Kiitos vierailustasi Nature.com. Käyttämäsi selaimessa on rajoitettu CSS -tuki. Parhaan tuloksen saavuttamiseksi suosittelemme selaimesi uudemman version käyttöä (tai kytkemällä yhteensopivuustilan käytöstä Internet Explorerissa). Sillä välin jatkuvan tuen varmistamiseksi näytämme sivuston ilman muotoilua tai JavaScriptiä.
Kliinisen tekoälyn (AI) sovellukset kasvavat nopeasti, mutta nykyiset lääketieteellisen koulun opetussuunnitelmat tarjoavat rajoitetun opetuksen, joka kattaa tämän alueen. Tässä kuvaamme keinotekoisen älykkyyden koulutuskurssia, jonka kehitimme ja toimitimme Kanadan lääketieteen opiskelijoille ja antaa suosituksia tulevaisuuden koulutukseen.
Lääketieteen keinotekoinen äly (AI) voi parantaa työpaikan tehokkuutta ja auttaa kliinistä päätöksentekoa. Keinotekoisen älykkyyden käytön ohjaamiseksi lääkärillä on oltava jonkin verran ymmärrystä tekoälystä. Monet kommentit kannattavat AI -konseptien opettamista1, kuten AI -mallien ja todentamisprosessien selittäminen2. Kuitenkin muutama jäsennelty suunnitelma on toteutettu, etenkin kansallisella tasolla. Pinto dos Santos et ai.3. Lääketieteen opiskelijaa tutkittiin 263 ja 71% suostui tarvitsevansa keinotekoisen älykkyyden koulutusta. Keinotekoisen älykkyyden opettaminen lääketieteelliselle yleisölle vaatii huolellista suunnittelua, joka yhdistää tekniset ja ei-tekniset käsitteet opiskelijoille, joilla on usein laaja aikaisempi tieto. Kuvailemme kokemuksemme toimittamalla sarjan AI -työpajoja kolmelle lääketieteen opiskelijaryhmälle ja antavat suosituksia AI: n tulevalle lääketieteelliselle koulutukselle.
Viiden viikon johdanto keinotekoiseen älykkyyteen lääketieteen opiskelijoiden lääketieteen työpajassa pidettiin kolme kertaa helmikuun 2019 ja huhtikuun 2021 välisenä aikana. Jokaiselle työpajalle tarkoitettu aikataulu, jolla on lyhyt kuvaus kurssin muutoksista, on esitetty kuvassa 1. Kurssimme on Kolme ensisijaista oppimistavoitetta: Opiskelijat ymmärtävät, kuinka tietoja käsitellään keinotekoisissa älykkyyssovelluksissa, analysoivat keinotekoisen älykkyyden kirjallisuutta kliinisiin sovelluksiin ja hyödyntävät mahdollisuuksia tehdä yhteistyötä keinotekoisen älykkyyden kehittämisen insinöörien kanssa.
Sininen on luennon ja vaaleansininen aihe on interaktiivinen kysymys- ja vastausjakso. Harmaa osa on lyhyen kirjallisuuskatsauksen painopiste. Oranssit osat valitaan tapaustutkimuksiin, jotka kuvaavat tekoälymalleja tai tekniikoita. Green on opastettu ohjelmointikurssi, joka on suunniteltu opettamaan keinotekoista älykkyyttä kliinisten ongelmien ratkaisemiseksi ja mallien arvioimiseksi. Työpajojen sisältö ja kesto vaihtelevat opiskelijoiden tarpeiden arvioinnin perusteella.
