Дзякуй за наведванне сайта Nature.com. Версія браўзера, якой вы карыстаецеся, мае абмежаваную падтрымку CSS. Для дасягнення найлепшых вынікаў рэкамендуем выкарыстоўваць больш новую версію браўзера (або адключыць рэжым сумяшчальнасці ў Internet Explorer). Тым часам, каб забяспечыць пастаянную падтрымку, мы паказваем сайт без стыляў і JavaScript.
Прымяненне клінічнага штучнага інтэлекту (ШІ) імкліва развіваецца, але існуючыя навучальныя праграмы медыцынскіх ВНУ прапануюць абмежаваную колькасць выкладання ў гэтай галіне. Тут мы апісваем курс навучання па штучным інтэлекце, які мы распрацавалі і правялі для канадскіх студэнтаў-медыкаў, а таксама даем рэкамендацыі для будучага навучання.
Штучны інтэлект (ШІ) у медыцыне можа павысіць эфектыўнасць працоўнага месца і дапамагчы ў прыняцці клінічных рашэнняў. Каб бяспечна кіраваць выкарыстаннем штучнага інтэлекту, лекары павінны мець пэўнае разуменне штучнага інтэлекту. У многіх каментарах рэкамендуецца выкладанне канцэпцый ШІ1, такіх як тлумачэнне мадэляў ШІ і працэсаў праверкі2. Аднак структураваных планаў было рэалізавана мала, асабліва на нацыянальным узроўні. Пінту душ Сантуш і інш.3. Было апытана 263 студэнты-медыкі, і 71% пагадзіліся, што ім неабходна навучанне ў галіне штучнага інтэлекту. Выкладанне штучнага інтэлекту медыцынскай аўдыторыі патрабуе стараннага планавання, якое спалучае тэхнічныя і нетэхнічныя канцэпцыі для студэнтаў, якія часта маюць шырокія папярэднія веды. Мы апісваем наш вопыт правядзення серыі семінараў па ШІ для трох груп студэнтаў-медыкаў і даем рэкамендацыі для будучай медыцынскай адукацыі ў галіне ШІ.
Наш пяцітыднёвы семінар «Уводзіны ў штучны інтэлект у медыцыне» для студэнтаў-медыкаў праводзіўся тры разы ў перыяд з лютага 2019 года па красавік 2021 года. Расклад кожнага семінара з кароткім апісаннем змяненняў у курсе паказаны на малюнку 1. Наш курс мае тры асноўныя мэты навучання: студэнты разумеюць, як дадзеныя апрацоўваюцца ў праграмах штучнага інтэлекту, аналізуюць літаратуру па штучным інтэлекце для клінічнага прымянення і выкарыстоўваюць магчымасці супрацоўніцтва з інжынерамі, якія распрацоўваюць штучны інтэлект.
Сінім колерам пазначана тэма лекцыі, а светла-сінім — інтэрактыўны перыяд пытанняў і адказаў. Шэрым колерам пазначаны кароткі агляд літаратуры. Аранжавымі колерамі пазначаны асобныя тэматычныя даследаванні, якія апісваюць мадэлі або метады штучнага інтэлекту. Зялёным колерам пазначаны курс па праграмаванні з выкарыстаннем метадаў штучнага інтэлекту для навучання вырашэнню клінічных праблем і ацэнцы мадэляў. Змест і працягласць семінараў адрозніваюцца ў залежнасці ад ацэнкі патрэб студэнтаў.
