Kiitos vierailustasi Nature.comissa.Käyttämäsi selainversiolla on rajoitettu CSS-tuki.Parhaan tuloksen saavuttamiseksi suosittelemme selaimen uudemman version käyttöä (tai yhteensopivuustilan poistamista Internet Explorerissa).Jatkuvan tuen varmistamiseksi näytämme tällä välin sivustoa ilman tyyliä tai JavaScriptiä.
Kliinisen tekoälyn (AI) sovellukset kasvavat nopeasti, mutta nykyiset lääketieteellisten koulujen opetussuunnitelmat tarjoavat rajoitetusti opetusta tälle alueelle.Tässä kuvailemme tekoälyn koulutuskurssia, jonka kehitimme ja toimitimme kanadalaisille lääketieteen opiskelijoille, ja teemme suosituksia tulevaa koulutusta varten.
Tekoäly (AI) lääketieteessä voi parantaa työpaikan tehokkuutta ja auttaa kliinistä päätöksentekoa.Jotta tekoälyn käyttöä voidaan ohjata turvallisesti, lääkäreillä on oltava jonkin verran käsitystä tekoälystä.Monet kommentit puoltavat tekoälykonseptien opettamista1, kuten tekoälymallien ja todentamisprosessien2 selittämistä.Strukturoituja suunnitelmia on kuitenkin toteutettu vain vähän, varsinkin kansallisella tasolla.Pinto dos Santos et al.3.Tutkimukseen osallistui 263 lääketieteen opiskelijaa, joista 71 % myönsi tarvitsevansa koulutusta tekoälyn alalla.Tekoälyn opettaminen lääketieteelliselle yleisölle vaatii huolellista suunnittelua, jossa yhdistyvät tekniset ja ei-tekniset käsitteet opiskelijoille, joilla on usein laaja aiempi tietämys.Kuvaamme kokemustamme tekoälytyöpajojen järjestämisestä kolmelle lääketieteen opiskelijoiden ryhmälle ja annamme suosituksia tulevaa tekoälyä koskevaa lääketieteellistä koulutusta varten.
Viiden viikon Johdatus tekoälyyn lääketieteen työpajamme lääketieteen opiskelijoille järjestettiin kolme kertaa helmikuun 2019 ja huhtikuun 2021 välisenä aikana. Jokaisen työpajan aikataulu ja lyhyt kuvaus kurssin muutoksista on esitetty kuvassa 1. Kurssillamme on kolme ensisijaista oppimistavoitetta: Opiskelija ymmärtää, kuinka dataa käsitellään tekoälysovelluksissa, analysoi tekoälyn kirjallisuutta kliinisiin sovelluksiin ja hyödyntää mahdollisuuksia tehdä yhteistyötä tekoälyä kehittävien insinöörien kanssa.
Sininen on luennon aiheena ja vaaleansininen interaktiivinen kysymys-vastausjakso.Harmaa osa on lyhyen kirjallisuuskatsauksen painopiste.Oranssit osat ovat valittuja tapaustutkimuksia, jotka kuvaavat tekoälyn malleja tai tekniikoita.Green on ohjattu ohjelmointikurssi, joka on suunniteltu opettamaan tekoälyä ratkaisemaan kliinisiä ongelmia ja arvioimaan malleja.Työpajojen sisältö ja kesto vaihtelevat opiskelijan tarpeiden arvioiden mukaan.