Ensimmäinen työpaja pidettiin British Columbian yliopistossa helmikuusta huhtikuuhun 2019, ja kaikki 8 osallistujaa antoivat positiivista palautetta4. COVID-19: n takia toinen työpaja pidettiin käytännössä lokakuussa 2020, ja 222 lääketieteen oppilasta ja 3 asukasta Kanadan 8 lääketieteellisestä koulusta rekisteröidy. Esitys diat ja koodit on ladattu avoimen pääsyn sivustolle (http://ubcained.github.io). Ensimmäisen iteraation keskeinen palaute oli, että luennot olivat liian voimakkaita ja materiaali myös teoreettisesti. Kanadan kuuden eri aikavyöhykkeen palveleminen asettaa lisähaasteita. Siten toinen työpaja lyhensi jokaista istuntoa 1 tunniin, yksinkertaisti kurssimateriaalia, lisäsi lisää tapaustutkimuksia ja loi kattilalevyohjelmia, joiden avulla osallistujat voivat suorittaa koodinpätkät minimaalisella virheenkorjauksella (laatikko 1). Toisen iteraation keskeinen palaute sisälsi positiivista palautetta ohjelmointiharjoituksista ja pyynnön koneoppimisprojektin suunnittelun osoittamiseksi. Siksi kolmannessa työpajassa, joka pidettiin käytännössä 126 lääketieteen opiskelijoille maaliskuussa 2021, sisällytimme interaktiivisempia koodausharjoituksia ja projektipalauteistuntoja osoittaaksemme työpajakonseptien käytön vaikutukset projektiin.
Tietoanalyysi: Tilastojen tutkimuskenttä, joka tunnistaa tietojen merkitykselliset mallit analysoimalla, käsittelemällä ja kommunikoimalla datakuvioita.
Tietojen louhinta: Tietojen tunnistamisprosessi. Keinotekoisen älykkyyden yhteydessä tämä on usein suurta, ja siinä on useita muuttujia jokaiselle näytteelle.
Dimensionaalisuuden vähentäminen: Prosessi, jolla data muuntaa monilla yksittäisillä ominaisuuksilla, on vähemmän ominaisuuksia säilyttäen samalla alkuperäisen tietojoukon tärkeät ominaisuudet.
Ominaisuudet (keinotekoisen älykkyyden yhteydessä): näytteen mitattavat ominaisuudet. Käytetään usein vuorottelevasti "omaisuuden" tai "muuttujan" kanssa.
Gradientin aktivointikartta: Tekniikka, jota käytetään tulkitsemaan tekoälymalleja (erityisesti konvoluutiohermostoverkkoja), jotka analysoivat verkon viimeisen osan optimoinnin prosessia tietojen tai kuvien alueiden tunnistamiseksi, jotka ovat erittäin ennustavia.
Vakiomalli: Nykyinen AI-malli, joka on ennen koulutettu suorittamaan samanlaisia tehtäviä.
Testaus (keinotekoisen älykkyyden yhteydessä): Tarkkailemalla, kuinka malli suorittaa tehtävän käyttämällä tietoja, joita se ei ole aiemmin havainnut.
Koulutus (keinotekoisen älykkyyden yhteydessä): Mallin tarjoaminen tietojen ja tulosten avulla niin, että malli säätää sisäisiä parametrejaan optimoidakseen sen kyvyn suorittaa tehtäviä käyttämällä uutta tietoa.
Vektori: Tietojoukko. Koneoppimisessa jokainen taulukkoelementti on yleensä näytteen ainutlaatuinen ominaisuus.
Taulukossa 1 luetellaan huhtikuun 2021 viimeisimmät kurssit, mukaan lukien kohdennetut oppimistavoitteet jokaiselle aiheelle. Tämä työpaja on tarkoitettu teknisen tason uusille, eikä se vaadi matemaattista tietoa perustutkinto -lääketieteen ensimmäisen vuoden jälkeen. Kurssin ovat kehittäneet 6 lääketieteen opiskelijaa ja 3 opettajaa, joilla on jatko -tutkinto tekniikassa. Insinöörit kehittävät keinotekoista älykkyysteoriaa opettaakseen, ja lääketieteen opiskelijat oppivat kliinisesti merkityksellistä materiaalia.