Першы семінар праходзіў ва Універсітэце Брытанскай Калумбіі з лютага па красавік 2019 года, і ўсе 8 удзельнікаў далі станоўчыя водгукі4. З-за COVID-19 другі семінар быў праведзены віртуальна ў кастрычніку-лістападзе 2020 года, у ім зарэгістраваліся 222 студэнты-медыкі і 3 рэзідэнты з 8 канадскіх медыцынскіх школ. Слайды прэзентацыі і код былі загружаны на сайт з адкрытым доступам (http://ubcaimed.github.io). Ключавым водгукам пасля першай ітэрацыі было тое, што лекцыі былі занадта інтэнсіўнымі, а матэрыял — занадта тэарэтычным. Абслугоўванне шасці розных часавых паясоў Канады стварае дадатковыя праблемы. Такім чынам, на другім семінары кожная сесія была скарочана да 1 гадзіны, спрашчаны матэрыял курса, дададзена больш тэматычных даследаванняў і створаны шаблонныя праграмы, якія дазволілі ўдзельнікам выконваць фрагменты кода з мінімальнай адладкай (Табліца 1). Ключавымі водгукамі пасля другой ітэрацыі былі станоўчыя водгукі аб практыкаваннях па праграмаванні і просьба прадэманстраваць планаванне праекта машыннага навучання. Таму ў наш трэці семінар, які прайшоў віртуальна для 126 студэнтаў-медыкаў у сакавіку-красавіку 2021 года, мы ўключылі больш інтэрактыўных практыкаванняў па кадаванні і сесій зваротнай сувязі па праектах, каб прадэманстраваць уплыў выкарыстання канцэпцый семінараў на праекты.
Аналіз дадзеных: вобласць даследаванняў у статыстыцы, якая выяўляе значныя заканамернасці ў дадзеных шляхам аналізу, апрацоўкі і перадачы заканамернасцей дадзеных.
Аналіз дадзеных: працэс ідэнтыфікацыі і здабывання дадзеных. У кантэксце штучнага інтэлекту гэта часта вялікі аб'ём, з некалькімі зменнымі для кожнага ўзору.
Зніжэнне памернасці: працэс пераўтварэння дадзеных з вялікай колькасцю асобных прыкмет у меншую колькасць прыкмет, захоўваючы пры гэтым важныя ўласцівасці зыходнага набору дадзеных.
Характарыстыкі (у кантэксце штучнага інтэлекту): вымерныя ўласцівасці ўзору. Часта выкарыстоўваюцца як узаемазаменныя з «ўласцівасцю» або «зменнай».
Карта актывацыі градыенту: метад, які выкарыстоўваецца для інтэрпрэтацыі мадэляў штучнага інтэлекту (асабліва згортачных нейронных сетак), які аналізуе працэс аптымізацыі апошняй часткі сеткі для вызначэння абласцей дадзеных або малюнкаў, якія маюць высокую прагнастычную дакладнасць.
Стандартная мадэль: існуючая мадэль штучнага інтэлекту, якая была папярэдне навучана для выканання падобных задач.
Тэставанне (у кантэксце штучнага інтэлекту): назіранне за тым, як мадэль выконвае задачу, выкарыстоўваючы дадзеныя, з якімі яна раней не сутыкалася.
Навучанне (у кантэксце штучнага інтэлекту): забеспячэнне мадэлі дадзенымі і вынікамі, каб мадэль карэктавала свае ўнутраныя параметры для аптымізацыі сваёй здольнасці выконваць задачы з выкарыстаннем новых дадзеных.
Вектар: масіў дадзеных. У машынным навучанні кожны элемент масіва звычайна з'яўляецца ўнікальнай асаблівасцю выбаркі.
У табліцы 1 пералічаны апошнія курсы на красавік 2021 года, у тым ліку мэтавыя мэты навучання па кожнай тэме. Гэты семінар прызначаны для тых, хто толькі пачынае знаёміцца з тэхнічным узроўнем, і не патрабуе ніякіх матэматычных ведаў пасля першага года навучання па медыцыне. Курс быў распрацаваны 6 студэнтамі-медыкамі і 3 выкладчыкамі з вучонай ступенню ў галіне інжынерыі. Інжынеры распрацоўваюць тэорыю штучнага інтэлекту для выкладання, а студэнты-медыкі вывучаюць клінічна значны матэрыял.