Ensimmäinen työpaja pidettiin British Columbian yliopistossa helmi-huhtikuussa 2019, ja kaikki 8 osallistujaa antoivat positiivista palautetta4.COVID-19:n vuoksi toinen työpaja pidettiin virtuaalisesti loka-marraskuussa 2020, ja sinne ilmoittautui 222 lääketieteen opiskelijaa ja 3 asukasta kahdeksasta Kanadan lääketieteellisestä korkeakoulusta.Esitysdiat ja koodi on ladattu avoimen pääsyn sivustolle (http://ubcaimed.github.io).Keskeinen palaute ensimmäisestä iteraatiosta oli, että luennot olivat liian intensiivisiä ja materiaali liian teoreettista.Kanadan kuuden eri aikavyöhykkeen palveleminen asettaa lisähaasteita.Siten toisessa työpajassa jokainen istunto lyhensi yhteen tuntiin, yksinkertaisti kurssimateriaalia, lisäsi tapaustutkimuksia ja loi laajennusohjelmia, joiden avulla osallistujat pystyivät suorittamaan koodinpätkät mahdollisimman vähäisellä virheenkorjauksella (laatikko 1).Toisen iteroinnin keskeisenä palautteena olivat positiivinen palaute ohjelmointiharjoituksista ja pyyntö esittää koneoppimisprojektin suunnittelu.Siksi kolmanteen työpajaamme, joka järjestettiin virtuaalisesti 126 lääketieteen opiskelijalle maalis-huhtikuussa 2021, sisälsimme enemmän interaktiivisia koodausharjoituksia ja projektipalauteistuntoja demonstroidaksemme työpajakonseptien käytön vaikutuksia projekteihin.
Data-analyysi: Tilastojen tutkimusala, joka tunnistaa merkityksellisiä tiedoissa olevia kuvioita analysoimalla, käsittelemällä ja välittämällä tietomalleja.
Tiedonlouhinta: prosessi tietojen tunnistamiseksi ja poimimiseksi.Tekoälyn yhteydessä tämä on usein suuri, ja jokaiselle näytteelle on useita muuttujia.
Mittasuhteiden vähentäminen: Prosessi, jossa dataa, jossa on monia yksittäisiä ominaisuuksia, muunnetaan vähemmän ominaisuuksiksi säilyttäen samalla alkuperäisen tietojoukon tärkeät ominaisuudet.
Ominaisuudet (tekoälyn yhteydessä): näytteen mitattavissa olevat ominaisuudet.Käytetään usein vaihtokelpoisesti "omaisuuden" tai "muuttujan" kanssa.
Gradienttiaktivointikartta: Tekoälymallien (erityisesti konvoluutiohermoverkkojen) tulkitsemiseen käytetty tekniikka, joka analysoi verkon viimeisen osan optimointiprosessia, jotta voidaan tunnistaa datan tai kuvan alueet, jotka ovat erittäin ennustavia.
Vakiomalli: olemassa oleva tekoälymalli, joka on esikoulutettu suorittamaan samanlaisia tehtäviä.
Testaus (tekoälyn yhteydessä): tarkkailee, kuinka malli suorittaa tehtävän käyttämällä dataa, jota se ei ole aiemmin kohdannut.
Koulutus (tekoälyn yhteydessä): Mallin tarjoaminen datalla ja tuloksilla, jotta malli säätää sisäisiä parametrejaan optimoidakseen kykynsä suorittaa tehtäviä käyttämällä uutta tietoa.
Vektori: datajoukko.Koneoppimisessa jokainen taulukon elementti on yleensä näytteen ainutlaatuinen ominaisuus.
Taulukossa 1 on lueteltu viimeisimmät kurssit huhtikuulle 2021, mukaan lukien kohdistetut oppimistavoitteet kullekin aiheelle.Tämä työpaja on tarkoitettu uusille tekniselle tasolle, eikä se vaadi matemaattista tietoa lääketieteen perustutkinnon ensimmäisen vuoden jälkeen.Kurssin kehitti 6 lääketieteen opiskelijaa ja 3 opettajaa, joilla on ylemmän tason insinööritutkinto.Insinöörit kehittävät tekoälyteoriaa opettaakseen, ja lääketieteen opiskelijat oppivat kliinisesti merkityksellistä materiaalia.