Työpajoja ovat luennot, tapaustutkimukset ja ohjattu ohjelmointi. Ensimmäisessä luennossa tarkastelemme valittuja biostatistiikan tietoanalyysin käsitteitä, mukaan lukien datan visualisointi, logistinen regressio ja kuvaavien ja induktiivisten tilastojen vertailu. Vaikka tietojen analysointi on keinotekoisen älykkyyden perusta, suljemme pois aiheet, kuten tiedon louhinta, merkitsevyystestaus tai interaktiivinen visualisointi. Tämä johtui aikarajoituksista ja myös siitä, että joillakin perustutkintoa suorittavilla opiskelijoilla oli aikaisempaa biostatistiikan koulutusta ja he halusivat kattaa ainutlaatuisemmat koneoppimisen aiheet. Seuraava luento esittelee nykyaikaisia menetelmiä ja käsittelee AI -ongelman muotoilua, AI -mallien etuja ja rajoituksia ja mallitestausta. Luentoja täydentää kirjallisuus ja nykyisten tekoälyn laitteiden käytännön tutkimus. Korostamme taitoja, joita tarvitaan mallin tehokkuuden ja toteutettavuuden arvioimiseksi kliinisten kysymysten ratkaisemiseksi, mukaan lukien olemassa olevien tekoälyn rajoitusten ymmärtäminen. Esimerkiksi, pyysimme opiskelijoita tulkitsemaan Kupperman ym. Ehdottamat lastenpäävamman ohjeet, jotka toteuttivat keinotekoisen älykkyyspäätöksen puun algoritmin sen määrittämiseksi, onko CT -skannaus hyödyllinen lääkärin tutkimuksen perusteella. Korostamme, että tämä on yleinen esimerkki AI: stä, joka tarjoaa lääkäreille ennakoivaa analytiikkaa lääkäreiden korvaamiseksi.
Käytettävissä olevassa avoimen lähdekoodin bootstrap -ohjelmointiesimerkeissä (https://github.com/ubcained/ubcained.github.io/tree/master/programming_examples), joka osoitamme, kuinka suorittaa tutkittava tietoanalyysi, ulottuvuuden vähentäminen, vakiomallikuormitus ja koulutus . ja testaus. Käytämme Google Colaboratory -kannettavia (Google LLC, Mountain View, CA), jotka sallivat Python -koodin suorittaa verkkoselaimesta. Kuviossa 2 on esimerkki ohjelmointiharjoituksesta. Tämä harjoitus käsittää pahanlaatuisten kasvaimien ennustamisen Wisconsinin avoimen rintojen kuvantamistietojoukon ja päätöksentekopuun algoritmin avulla.
Nykyiset ohjelmat koko viikon ajan aiheisiin liittyvistä aiheista ja valitse esimerkkejä julkaistuista AI -sovelluksista. Ohjelmointielementit sisällytetään vain, jos niitä pidetään merkityksellisinä tiedon tarjoamiseksi tulevista kliinisistä käytännöistä, kuten kuinka arvioida malleja sen määrittämiseksi, ovatko ne valmiita käytettäväksi kliinisissä tutkimuksissa. Nämä esimerkit huipentuvat täysimittaiseen päähän -sovellukseen, joka luokittelee kasvaimet hyvänlaatuisiksi tai pahanlaatuisiksi lääketieteellisten kuvaparametrien perusteella.
Aikaisemman tiedon heterogeenisyys. Osallistujamme vaihtelivat matemaattisen tiedon tasolla. Esimerkiksi edistyneiden tekniikan taustalla olevat opiskelijat etsivät perusteellisempaa materiaalia, kuten kuinka suorittaa omat Fourier-muunnoksensa. Fourier-algoritmin keskustelu luokassa ei kuitenkaan ole mahdollista, koska se vaatii syvällistä tietoa signaalinkäsittelystä.