Семінары ўключаюць лекцыі, вывучэнне канкрэтных выпадкаў і кіраванае праграмаванне. У першай лекцыі мы разгледзім асобныя канцэпцыі аналізу дадзеных у біястатыстыцы, у тым ліку візуалізацыю дадзеных, лагістычную рэгрэсію і параўнанне апісальнай і індуктыўнай статыстыкі. Нягледзячы на тое, што аналіз дадзеных з'яўляецца асновай штучнага інтэлекту, мы выключаем такія тэмы, як аналіз дадзеных, тэставанне значнасці або інтэрактыўная візуалізацыя. Гэта было звязана з абмежаваннямі па часе, а таксама з тым, што некаторыя студэнты бакалаўрыяту мелі папярэднюю падрыхтоўку ў галіне біястатыстыкі і хацелі ахапіць больш унікальныя тэмы машыннага навучання. Наступная лекцыя прадстаўляе сучасныя метады і абмяркоўвае пастаноўку задач са штучным інтэлектам, перавагі і абмежаванні мадэляў штучнага інтэлекту, а таксама тэставанне мадэляў. Лекцыі дапаўняюцца літаратурай і практычнымі даследаваннямі існуючых прылад штучнага інтэлекту. Мы падкрэсліваем навыкі, неабходныя для ацэнкі эфектыўнасці і магчымасці мадэлі для вырашэння клінічных пытанняў, у тым ліку разуменне абмежаванняў існуючых прылад штучнага інтэлекту. Напрыклад, мы папрасілі студэнтаў інтэрпрэтаваць рэкамендацыі па педыятрычных траўмах галавы, прапанаваныя Купэрманам і інш.,5, у якіх рэалізаваны алгарытм дрэва рашэнняў штучнага інтэлекту, каб вызначыць, ці будзе карыснай камп'ютэрная тамаграфія на аснове агляду лекара. Мы падкрэсліваем, што гэта распаўсюджаны прыклад таго, як штучны інтэлект забяспечвае прагнастычную аналітыку для інтэрпрэтацыі лекарамі, а не замяняе лекараў.
У даступных прыкладах бутстрэп-праграмавання з адкрытым зыходным кодам (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) мы дэманструем, як выконваць даследчы аналіз дадзеных, памяншэнне памернасці, загрузку стандартнай мадэлі, а таксама навучанне і тэсціраванне. Мы выкарыстоўваем нататнікі Google Colaboratory (Google LLC, Маўнцін-В'ю, Каліфорнія), якія дазваляюць выконваць код Python з вэб-браўзера. На мал. 2 паказаны прыклад практыкавання па праграмаванні. Гэта практыкаванне ўключае прагназаванне злаякасных новаўтварэнняў з выкарыстаннем набору дадзеных Wisconsin Open Breast Imaging Dataset6 і алгарытму дрэва рашэнняў.
На працягу тыдня прадстаўляйце праграмы па адпаведных тэмах і выбірайце прыклады з апублікаваных прыкладанняў штучнага інтэлекту. Элементы праграмавання ўключаюцца толькі ў тым выпадку, калі яны лічацца актуальнымі для разумення будучай клінічнай практыкі, напрыклад, як ацэньваць мадэлі, каб вызначыць, ці гатовыя яны да выкарыстання ў клінічных выпрабаваннях. Гэтыя прыклады завяршаюцца паўнавартасным комплексным дадаткам, які класіфікуе пухліны як дабраякасныя або злаякасныя на аснове параметраў медыцынскай візуалізацыі.
Неаднароднасць папярэдніх ведаў. Нашы ўдзельнікі мелі розны ўзровень матэматычных ведаў. Напрыклад, студэнты з глыбокім інжынерным адукацыяй шукаюць больш падрабязны матэрыял, напрыклад, як самастойна выконваць пераўтварэнні Фур'е. Аднак абмеркаванне алгарытму Фур'е ў класе немагчыма, бо гэта патрабуе глыбокіх ведаў апрацоўкі сігналаў.
Адток наведвальнасці. Наведвальнасць наступных сустрэч знізілася, асабліва ў анлайн-фармаце. Рашэннем можа быць адсочванне наведвальнасці і прадастаўленне сертыфіката аб заканчэнні. Вядома, што медыцынскія ВНУ прызнаюць выпіскі студэнтаў аб пазакласнай акадэмічнай дзейнасці, што можа заахвоціць студэнтаў да атрымання ступені.
