Дзякуй за наведванне Nature.com. Версія браўзэра, які вы выкарыстоўваеце, мае абмежаваную падтрымку CSS. Для дасягнення найлепшых вынікаў мы рэкамендуем выкарыстоўваць больш новую версію вашага браўзэра (альбо адключыць рэжым сумяшчальнасці ў Internet Explorer). У той жа час, каб забяспечыць пастаянную падтрымку, мы паказваем сайт без кладкі і JavaScript.
Прымяненне клінічнага штучнага інтэлекту (AI) хутка растуць, але існуючыя навучальныя праграмы медыцынскай школы прапануюць абмежаванае навучанне, якое ахоплівае гэтую вобласць. Тут мы апісваем курс навучання штучнага інтэлекту, які мы распрацавалі і даставілі канадскім студэнтам -медыкам і даем рэкамендацыі па будучай падрыхтоўцы.
Штучны інтэлект (AI) у медыцыне можа павысіць эфектыўнасць працоўнага месца і дапамогу ў прыняцці клінічных рашэнняў. Каб бяспечна кіраваць выкарыстаннем штучнага інтэлекту, медыкі павінны мець пэўнае разуменне штучнага інтэлекту. Шмат каментарыяў выступае за навучанне AI Concepts1, напрыклад, тлумачэнне мадэляў AI і працэсаў праверкі2. Аднак было рэалізавана нешматлікія структураваныя планы, асабліва на нацыянальным узроўні. Pinto Dos Santos et al.3. 263 студэнты -медыкі былі абследаваны, а 71% пагадзіліся з тым, што ім патрэбна навучанне па штучным інтэлекце. Навучанне штучнага інтэлекту медыцынскай аўдыторыі патрабуе ўважлівага дызайну, які спалучае ў сабе тэхнічныя і нетэхнічныя канцэпцыі для студэнтаў, якія часта валодаюць шырокімі папярэднімі ведамі. Мы апісваем наш досвед, які праводзіць шэраг семінараў ІІ для трох груп студэнтаў -медыкаў і даем рэкамендацыі па будучай медыцынскай адукацыі ў ІІ.
Наша пяцітыднёвая ўвядзенне ў семінар па штучным інтэлекце ў медыцыне для студэнтаў-медыкаў праводзілася тры разы ў перыяд з лютага 2019 года па красавік 2021 года. Расклад для кожнага семінара з кароткім апісаннем змяненняў у курс паказаны на малюнку 1. Наш курс мае курс Тры асноўныя мэты навучання: студэнты разумеюць, як апрацоўваюцца дадзеныя ў прыкладаннях штучнага інтэлекту, аналізуюць літаратуру штучнага інтэлекту для клінічных прыкладанняў і скарыстаюцца магчымасцямі супрацоўнічаць з інжынерамі, якія развіваюць штучны інтэлект.
Сіні - гэта тэма лекцыі і светла -сіняга колеру - гэта інтэрактыўны перыяд пытанняў і адказаў. Шэры раздзел - у цэнтры ўвагі кароткага агляду літаратуры. Аранжавыя раздзелы - гэта выбраныя тэматычныя даследаванні, якія апісваюць мадэлі альбо метады штучнага інтэлекту. Зялёны - гэта кіраваны курс праграмавання, прызначаны для навучання штучнага інтэлекту для вырашэння клінічных праблем і ацэнкі мадэляў. Змест і працягласць семінараў вар'іруюцца ў залежнасці ад ацэнкі патрэбаў студэнтаў.