Läsnäolovirta. Seurantakokouksien osallistuminen laski, etenkin online-muodoissa. Ratkaisu voi olla osallistumisen seuraaminen ja todistuksen tarjoaminen. Lääketieteellisten koulujen tiedetään tunnustavan opiskelijoiden ulkopuolisen akateemisen toiminnan tekstejä, jotka voivat rohkaista opiskelijoita suorittamaan tutkinnon.
Kurssisuunnittelu: Koska AI kattaa niin monta alakenttää, asianmukaisen syvyyden ja leveyden ydinkäsitteiden valitseminen voi olla haastavaa. Esimerkiksi AI -työkalujen käytön jatkuvuus laboratoriosta klinikalle on tärkeä aihe. Vaikka katamme tiedon esikäsittelyn, mallin rakentamisen ja validoinnin, emme sisällä aiheita, kuten Big Data Analytics, Interactive Visualisointi tai AI -kliinisten tutkimusten suorittaminen, sen sijaan keskitymme ainutlaatuisimpiin AI -käsitteisiin. Ohjausperiaatteemme on parantaa lukutaitoa, ei taitoja. Esimerkiksi ymmärtäminen, kuinka malli käsittelee syöttöominaisuuksia, on tärkeä tulkittavuuden kannalta. Yksi tapa tehdä tämä on käyttää gradientin aktivointikarttoja, jotka voivat visualisoida, mitkä datan alueet ovat ennustettavissa. Tämä vaatii kuitenkin monimuuttujalaskentaa, eikä sitä voida ottaa käyttöön8. Yhteisen terminologian kehittäminen oli haastavaa, koska yritimme selittää kuinka työskennellä tietojen kanssa vektoreina ilman matemaattista muodollisuutta. Huomaa, että eri termeillä on sama merkitys, esimerkiksi epidemiologiassa, ”ominaisuus” kuvataan ”muuttujaksi” tai “attributeiksi”.
Tiedon säilyttäminen. Koska AI: n soveltaminen on rajoitettua, sitä, missä määrin osallistujat säilyttävät tiedon, on vielä nähtävissä. Lääketieteellisen koulun opetussuunnitelmat luottavat usein välittömään toistoon, jotta voidaan vahvistaa tietoa käytännön kiertojen aikana, 9, jota voidaan soveltaa myös AI -koulutukseen.
Ammattimaisuus on tärkeämpää kuin lukutaito. Materiaalin syvyys on suunniteltu ilman matemaattista kurinalaisuutta, mikä oli ongelma käynnistettäessä keinotekoisen älykkyyden kliinisiä kursseja. Ohjelmointiesimerkkeissä käytämme malliohjelmaa, jonka avulla osallistujat voivat täyttää kentät ja suorittaa ohjelmisto tarvitsematta selvittää, kuinka täydellinen ohjelmointiympäristö voidaan asettaa.
Huolet keinotekoisesta älykkyydestä: On olemassa laajalle levinnyt huolenaihe siitä, että tekoäly voi korvata joitain kliinisiä tehtäviä3. Tämän kysymyksen ratkaisemiseksi selitämme AI: n rajoitukset, mukaan lukien se, että melkein kaikki sääntelyviranomaisten hyväksymät AI -tekniikat vaativat lääkäreiden valvontaa11. Korostamme myös puolueellisuuden merkitystä, koska algoritmit ovat alttiita puolueellisuudelle, varsinkin jos tietojoukko ei ole erilainen12. Tämän seurauksena tietty alaryhmä voidaan mallintaa väärin, mikä johtaa epäreiluihin kliinisiin päätöksiin.
Resurssit ovat julkisesti saatavilla: Olemme luoneet julkisesti saatavilla olevia resursseja, mukaan lukien luentoa ja koodia. Vaikka saatavuus synkroniseen sisältöön on rajoitettu aikavyöhykkeiden takia, avoimen lähdekoodin sisältö on kätevä menetelmä asynkroniseen oppimiseen, koska AI -asiantuntemusta ei ole saatavana kaikissa lääketieteellisissä kouluissa.