Työpajat sisältävät luentoja, tapaustutkimuksia ja ohjattua ohjelmointia.Ensimmäisellä luennolla käymme läpi valikoituja biostatistiikan data-analyysin käsitteitä, mukaan lukien datan visualisointi, logistinen regressio sekä kuvailevien ja induktiivisten tilastojen vertailu.Vaikka data-analyysi on tekoälyn perusta, jätämme pois aiheita, kuten tiedon louhinta, merkitystestaus tai interaktiivinen visualisointi.Tämä johtui aikarajoituksista ja myös siitä, että joillakin perustutkinto-opiskelijoilla oli aiempaa biostatistiikkakoulutusta ja he halusivat käsitellä ainutlaatuisempia koneoppimisaiheita.Seuraava luento esittelee nykyaikaisia menetelmiä ja käsittelee tekoälyongelmien muotoilua, tekoälymallien etuja ja rajoituksia sekä mallitestausta.Luentoja täydentää kirjallisuus ja käytännön tutkimus olemassa olevista tekoälylaitteista.Korostamme taitoja, joita vaaditaan kliinisiin kysymyksiin vastaavan mallin tehokkuuden ja toteutettavuuden arvioimiseksi, mukaan lukien olemassa olevien tekoälylaitteiden rajoitusten ymmärtäminen.Pyysimme esimerkiksi opiskelijoita tulkitsemaan Kuppermanin et al.:n ehdottamia lasten päävammaohjeita, 5 jotka toteuttivat tekoälyn päätöspuualgoritmin määrittääkseen, olisiko TT-skannauksesta hyötyä lääkärin tutkimuksen perusteella.Korostamme, että tämä on yleinen esimerkki tekoälystä, joka tarjoaa ennakoivaa analytiikkaa lääkäreiden tulkittavaksi sen sijaan, että se korvaa lääkäreitä.
Käytettävissä olevissa avoimen lähdekoodin bootstrap-ohjelmointiesimerkeissä (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) osoitamme, kuinka suorittaa tutkiva data-analyysi, ulottuvuuden vähentäminen, vakiomallin lataus ja koulutus. .ja testaus.Käytämme Google Colaboratoryn muistikirjoja (Google LLC, Mountain View, CA), jotka mahdollistavat Python-koodin suorittamisen verkkoselaimesta.Kuvassa kuvassa 2 on esimerkki ohjelmointiharjoituksesta.Tämä harjoitus sisältää pahanlaatuisten kasvainten ennustamisen käyttämällä Wisconsin Open Breast Imaging Dataset6:a ja päätöspuualgoritmia.
Esittele ohjelmia koko viikon ajan aiheeseen liittyvistä aiheista ja valitse esimerkkejä julkaistuista tekoälysovelluksista.Ohjelmointielementit sisällytetään vain, jos niiden katsotaan olevan olennaisia tulevaisuuden kliinisen käytännön ymmärtämisen kannalta, esimerkiksi kuinka arvioida malleja sen määrittämiseksi, ovatko ne valmiita käytettäväksi kliinisissä tutkimuksissa.Nämä esimerkit huipentuvat täysimittaiseen päästä päähän -sovellukseen, joka luokittelee kasvaimet hyvänlaatuisiksi tai pahanlaatuisiksi lääketieteellisten kuvaparametrien perusteella.
Aikaisemman tiedon heterogeenisyys.Osallistujamme matemaattisten tietojen taso vaihteli.Esimerkiksi opiskelijat, joilla on edistynyt insinööritausta, etsivät syvempää materiaalia, kuten omien Fourier-muunnosten suorittamista.Fourier-algoritmista ei kuitenkaan voi keskustella luokassa, koska se vaatii syvällistä tietoa signaalinkäsittelystä.
Läsnäolojen ulosvirtaus.Seurantakokouksiin osallistuminen väheni, etenkin verkkomuodoissa.Ratkaisu voi olla läsnäolon seuraaminen ja suorittamistodistuksen toimittaminen.Lääketieteellisten koulujen tiedetään tunnistavan opiskelijoiden koulun ulkopuolisten akateemisten toimien kopiot, mikä voi kannustaa opiskelijoita suorittamaan tutkinnon.