Распрацоўка курса: Паколькі штучны інтэлект ахоплівае так шмат падгалін, выбар асноўных канцэпцый адпаведнай глыбіні і шырыні можа быць складаным. Напрыклад, важнай тэмай з'яўляецца бесперапыннасць выкарыстання інструментаў штучнага інтэлекту ад лабараторыі да клінікі. Хоць мы і разглядаем папярэднюю апрацоўку дадзеных, пабудову мадэляў і праверку, мы не ўключаем такія тэмы, як аналітыка вялікіх дадзеных, інтэрактыўная візуалізацыя або правядзенне клінічных выпрабаванняў штучнага інтэлекту, замест гэтага мы засяроджваемся на найбольш унікальных канцэпцыях штучнага інтэлекту. Наш кіруючы прынцып — паляпшэнне пісьменнасці, а не навыкаў. Напрыклад, разуменне таго, як мадэль апрацоўвае ўваходныя прыкметы, важна для інтэрпрэтацыі. Адзін са спосабаў зрабіць гэта — выкарыстоўваць градыентныя карты актывацыі, якія могуць візуалізаваць, якія вобласці дадзеных прадказальныя. Аднак гэта патрабуе шматмернага вылічэння і не можа быць уведзена8. Распрацоўка агульнай тэрміналогіі была складанай, таму што мы спрабавалі растлумачыць, як працаваць з дадзенымі як з вектарамі без матэматычнага фармалізму. Звярніце ўвагу, што розныя тэрміны маюць аднолькавае значэнне, напрыклад, у эпідэміялогіі «характарыстыка» апісваецца як «зменная» або «атрыбут».
Захаванне ведаў. Паколькі прымяненне штучнага інтэлекту абмежаванае, ступень захавання ведаў удзельнікамі яшчэ невядомая. Навучальныя праграмы медыцынскіх ВНУ часта абапіраюцца на інтэрвальнае паўтарэнне для замацавання ведаў падчас практычных заняткаў,9 што таксама можна прымяніць да адукацыі ў галіне штучнага інтэлекту.
Прафесіяналізм важнейшы за пісьменнасць. Глыбіня матэрыялу распрацавана без матэматычнай строгасці, што было праблемай пры запуску клінічных курсаў па штучным інтэлекце. У прыкладах праграмавання мы выкарыстоўваем шаблонную праграму, якая дазваляе ўдзельнікам запаўняць палі і запускаць праграмнае забеспячэнне, не высвятляючы, як наладзіць поўнае асяроддзе праграмавання.
Разгляд праблем, звязаных са штучным інтэлектам: існуе шырока распаўсюджаная занепакоенасць тым, што штучны інтэлект можа замяніць некаторыя клінічныя абавязкі3. Каб вырашыць гэтую праблему, мы тлумачым абмежаванні штучнага інтэлекту, у тым ліку той факт, што амаль усе тэхналогіі штучнага інтэлекту, зацверджаныя рэгулятарамі, патрабуюць нагляду лекара11. Мы таксама падкрэсліваем важнасць прадузятасці, паколькі алгарытмы схільныя да прадузятасці, асабліва калі набор дадзеных не разнастайны12. Такім чынам, пэўная падгрупа можа быць мадэлявана няправільна, што прывядзе да несправядлівых клінічных рашэнняў.
Рэсурсы даступныя для ўсіх: мы стварылі рэсурсы, якія знаходзяцца ў адкрытым доступе, у тым ліку слайды лекцый і код. Нягледзячы на тое, што доступ да сінхроннага кантэнту абмежаваны з-за часавых паясоў, кантэнт з адкрытым зыходным кодам з'яўляецца зручным метадам для асінхроннага навучання, паколькі экспертыза ў галіне штучнага інтэлекту даступная не ва ўсіх медыцынскіх ВНУ.