Tieteidenvälinen yhteistyö: Tämä työpaja on lääketieteen opiskelijoiden aloittama yhteisyritys suunnittelemaan kursseja yhdessä insinöörien kanssa. Tämä osoittaa yhteistyömahdollisuudet ja tietokokoukset molemmilla alueilla, jolloin osallistujat voivat ymmärtää mahdollisen roolin, jota he voivat osallistua tulevaisuudessa.
Määritä AI -ydinosaaminen. Kompetenssiluettelon määritteleminen tarjoaa standardisoidun rakenteen, joka voidaan integroida olemassa olevaan pätevyyspohjaiseen lääketieteelliseen opetussuunnitelmaan. Tämä työpaja käyttää tällä hetkellä oppimistavoitetasoja 2 (ymmärrys), 3 (sovellus) ja 4 (analyysi) Bloomin taksonomiasta. Resurssien saaminen korkeammalla luokittelutasolla, kuten projektien luominen, voi edelleen vahvistaa tietoa. Tämä vaatii työskentelyä kliinisten asiantuntijoiden kanssa sen määrittämiseksi, kuinka AI -aiheita voidaan soveltaa kliinisiin työnkulkuihin ja estämään jo tavanomaiseen lääketieteelliseen opetussuunnitelmaan jo sisällytettyjen toistuvien aiheiden opettamisen.
Luo tapaustutkimuksia AI: n avulla. Samoin kuin kliiniset esimerkit, tapauspohjainen oppiminen voi vahvistaa abstrakteja käsitteitä korostamalla niiden merkitystä kliinisiin kysymyksiin. Esimerkiksi yhdessä työpajatutkimuksessa analysoitiin Googlen AI-pohjaisen diabeettisen retinopatian havaitsemisjärjestelmää 13 tunnistaakseen haasteet laboratoriosta klinikalle, kuten ulkoiset validointivaatimukset ja sääntelyn hyväksyntäreitit.
Käytä kokemuksellista oppimista: Tekniset taidot vaativat keskittynyttä käytäntöä ja toistuvaa soveltamista Masteriin, samanlainen kuin kliinisten harjoittelijoiden pyörivät oppimiskokemukset. Yksi potentiaalinen ratkaisu on käännetty luokkahuonemalli, jonka on ilmoitettu parantavan tiedon pidättämistä tekniikan koulutuksessa14. Tässä mallissa opiskelijat tarkistavat teoreettisen materiaalin itsenäisesti ja luokan aika on omistettu ongelmien ratkaisemiseksi tapaustutkimuksen avulla.
Monitieteisten osallistujien skaalaaminen: Kuvittelemme AI: n adoptiota, joka liittyy yhteistyöhön useiden tieteenalojen välillä, mukaan lukien lääkärit ja liittolaisten terveydenhuollon ammattilaiset, joilla on vaihteleva koulutusaste. Siksi opetussuunnitelmia on ehkä kehitettävä neuvotellen eri osastojen tiedekuntien kanssa räätälöimään sisältöä terveydenhuollon eri alueille.
Keinotekoinen älykkyys on korkean teknologian ja sen ydinkonseptit liittyvät matematiikkaan ja tietotekniikkaan. Terveydenhuollon henkilöstön kouluttaminen tekoälyn ymmärtämiseksi asettaa ainutlaatuisia haasteita sisällön valinnassa, kliinisessä merkityksessä ja toimitusmenetelmissä. Toivomme, että koulutustyöpajojen AI: lta saadut näkemykset auttavat tulevia opettajia omaksumaan innovatiivisia tapoja integroida AI lääketieteelliseen koulutukseen.
Google Colaboratory Python -komentosarja on avoimen lähdekoodin ja saatavana osoitteessa: https://github.com/UBCAIMED/UBCAIMED.github.io/tree/master/.