Першы семінар прайшоў у Універсітэце Брытанскай Калумбіі з лютага па красавік 2019 года, і ўсе 8 удзельнікаў далі станоўчыя водгукі4. З-за Covid-19, другі семінар прайшоў практычна ў кастрычніку-лістападзе 2020 года, прычым 222 студэнты-медыкі і 3 жыхары з 8 канадскіх медыцынскіх школ. Слайды і код прэзентацыі былі загружаны на сайт з адкрытым доступам (http://ubcamed.github.io). Ключавая зваротная сувязь з першай ітэрацыі заключалася ў тым, што лекцыі былі занадта інтэнсіўнымі, а матэрыял таксама тэарэтычна. Абслугоўванне шасці розных часовых паясоў Канады стварае дадатковыя праблемы. Такім чынам, другі семінар скараціў кожны сеанс да 1 гадзіны, спрасціў матэрыял курсу, дадаў дадатковыя тэматычныя даследаванні і стварыў праграмы, якія дазволілі ўдзельнікам завяршыць фрагменты кода з мінімальнай адладкай (поле 1). Ключавая зваротная сувязь з другой ітэрацыі ўключала станоўчую зваротную сувязь па праграмных практыкаваннях і просьбу прадэманстраваць планаванне праекта машыннага навучання. Такім чынам, у нашым трэцім семінары, які прайшоў практычна для 126 студэнтаў-медыкаў у сакавіку-красавіку 2021 года, мы ўключылі больш інтэрактыўныя практыкаванні па кадаванні і сесіі зваротнай сувязі, каб прадэманстраваць уплыў выкарыстання канцэпцый семінара на праекты.
Аналіз дадзеных: поле даследавання ў статыстыцы, якая вызначае значныя заканамернасці дадзеных шляхам аналізу, апрацоўкі і перадачы мадэляў дадзеных.
Здабыча дадзеных: працэс выяўлення і здабывання дадзеных. У кантэксце штучнага інтэлекту гэта часта вялікая, з некалькімі зменнымі для кожнага ўзору.
Зніжэнне памераў: працэс трансфармацыі дадзеных з многімі індывідуальнымі функцыямі ў меншыя функцыі, захоўваючы важныя ўласцівасці зыходнага набору дадзеных.
Характарыстыкі (у кантэксце штучнага інтэлекту): вымяральныя ўласцівасці ўзору. Часта выкарыстоўваецца ўзаемазаменна з "уласцівасцю" або "зменнай".
Карта актывацыі градыенту: методыка, якая выкарыстоўваецца для інтэрпрэтацыі мадэляў штучнага інтэлекту (асабліва зверхлівых нейронных сетак), якая аналізуе працэс аптымізацыі апошняй часткі сеткі для выяўлення рэгіёнаў дадзеных або малюнкаў, якія вельмі прагназуюць.
Стандартная мадэль: існуючая мадэль AI, якая была падрыхтавана для выканання падобных задач.
Тэставанне (у кантэксце штучнага інтэлекту): назіранне за тым, як мадэль выконвае задачу, выкарыстоўваючы дадзеныя, з якімі ён раней не сустракаўся.
Навучанне (у кантэксце штучнага інтэлекту): прадастаўленне мадэлі з дадзенымі і вынікамі, каб мадэль карэктуе свае ўнутраныя параметры, каб аптымізаваць яго здольнасць выконваць задачы, выкарыстоўваючы новыя дадзеныя.
Вектар: масіў дадзеных. У машынным навучанні кожны элемент масіва звычайна з'яўляецца унікальнай асаблівасцю ўзору.
У табліцы 1 прыведзены апошнія курсы за красавік 2021 года, у тым ліку мэтавыя мэты навучання для кожнай тэмы. Гэты семінар прызначаны для новых на тэхнічным узроўні і не патрабуе ніякіх матэматычных ведаў за першы год студэнцкай медыцынскай ступені. Курс быў распрацаваны 6 студэнтамі -медыкамі і 3 настаўнікамі з вышэйшай ступенню ў галіне тэхнікі. Інжынеры распрацоўваюць тэорыю штучнага інтэлекту для выкладання, а студэнты -медыкі вывучаюць клінічна значныя матэрыялы.