Kurssin suunnittelu: Koska tekoäly kattaa niin monia osakenttiä, sopivan syvyyden ja leveyden ydinkonseptien valitseminen voi olla haastavaa.Esimerkiksi tekoälytyökalujen käytön jatkuvuus laboratoriosta klinikalle on tärkeä aihe.Vaikka käsittelemme tietojen esikäsittelyä, mallin rakentamista ja validointia, emme sisällytä aiheita, kuten big datan analytiikkaa, interaktiivista visualisointia tai tekoälyn kliinisten tutkimusten suorittamista, vaan keskitymme ainutlaatuisimpiin tekoälykonsepteihin.Ohjaava periaatteemme on parantaa lukutaitoa, ei taitoja.Esimerkiksi sen ymmärtäminen, kuinka malli käsittelee syöteominaisuuksia, on tärkeää 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 dataa voidaan käsitellä vektoreina ilman matemaattista formalismia.Huomaa, että eri termeillä on sama merkitys, esimerkiksi epidemiologiassa "ominaisuus" kuvataan "muuttujaksi" tai "attribuutiksi".
Tiedon säilyttäminen.Koska tekoälyn soveltaminen on rajallista, jää nähtäväksi, missä määrin osallistujat säilyttävät tiedon.Lääketieteellisten koulujen opetussuunnitelmat perustuvat usein jaksotettuun toistoon tiedon vahvistamiseksi käytännön kiertojen aikana,9 mitä voidaan soveltaa myös tekoälykoulutukseen.
Ammattimaisuus on tärkeämpää kuin lukutaito.Materiaalin syvyys on suunniteltu ilman matemaattista kurinalaisuutta, mikä oli ongelma aloitettaessa tekoälyn kliinisiä kursseja.Ohjelmointiesimerkeissä käytämme malliohjelmaa, jonka avulla osallistujat voivat täyttää kenttiä ja ajaa ohjelmistoa ilman, että heidän tarvitsee selvittää, kuinka koko ohjelmointiympäristö luodaan.
Käsitelty tekoälyä koskevia huolenaiheita: On laajalle levinnyt huoli siitä, että tekoäly voisi korvata jotkin kliiniset tehtävät3.Tämän ongelman ratkaisemiseksi selitämme tekoälyn rajoitukset, mukaan lukien sen tosiasian, että lähes kaikki viranomaisten hyväksymät tekoälytekniikat vaativat lääkärin valvontaa11.Korostamme myös harhan merkitystä, koska algoritmit ovat alttiita harhaan, varsinkin jos tietojoukko ei ole monipuolinen12.Tämän seurauksena tietty alaryhmä voidaan mallintaa väärin, mikä johtaa epäreiluihin kliinisiin päätöksiin.
Resurssit ovat julkisesti saatavilla: Olemme luoneet julkisesti saatavilla olevia resursseja, mukaan lukien luentokalvot ja koodit.Vaikka pääsy synkroniseen sisältöön on rajoitettu aikavyöhykkeiden vuoksi, avoimen lähdekoodin sisältö on kätevä tapa asynkroniseen oppimiseen, koska tekoälyn asiantuntemusta ei ole saatavilla kaikissa lääketieteellisissä kouluissa.
Tieteidenvälinen yhteistyö: Tämä työpaja on lääketieteen opiskelijoiden käynnistämä yhteisyritys, jossa suunnitellaan kursseja yhdessä insinöörien kanssa.Tämä osoittaa yhteistyömahdollisuuksia ja tiedon puutteita molemmilla aloilla, mikä antaa osallistujille mahdollisuuden ymmärtää mahdollisen roolin, jonka he voivat osallistua tulevaisuudessa.