Prober, KG ja Khan, S. Lääketieteellisen koulutuksen uudelleenarviointi: toimintakehotus. Akkad. lääke. 88, 1407–1410 (2013).
McCoy, LG jne. Mitä lääketieteen opiskelijoiden on todella tiedettävä tekoälystä? NPZH -numerot. Lääketiede 3, 1–3 (2020).
Dos Santos, DP, et ai. Lääketieteen opiskelijoiden asenteet tekoälyyn: monikeskustutkimus. Euro. säteily. 29, 1640–1646 (2019).
Fan, KY, Hu, R. ja Singla, R. Johdanto koneoppimiseen lääketieteen opiskelijoille: pilottiprojekti. J. Med. opettaa. 54, 1042–1043 (2020).
Cooperman N, et ai. Lasten tunnistaminen erittäin alhaisesta riskistä kliinisesti merkittävistä aivovaurioista päävaurion jälkeen: tulevaisuuden kohorttitutkimus. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ja Mangasarian, OL. Ydinominaisuuksien uuttaminen rintakasvaimen diagnoosiin. Biolääketiede. Kuvankäsittely. Biolääketiede. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. ja Peng, L. Kuinka kehittää koneoppimista malleja terveydenhuoltoon. Nat. Matta. 18, 410–414 (2019).
Selvaraju, RR et ai. Grad-CAM: Syvien verkkojen visuaalinen tulkinta gradienttipohjaisen lokalisaation kautta. IEEE: n kansainvälisen tietokoneen visiokonferenssin julkaisut, 618–626 (2017).
Kumaravel B, Stewart K ja ILIC D. Spiraalimallin kehittäminen ja arviointi todisteisiin perustuvan lääketieteen osaamisen arvioimiseksi Etyjin avulla perustutkintoa suorittaessa lääketieteellisessä koulutuksessa. BMK -lääketiede. opettaa. 21, 1–9 (2021).
Kolachalama VB ja GARG PS Koneoppiminen ja lääketieteellinen koulutus. NPZH -numerot. lääke. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginnenen, B. ja De Rooy, M. Radiologian tekoäly: 100 kaupallista tuotetta ja niiden tieteellistä näyttöä. Euro. säteily. 31, 3797–3804 (2021).
Topol, EJ-suorituskykyinen lääketiede: Ihmisen ja tekoälyn lähentyminen. Nat. lääke. 25, 44–56 (2019).
Bede, E. et ai. Klinikalla käytetyn syvän oppimisjärjestelmän ihmiskeskeinen arviointi diabeettisen retinopatian havaitsemiseksi. Laskentajärjestelmissä (2020) vuoden 2020 CHI -konferenssin julkaisut inhimillisistä tekijöistä (2020).
Kerr, B. Teknisen koulutuksen käännetty luokka: tutkimuskatsaus. Vuoden 2015 kansainvälisen interaktiivisen yhteistyöoppimisen konferenssin (2015) julkaisut (2015).
Kirjailijat kiittävät Danielle Walkeria, Tim Salcudinia ja Peter Zandstraa biolääketieteellisestä kuvantamis- ja tekoälyn tutkimusklusterista British Columbian yliopistossa tuesta ja rahoituksesta.
RH, PP, ZH, RS ja MA olivat vastuussa työpajan opetussisällön kehittämisestä. RH ja PP olivat vastuussa ohjelmointiesimerkkien kehittämisestä. KYF, OY, MT ja PW olivat vastuussa projektin logistisesta organisaatiosta ja työpajojen analysoinnista. RH, OY, MT, RS olivat vastuussa lukujen ja taulukoiden luomisesta. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS olivat vastuussa asiakirjan laatimisesta ja muokkaamisesta.
Viestintälääketiede kiitos Carolyn McGregor, Fabio Moraes ja Aditya Borakati heidän panoksestaan tämän työn tarkistamiseen.
Viestin aika: helmikuu 19-2024