Семінары ўключаюць лекцыі, тэматычныя даследаванні і кіраванае праграмаванне. У першай лекцыі мы разглядаем выбраныя паняцці аналізу дадзеных у біястатыстыцы, уключаючы візуалізацыю дадзеных, лагістычную рэгрэсію і параўнанне апісальнай і індуктыўнай статыстыкі. Хоць аналіз дадзеных з'яўляецца асновай штучнага інтэлекту, мы выключаем такія тэмы, як здабыча дадзеных, тэставанне значнасці або інтэрактыўная візуалізацыя. Гэта было звязана з абмежаваннямі часу, а таксама таму, што некаторыя студэнты магістрантаў правялі папярэднюю падрыхтоўку па біястатыстыцы і хацелі пакрыць больш унікальныя тэмы машыннага навучання. Наступная лекцыя прадстаўляе сучасныя метады і абмяркоўвае фармулёўку праблем AI, перавагі і абмежаванні мадэляў AI і мадэль тэсціравання. Лекцыі дапаўняюцца літаратурай і практычнымі даследаваннямі існуючых прылад штучнага інтэлекту. Мы падкрэсліваем навыкі, неабходныя для ацэнкі эфектыўнасці і мэтазгоднасці мадэлі для вырашэння клінічных пытанняў, у тым ліку разумення абмежаванняў існуючых прылад штучнага інтэлекту. Напрыклад, мы папрасілі студэнтаў інтэрпрэтаваць кіруючыя прынцыпы траўмы дзіцячай галавы, прапанаваныя Kupperman et al., 5, якія рэалізавалі алгарытм дрэва рашэння штучнага інтэлекту, каб вызначыць, ці будзе КТ карысным на аснове экспертызы лекара. Мы падкрэсліваем, што гэта распаўсюджаны прыклад ІІ, які забяспечвае прагнастычную аналітыку для лекараў для інтэрпрэтацыі, а не замены медыкаў.
У даступных прыкладах праграмавання загрузкі з адкрытым зыходным кодам (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), мы дэманструем, як выконваць аналіз даследчага дадзеных, памяншэнне памераў, стандартную загрузку мадэлі і навучанне і навучанне, навучанне і навучанне . і тэставанне. Мы выкарыстоўваем ноўтбукі Google Colaboratory (Google LLC, Mountain View, Каліфорнія), якія дазваляюць выканаць код Python з вэб -браўзэра. На мал. На малюнку 2 прыведзены прыклад практыкавання праграмавання. Гэта практыкаванне прадугледжвае прагназаванне злаякасных новаўтварэнняў з выкарыстаннем DataSetmet DataSet6 з адкрытай грудзьмі ў Вісконсіне і алгарытмам дрэва рашэння.
Прадстаўце праграмы на працягу тыдня на адпаведныя тэмы і выбірайце прыклады з апублікаваных прыкладанняў AI. Элементы праграмавання ўключаны толькі ў тым выпадку, калі яны лічацца актуальнымі для прадастаўлення разумення будучай клінічнай практыкі, напрыклад, як ацаніць мадэлі, каб вызначыць, ці гатовыя яны да выкарыстання ў клінічных выпрабаваннях. Гэтыя прыклады завяршаюцца паўнавартасным дадаткам да канца, якое класіфікуе пухліны як дабраякасныя або злаякасныя на аснове параметраў медыцынскага малюнка.
Неаднастайнасць папярэдніх ведаў. Нашы ўдзельнікі вар'іраваліся ў сваім узроўні матэматычных ведаў. Напрыклад, студэнты з перадавым інжынерным фонам шукаюць больш паглыбленых матэрыялаў, напрыклад, як выконваць свае ўласныя пераўтварэнні Фур'е. Аднак абмеркаванне алгарытму Фур'е ў класе немагчыма, таму што ён патрабуе паглыбленых ведаў па апрацоўцы сігналаў.