Міждысцыплінарнае супрацоўніцтва: Гэты семінар — сумесная ініцыятыва студэнтаў-медыкаў для сумеснага планавання курсаў з інжынерамі. Ён дэманструе магчымасці супрацоўніцтва і прабелы ў ведах у абедзвюх галінах, дазваляючы ўдзельнікам зразумець патэнцыйную ролю, якую яны могуць зрабіць у будучыні.
Вызначэнне асноўных кампетэнцый у галіне штучнага інтэлекту. Вызначэнне спісу кампетэнцый забяспечвае стандартызаваную структуру, якую можна інтэграваць у існуючыя медыцынскія праграмы, заснаваныя на кампетэнцыях. Гэты семінар у цяперашні час выкарыстоўвае ўзроўні навучальных мэтаў 2 (разуменне), 3 (прымяненне) і 4 (аналіз) таксаноміі Блума. Наяўнасць рэсурсаў на больш высокіх узроўнях класіфікацыі, такіх як стварэнне праектаў, можа яшчэ больш паглыбіць веды. Гэта патрабуе супрацоўніцтва з клінічнымі экспертамі, каб вызначыць, як тэмы штучнага інтэлекту можна прымяніць да клінічных працоўных працэсаў, і прадухіліць выкладанне паўтаральных тэм, якія ўжо ўключаны ў стандартныя медыцынскія праграмы.
Стварэнне тэматычных даследаванняў з выкарыстаннем штучнага інтэлекту. Падобна клінічным прыкладам, навучанне на аснове выпадкаў можа ўзмацніць абстрактныя паняцці, падкрэсліваючы іх актуальнасць для клінічных пытанняў. Напрыклад, у адным з даследаванняў семінара была прааналізавана сістэма выяўлення дыябетычнай рэтынапатыі Google на аснове штучнага інтэлекту 13, каб вызначыць праблемы на шляху ад лабараторыі да клінікі, такія як патрабаванні да знешняй праверкі і шляхі зацвярджэння рэгулятарамі.
Выкарыстоўвайце эксперыментальнае навучанне: тэхнічныя навыкі патрабуюць мэтанакіраванай практыкі і паўторнага прымянення для авалодання ёю, падобна да цыклічнага навучання клінічных стажораў. Адным з патэнцыйных рашэнняў з'яўляецца мадэль перавернутага класа, якая, як паведамляецца, паляпшае захаванне ведаў у інжынернай адукацыі14. У гэтай мадэлі студэнты самастойна пераглядаюць тэарэтычны матэрыял, а час заняткаў прысвечаны вырашэнню праблем праз вывучэнне канкрэтных выпадкаў.
Маштабаванне для ўдзельнікаў розных дысцыплінарных спецыяльнасцей: мы прадугледжваем укараненне штучнага інтэлекту, якое ўключае супрацоўніцтва паміж рознымі дысцыплінамі, у тым ліку з урачамі і сумежнымі медыцынскімі работнікамі з розным узроўнем падрыхтоўкі. Такім чынам, навучальныя праграмы, магчыма, спатрэбіцца распрацаваць у кансультацыі з выкладчыкамі розных кафедраў, каб адаптаваць іх змест да розных абласцей аховы здароўя.
Штучны інтэлект — гэта высокатэхналагічная галіна, а яе асноўныя паняцці звязаны з матэматыкай і інфарматыкай. Навучанне медыцынскіх работнікаў разуменню штучнага інтэлекту стварае унікальныя праблемы ў выбары зместу, клінічнай значнасці і метадах яго правядзення. Мы спадзяемся, што веды, атрыманыя на семінарах «Штучны інтэлект у адукацыі», дапамогуць будучым выкладчыкам прыняць інавацыйныя спосабы інтэграцыі штучнага інтэлекту ў медыцынскую адукацыю.
Скрыпт Google Colaboratory на Python мае адкрыты зыходны код і даступны па адрасе: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Пробер, К. Г. і Хан, С. Пераасэнсаванне медыцынскай адукацыі: заклік да дзеяння. Akkad. Medicine. 88, 1407–1410 (2013).
