teknik yang digunakan untuk mentafsir model kecerdasan buatan (terutamanya rangkaian neural convolutional), yang menganalisis proses mengoptimumkan bahagian terakhir rangkaian untuk mengenal pasti kawasan data atau imej yang sangat ramalan.
Model Standard: Model AI sedia ada yang telah dilatih untuk melaksanakan tugas yang serupa.
Pengujian (dalam konteks kecerdasan buatan): memerhati bagaimana model melaksanakan tugas menggunakan data yang tidak pernah ditemuinya sebelum ini.
Latihan (dalam konteks kecerdasan buatan): Menyediakan model dengan data dan hasil supaya model 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 ditujukan untuk mereka yang baru di peringkat teknikal dan tidak memerlukan sebarang pengetahuan matematik melebihi tahun pertama ijazah perubatan sarjana muda.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 termasuk kuliah, kajian kes, dan pengaturcaraan berpandu.Dalam kuliah pertama, kami menyemak konsep analisis data terpilih dalam biostatistik, termasuk visualisasi data, regresi logistik, dan perbandingan statistik deskriptif dan induktif.Walaupun analisis data ialah asas kecerdasan buatan, kami mengecualikan topik seperti perlombongan data, ujian kepentingan atau visualisasi interaktif.Ini disebabkan oleh kekangan masa dan juga kerana beberapa pelajar sarjana muda mempunyai latihan terdahulu dalam biostatistik dan ingin merangkumi topik pembelajaran mesin yang lebih unik.Kuliah seterusnya memperkenalkan kaedah moden dan membincangkan perumusan masalah AI, kelebihan dan batasan model AI, dan ujian model.Kuliah ini dilengkapi dengan kesusasteraan dan penyelidikan praktikal mengenai peranti kecerdasan buatan sedia ada.Kami menekankan kemahiran yang diperlukan untuk menilai keberkesanan dan kebolehlaksanaan model untuk menangani soalan klinikal, termasuk memahami batasan peranti kecerdasan buatan sedia ada.Sebagai contoh, kami meminta pelajar untuk mentafsir garis panduan kecederaan kepala kanak-kanak yang dicadangkan oleh Kupperman et al., 5 yang melaksanakan algoritma pepohon keputusan kecerdasan buatan untuk menentukan sama ada imbasan CT akan berguna berdasarkan pemeriksaan doktor.Kami menekankan bahawa ini adalah contoh biasa AI yang menyediakan analisis ramalan untuk ditafsirkan oleh pakar perubatan, dan bukannya menggantikan pakar perubatan.
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 standard dan latihan .dan ujian.Kami menggunakan buku nota Google Colaboratory (Google LLC, Mountain View, CA), yang membenarkan kod Python dilaksanakan daripada penyemak imbas web.Dalam Rajah. Rajah 2 menyediakan contoh latihan pengaturcaraan.Latihan ini melibatkan meramalkan keganasan menggunakan Dataset Pengimejan Payudara Terbuka Wisconsin6 dan algoritma pepohon keputusan.
Bentangkan program sepanjang minggu mengenai topik berkaitan dan pilih contoh daripada aplikasi AI yang diterbitkan.Elemen pengaturcaraan hanya disertakan jika ia dianggap relevan untuk memberikan cerapan tentang amalan klinikal masa hadapan, seperti cara menilai model untuk menentukan sama ada ia bersedia untuk digunakan dalam ujian klinikal.Contoh-contoh ini memuncak dalam aplikasi hujung ke hujung sepenuhnya yang mengklasifikasikan tumor sebagai jinak atau malignan berdasarkan parameter imej perubatan.
Keheterogenan pengetahuan sedia ada.Para peserta kami berbeza-beza dalam tahap pengetahuan matematik mereka.Contohnya, pelajar dengan latar belakang kejuruteraan lanjutan sedang 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 merosot, terutamanya dalam format dalam talian.Penyelesaian mungkin adalah untuk menjejaki kehadiran dan menyediakan sijil penyiapan.Sekolah perubatan dikenali untuk mengiktiraf transkrip aktiviti akademik ekstrakurikuler pelajar, yang boleh menggalakkan pelajar untuk melanjutkan pengajian ke peringkat ijazah.
Reka Bentuk Kursus: Oleh kerana AI merangkumi begitu banyak subbidang, memilih konsep teras kedalaman dan keluasan yang sesuai boleh menjadi mencabar.Sebagai contoh, kesinambungan penggunaan alatan AI dari makmal ke klinik adalah topik penting.Walaupun kami meliputi prapemprosesan data, pembinaan model dan pengesahan, kami tidak memasukkan topik seperti analisis data besar, 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.Sebagai contoh, memahami cara model memproses ciri input adalah penting untuk kebolehtafsiran.Satu cara untuk melakukan ini ialah menggunakan peta pengaktifan kecerunan, yang boleh menggambarkan kawasan mana data boleh diramal.Walau bagaimanapun, ini memerlukan kalkulus multivariate dan tidak boleh diperkenalkan8.Membangunkan istilah biasa adalah mencabar kerana kami cuba menerangkan cara bekerja dengan data sebagai vektor tanpa formalisme matematik.Ambil perhatian bahawa istilah yang berbeza mempunyai makna yang sama, contohnya, dalam epidemiologi, "ciri" diterangkan sebagai "pembolehubah" atau "atribut."