Адток наведвання. Наведвальнасць на наступных сустрэчах знізілася, асабліва ў інтэрнэт-фарматах. Рашэннем можа стаць адсочванне наведвальнасці і прадаставіць пасведчанне аб завяршэнні. Як вядома, медыцынскія школы прызнаюць стэнаграмы пазакласных акадэмічных мерапрыемстваў студэнтаў, што можа падштурхнуць вучняў атрымаць ступень.
Дызайн курса: Паколькі AI ахоплівае так шмат падначаленых, выбар асноўных паняццяў адпаведнай глыбіні і шырыні можа быць складанай задачай. Напрыклад, важная тэма - пераемнасць выкарыстання інструментаў ІІ ад лабараторыі ў клініку. У той час як мы ахопліваем папярэднюю апрацоўку дадзеных, мадэль і праверку, мы не ўключаем такія тэмы, як аналітыка вялікіх дадзеных, інтэрактыўная візуалізацыя або правядзенне клінічных выпрабаванняў AI, замест гэтага мы засяроджваемся на самых унікальных канцэпцыях ІІ. Наш кіруючы прынцып - палепшыць пісьменнасць, а не навыкі. Напрыклад, для інтэрпрэтацыі важна разуменне таго, як мадэльныя працэсы ўводу. Адзін са спосабаў зрабіць гэта - выкарыстоўваць карты актывацыі градыента, якія могуць візуалізаваць, якія рэгіёны дадзеных прадказальныя. Аднак гэта патрабуе шматмернага вылічэння і не можа быць уведзены8. Распрацоўка агульнай тэрміналогіі была складанай задачай, таму што мы спрабавалі растлумачыць, як працаваць з дадзенымі ў якасці вектараў без матэматычнага фармалізму. Звярніце ўвагу, што розныя тэрміны маюць аднолькавае значэнне, напрыклад, у эпідэміялогіі, "характарыстыка" апісваецца як "зменная" або "атрыбут".
Затрымка ведаў. Паколькі прымяненне ІІ абмежавана, ступень, у якой удзельнікі захоўваюць веды, яшчэ трэба будзе даведацца. Навучальныя праграмы медыцынскай школы часта абапіраюцца на размешчаныя паўтарэнне для ўмацавання ведаў падчас практычных ратацый, 9, якія таксама могуць прымяняцца да адукацыі AI.
Прафесіяналізм важней, чым пісьменнасць. Глыбіня матэрыялу распрацавана без матэматычнай строгасці, што стала праблемай пры запуску клінічных курсаў у штучным інтэлекце. У прыкладах праграмавання мы выкарыстоўваем праграму шаблонаў, якая дазваляе ўдзельнікам запоўніць палі і запусціць праграмнае забеспячэнне без неабходнасці высветліць, як наладзіць поўную сераду праграмавання.
Занепакоенасць у сувязі з штучным інтэлектам: Існуе шырокая занепакоенасць тым, што штучны інтэлект можа замяніць некаторыя клінічныя абавязкі3. Для вырашэння гэтага пытання мы тлумачым абмежаванні ІІ, у тым ліку той факт, што практычна ўсе тэхналогіі AI, зацверджаныя рэгулятарамі, патрабуюць нагляду лекара11. Мы таксама падкрэсліваем важнасць зрушэння, паколькі алгарытмы схільныя да зрушэння, асабліва калі набор дадзеных не разнастайны12. Такім чынам, пэўная падгрупа можа быць мадэлявана няправільна, што прывядзе да несправядлівых клінічных рашэнняў.
Рэсурсы публічна даступныя: мы стварылі агульнадаступныя рэсурсы, у тым ліку лекцыйныя слайды і код. Хоць доступ да сінхроннага змесціва абмежаваны з -за часовых зонаў, змест з адкрытым зыходным кодам з'яўляецца зручным метадам асінхроннага навучання, паколькі экспертыза AI недаступны ва ўсіх медыцынскіх школах.