Маккой, Л. Г. і г.д. Што сапраўды трэба ведаць студэнтам-медыкам пра штучны інтэлект? Лікі НПЖ. Медыцына 3, 1–3 (2020).
Дус Сантас, Д.П. і інш. Стаўленне студэнтаў-медыкаў да штучнага інтэлекту: шматцэнтравае апытанне. EURO. радыяцыя. 29, 1640–1646 (2019).
Фан, К.Й., Ху, Р. і Сінгла, Р. Уводзіны ў машыннае навучанне для студэнтаў-медыкаў: пілотны праект. J. Med. teach. 54, 1042–1043 (2020).
Куперман Н. і інш. Выяўленне дзяцей з вельмі нізкай рызыкай клінічна значнай траўмы галаўнога мозгу пасля чэрапна-мазгавой траўмы: праспектыўнае кагортнае даследаванне. Lancet 374, 1160–1170 (2009).
Стрыт, У. Н., Вольберг, У. Х. і Мангасарыян, О. Л. Вылучэнне ядзерных прыкмет для дыягностыкі пухлін малочнай залозы. Біямедыцынская навука. Апрацоўка малюнкаў. Біямедыцынская навука. Вайс. 1905, 861–870 (1993).
Чэнь, ПХК, Лю, Ю. і Пэн, Л. Як распрацоўваць мадэлі машыннага навучання для аховы здароўя. Nat. Matt. 18, 410–414 (2019).
Сельвараджу, Р. Р. і інш. Grad-cam: Візуальная інтэрпрэтацыя глыбокіх сетак з дапамогай градыентнай лакалізацыі. Матэрыялы Міжнароднай канферэнцыі IEEE па камп'ютэрным зроку, 618–626 (2017).
Кумаравель Б., Сцюарт К. і Іліч Д. Распрацоўка і ацэнка спіральнай мадэлі для ацэнкі кампетэнцый у галіне доказнай медыцыны з выкарыстаннем OSCE ў медыцынскай адукацыі студэнтаў. BMK Medicine. teach. 21, 1–9 (2021).
Калачалама В.Б. і Гарг П.С. Машыннае навучанне і медыцынская адукацыя. Лікі НПЖ. Медыцына. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. і de Rooy, M. Штучны інтэлект у радыялогіі: 100 камерцыйных прадуктаў і іх навуковыя доказы. ЕЎРА. выпраменьванне. 31, 3797–3804 (2021).
Топаль, Э. Дж. Высокаэфектыўная медыцына: канвергенцыя чалавечага і штучнага інтэлекту. Нацыянальная медыцына. 25, 44–56 (2019).
Бедэ, Э. і інш. Арыентаваная на чалавека ацэнка сістэмы глыбокага навучання, разгорнутай у клініцы для выяўлення дыябетычнай рэтынапатыі. Матэрыялы канферэнцыі CHI 2020 года па чалавечых фактарах у вылічальных сістэмах (2020).
Кер, Б. Перавернуты клас у інжынернай адукацыі: агляд даследаванняў. Матэрыялы Міжнароднай канферэнцыі па інтэрактыўным сумесным навучанні 2015 года (2015).
Аўтары выказваюць падзяку Даніэль Уокер, Ціму Салкудзіну і Пітэру Зандстры з кластара даследаванняў біямедыцынскай візуалізацыі і штучнага інтэлекту пры Універсітэце Брытанскай Калумбіі за падтрымку і фінансаванне.
RH, PP, ZH, RS і MA адказвалі за распрацоўку зместу семінара. RH і PP адказвалі за распрацоўку прыкладаў праграмавання. KYF, OY, MT і PW адказвалі за лагістычную арганізацыю праекта і аналіз семінараў. RH, OY, MT, RS адказвалі за стварэнне малюнкаў і табліц. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS адказвалі за падрыхтоўку і рэдагаванне дакумента.
«Камунікацыйная медыцына» дзякуе Кэралін Макгрэгар, Фабіа Мараэсу і Адыцьі Боракаці за іх унёсак у агляд гэтай працы.
Час публікацыі: 19 лютага 2024 г.