Pengekalan pengetahuan.Oleh kerana aplikasi AI adalah terhad, sejauh mana peserta mengekalkan pengetahuan masih perlu 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 celik huruf.Kedalaman bahan direka bentuk tanpa ketelitian matematik, yang merupakan masalah semasa melancarkan kursus klinikal dalam kecerdasan buatan.Dalam contoh pengaturcaraan, kami menggunakan program templat yang membolehkan peserta mengisi medan dan menjalankan perisian tanpa perlu memikirkan cara untuk menyediakan persekitaran pengaturcaraan yang lengkap.
Kebimbangan tentang kecerdasan buatan ditangani: Terdapat kebimbangan yang meluas bahawa kecerdasan buatan boleh 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 penyeliaan doktor11.Kami juga menekankan kepentingan bias kerana algoritma terdedah kepada berat sebelah, terutamanya jika set data tidak pelbagai12.Akibatnya, subkumpulan tertentu mungkin dimodelkan secara tidak betul, 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 ialah kaedah yang mudah untuk pembelajaran tak segerak kerana kepakaran AI tidak tersedia di semua sekolah perubatan.
Kerjasama Antara Disiplin: Bengkel ini adalah usaha sama yang dimulakan oleh pelajar perubatan untuk merancang kursus bersama-sama dengan jurutera.Ini menunjukkan peluang kerjasama dan jurang pengetahuan dalam kedua-dua bidang, membolehkan peserta memahami potensi peranan yang boleh mereka sumbangkan pada masa hadapan.
Tentukan kecekapan teras AI.Mentakrifkan senarai kompetensi menyediakan struktur piawai yang boleh disepadukan ke dalam kurikulum perubatan berasaskan kompetensi sedia ada.Bengkel ini pada masa ini 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 cara topik AI boleh digunakan pada aliran kerja klinikal dan menghalang pengajaran topik berulang yang telah disertakan dalam kurikulum perubatan standard.
Buat kajian kes menggunakan AI.Sama seperti contoh klinikal, pembelajaran berasaskan kes boleh mengukuhkan konsep abstrak dengan menonjolkan kaitannya dengan soalan klinikal.Sebagai contoh, satu kajian bengkel menganalisis sistem pengesanan retinopati diabetes berasaskan AI 13 Google untuk mengenal pasti cabaran sepanjang laluan dari makmal ke klinik, seperti keperluan pengesahan luaran dan laluan kelulusan kawal selia.
Gunakan pembelajaran berasaskan pengalaman: Kemahiran teknikal memerlukan latihan tertumpu dan aplikasi berulang untuk dikuasai, serupa dengan pengalaman pembelajaran berputar pelatih klinikal.Satu penyelesaian yang berpotensi ialah model bilik darjah terbalik, yang telah dilaporkan dapat meningkatkan pengekalan pengetahuan dalam pendidikan kejuruteraan14.Dalam model ini, pelajar menyemak bahan teori secara bebas dan masa kelas ditumpukan untuk menyelesaikan masalah melalui kajian kes.
Penskalaan untuk peserta pelbagai disiplin: Kami membayangkan penggunaan AI yang melibatkan kerjasama merentas pelbagai disiplin, termasuk pakar perubatan dan profesional kesihatan bersekutu dengan pelbagai tahap latihan.Oleh itu, kurikulum mungkin perlu dibangunkan melalui perundingan dengan fakulti dari jabatan yang berbeza untuk menyesuaikan kandungannya 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 bahawa cerapan yang diperoleh daripada bengkel AI dalam Pendidikan akan membantu pendidik masa depan menerima cara inovatif untuk mengintegrasikan AI ke dalam pendidikan perubatan.
Skrip Google Colaboratory Python ialah sumber terbuka dan boleh didapati di: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG dan Khan, S. Memikirkan semula pendidikan perubatan: seruan untuk bertindak.Akkad.ubat.88, 1407–1410 (2013).
McCoy, LG dsb. Apakah yang benar-benar perlu diketahui oleh pelajar perubatan tentang kecerdasan buatan?Nombor NPZh.Perubatan 3, 1–3 (2020).
Dos Santos, DP, et al.Sikap pelajar perubatan terhadap kecerdasan buatan: tinjauan berbilang pusat.EURO.sinaran.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 yang berisiko sangat rendah mengalami kecederaan otak yang ketara secara klinikal selepas kecederaan kepala: 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. Bagaimana untuk membangunkan model pembelajaran mesin untuk penjagaan kesihatan.Nat.Mat.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: Tafsiran visual rangkaian dalam melalui penyetempatan 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 muda.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 saintifiknya.EURO.sinaran.31, 3797–3804 (2021).
Topol, EJ Perubatan berprestasi tinggi: penumpuan 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 pengesanan retinopati diabetik.Prosiding Persidangan CHI 2020 mengenai Faktor Manusia dalam Sistem Pengkomputeran (2020).
Kerr, B. Bilik darjah terbalik dalam pendidikan kejuruteraan: Kajian semula penyelidikan.Prosiding Persidangan Antarabangsa 2015 mengenai Pembelajaran Kolaboratif Interaktif (2015).
Penulis mengucapkan terima kasih kepada Danielle Walker, Tim Salcudin, dan Peter Zandstra dari Kluster Penyelidikan Pengimejan Bioperubatan dan Kepintaran Buatan di Universiti British Columbia untuk sokongan dan pembiayaan.
RH, PP, ZH, RS dan MA bertanggungjawab 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 mencipta rajah dan jadual.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS bertanggungjawab merangka dan mengedit dokumen.
Perubatan Komunikasi mengucapkan terima kasih kepada Carolyn McGregor, Fabio Moraes, dan Aditya Borakati atas sumbangan mereka kepada semakan kerja ini.
Masa siaran: 19-Feb-2024