Міждысцыплінарнае супрацоўніцтва: Гэты семінар з'яўляецца сумесным прадпрыемствам, ініцыяваным студэнтамі -медыкамі для планавання курсаў разам з інжынерамі. Гэта дэманструе магчымасці супрацоўніцтва і прабелы ў ведах у абедзвюх абласцях, што дазваляе ўдзельнікам зразумець патэнцыйную ролю, якую яны могуць унесці ў будучыню.
Вызначце асноўныя кампетэнцыі AI. Вызначэнне спісу кампетэнцый забяспечвае стандартызаваную структуру, якую можна інтэграваць у існуючыя медыцынскія навучальныя праграмы на аснове кампетэнтнасці. У гэтым семінары ў цяперашні час выкарыстоўваюцца мэты навучання ўзроўню 2 (разуменне), 3 (прыкладанне) і 4 (аналіз) таксанаміі Bloom. Наяўнасць рэсурсаў на больш высокіх узроўнях класіфікацыі, напрыклад, стварэння праектаў, можа яшчэ больш умацаваць веды. Гэта патрабуе працы з клінічнымі экспертамі, каб вызначыць, як тэмы ІІ могуць прымяняцца да клінічных працоўных працэсаў і прадухілення выкладання паўтаральных тэм, якія ўжо ўключаны ў стандартныя медыцынскія навучальныя праграмы.
Стварыце тэматычныя даследаванні з дапамогай AI. Падобна да клінічных прыкладаў, навучанне на аснове выпадкаў можа ўзмацніць абстрактныя паняцці, падкрэсліваючы іх дачыненне да клінічных пытанняў. Напрыклад, у адным з семінараў даследаванне прааналізавала сістэму выяўлення дыябетычнай рэтынапатыі на аснове AI Google 13, каб выявіць праблемы на шляху ад лабараторыі да клінікі, такіх як патрабаванні знешняй праверкі і шляхі зацвярджэння рэгулявання.
Выкарыстоўвайце эксперыментальнае навучанне: тэхнічныя навыкі патрабуюць мэтанакіраванай практыкі і паўторнага прыкладання для майстэрства, падобна на вопыт паваротнага навучання клінічных стажораў. Адным з патэнцыяльных рашэнняў з'яўляецца перавернутая мадэль у класе, якая, як паведамляецца, паляпшае захаванне ведаў у інжынернай адукацыі14. У гэтай мадэлі студэнты разглядаюць тэарэтычны матэрыял незалежна, і час заняткаў прысвечаны вырашэнню праблем з дапамогай тэматычных даследаванняў.
Маштабаванне для міждысцыплінарных удзельнікаў: мы прадугледжваем прыняцце ІІ, звязанае з супрацоўніцтвам па некалькіх дысцыплінах, у тым ліку медыкаў і саюзных медыцынскіх работнікаў з розным узроўнем навучання. Такім чынам, навучальныя праграмы, магчыма, павінны быць распрацаваны пры кансультацыі з выкладчыкамі розных ведамстваў, каб адаптаваць іх змест у розныя сферы аховы здароўя.
Штучны інтэлект з'яўляецца высокатэхналагічным, а яго асноўныя паняцці звязаны з матэматыкай і інфарматыкай. Навучанне персаналу аховы здароўя для разумення штучнага інтэлекту ўяўляе унікальныя праблемы ў выбары зместу, клінічнай значнасці і метадах дастаўкі. Мы спадзяемся, што разуменне, атрыманае ад семінараў AI ў галіне адукацыі, дапаможа будучым педагогам прыняць інавацыйныя спосабы інтэграцыі ІІ ў медыцынскую адукацыю.
Сцэнарый Google Colaboratory Python з'яўляецца адкрытым зыходным кодам і даступны па адрасе: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG і Khan, S. Пераасэнсаванне медыцынскай адукацыі: заклік да дзеяння. Аккад. лекі. 88, 1407–1410 (2013).
McCoy, LG і г.д. Што студэнты -медыкі сапраўды павінны ведаць пра штучны інтэлект? Нумары NPZH. Медыцына 3, 1–3 (2020).
Dos Santos, DP і інш. Стаўленне студэнтаў -медыкаў да штучнага інтэлекту: шматцэнтрычнае абследаванне. Еўра. радыяцыя. 29, 1640–1646 (2019).
Fan, KY, Hu, R., and Singla, R. Уводзіны ў машыннае навучанне для студэнтаў -медыкаў: пілотны праект. J. Med. вучыць. 54, 1042–1043 (2020).
Cooperman N, et al. Выяўленне дзяцей з вельмі нізкім рызыкай клінічна значнай траўмы галаўнога мозгу пасля траўмы галавы: перспектыўнае кагортнае даследаванне. Lancet 374, 1160–1170 (2009).
Вуліца, WN, Wolberg, WH і Mangasarian, Ol. Ядзерная здабыча для дыягностыкі пухліны малочнай залозы. Біямедыцынская навука. Апрацоўка малюнкаў. Біямедыцынская навука. Вайс. 1905, 861–870 (1993).
Chen, PHC, Лю, Ю. і Пэн, Л. Як распрацаваць мадэлі машыннага навучання для аховы здароўя. Нат. Мэт. 18, 410–414 (2019).
Selvaraju, RR і інш. Грады-CAM: Візуальная інтэрпрэтацыя глыбокіх сетак праз лакалізацыю на аснове градыентаў. Матэрыялы Міжнароднай канферэнцыі IEEE па камп'ютэрным бачанні, 618–626 (2017).
Kumaravel B, Stewart K і Ilic D. Распрацоўка і ацэнка спіральнай мадэлі для ацэнкі кампетэнцый, заснаваных на фактах, выкарыстоўваючы АБСЕ ў медыцынскай адукацыі студэнтаў. Медыцына BMK. вучыць. 21, 1–9 (2021).
Kolachalama VB і Garg PS машыннае навучанне і медыцынская адукацыя. Нумары NPZH. лекі. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. and De Rooy, M. Штучны інтэлект у радыялогіі: 100 камерцыйных прадуктаў і іх навуковыя дадзеныя. Еўра. радыяцыя. 31, 3797–3804 (2021).
Тапол, EJ Высокапрадукцыйная медыцына: збліжэнне чалавечага і штучнага інтэлекту. Нат. лекі. 25, 44–56 (2019).
Бедэ, Э. і інш. Ацэнка глыбокага навучання, арыентаванай на чалавека, разгорнута ў клініцы для выяўлення дыябетычнай рэтынапатыі. Матэрыялы канферэнцыі CHI 2020 года па чалавечых фактарах у вылічальных сістэмах (2020).
Кер, Б. Перагортваецца ў інжынернай адукацыі: агляд даследаванняў. Матэрыялы Міжнароднай канферэнцыі 2015 года па інтэрактыўным сумесным навучанні (2015).
Аўтары дзякуюць Даніэлі Уолкеру, Ціму Салькудзіну і Піцеру Зандстрай з біямедыцынскай візуалізацыі і даследаванняў штучнага інтэлекту ў Універсітэце Брытанскай Калумбіі за падтрымку і фінансаванне.
RH, PP, ZH, RS і MA нясе адказнасць за распрацоўку навучальнага зместу семінара. RH і PP нясуць адказнасць за распрацоўку прыкладаў праграмавання. KYF, OY, MT і PW адказвалі за лагістычную арганізацыю праекта і аналіз семінараў. RH, Oy, MT, RS нясе адказнасць за стварэнне фігур і табліц. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS нясе адказнасць за распрацоўку і рэдагаванне дакумента.
Медыцына камунікацыі дзякуе Кэралін МакГрэгар, Фабіё Мораес і Адыця Баракаці за ўклад у агляд гэтай працы.
Час паведамлення: люты 19-2024 гады