Määrittele tekoälyn ydinkompetenssit.Kompetenssiluettelon määrittäminen tarjoaa standardoidun rakenteen, joka voidaan integroida olemassa oleviin pätevyyspohjaisiin lääketieteen opetussuunnitelmiin.Tämä työpaja käyttää tällä hetkellä Bloomin taksonomian oppimistavoitetta 2 (ymmärtäminen), 3 (sovellus) ja 4 (analyysi).Resurssit korkeammilla luokittelutasoilla, kuten projektien luominen, voivat vahvistaa tietämystä entisestään.Tämä edellyttää yhteistyötä kliinisten asiantuntijoiden kanssa sen selvittämiseksi, kuinka tekoälyaiheita voidaan soveltaa kliinisiin työnkulkuihin ja estää toistuvien aiheiden opettaminen, jotka sisältyvät jo lääketieteen vakio-opetussuunnitelmiin.
Luo tapaustutkimuksia tekoälyllä.Kuten kliiniset esimerkit, tapauspohjainen oppiminen voi vahvistaa abstrakteja käsitteitä korostamalla niiden merkitystä kliinisissä kysymyksissä.Esimerkiksi yhdessä työpajatutkimuksessa analysoitiin Googlen tekoälyyn perustuva diabeettisen retinopatian havaitsemisjärjestelmä 13 laboratoriosta klinikalle kulkevien haasteiden tunnistamiseksi, kuten ulkoiset validointivaatimukset ja viranomaishyväksyntäreitit.
Käytä kokemuksellista oppimista: Tekniset taidot vaativat kohdennettua harjoittelua ja toistuvaa soveltamista mestariin, kuten kliinisten harjoittelijoiden kiertävät oppimiskokemukset.Yksi mahdollinen ratkaisu on käännetty luokkahuonemalli, jonka on raportoitu parantavan tiedon säilyttämistä insinöörikoulutuksessa14.Tässä mallissa opiskelijat käyvät läpi teoreettista materiaalia itsenäisesti ja tuntiaikaa käytetään ongelmien ratkaisemiseen tapaustutkimusten avulla.
Skaalaus monitieteisille osallistujille: Suunnittelemme tekoälyn käyttöönoton, joka sisältää yhteistyötä useiden tieteenalojen kesken, mukaan lukien lääkärit ja liittolaiset terveydenhuollon ammattilaiset, joilla on eri koulutustaso.Siksi opetussuunnitelmia on ehkä kehitettävä yhteistyössä eri osastojen opettajien kanssa, jotta niiden sisältö voidaan räätälöidä terveydenhuollon eri osa-alueille.
Tekoäly on huipputeknologiaa ja sen ydinkäsitteet liittyvät matematiikkaan ja tietojenkäsittelytieteeseen.Terveydenhuollon henkilöstön kouluttaminen ymmärtämään tekoälyä asettaa ainutlaatuisia haasteita sisällön valinnassa, kliinisessä merkityksessä ja toimitusmenetelmissä.Toivomme, että AI in Education -työpajoista saadut oivallukset auttavat tulevia kouluttajia omaksumaan innovatiivisia tapoja integroida tekoäly lääketieteelliseen koulutukseen.
Google Colaboratory Python -skripti on avoimen lähdekoodin ja saatavilla osoitteessa: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG ja Khan, S. Lääketieteellisen koulutuksen uudelleenarviointi: kehotus toimia.Akkad.lääke.88, 1407–1410 (2013).
McCoy, LG jne. Mitä lääketieteen opiskelijoiden todella tarvitsee tietää tekoälystä?NPZh numerot.Medicine 3, 1–3 (2020).
Dos Santos, DP, et ai.Lääketieteen opiskelijoiden asenteet tekoälyä kohtaan: monikeskustutkimus.EURO.säteilyä.29, 1640–1646 (2019).
Fan, KY, Hu, R. ja Singla, R. Johdatus koneoppimiseen lääketieteen opiskelijoille: pilottiprojekti.J. Med.opettaa.54, 1042–1043 (2020).
Cooperman N, et ai.Lasten tunnistaminen, joilla on erittäin pieni riski saada kliinisesti merkittävä aivovamma päävamman jälkeen: prospektiivinen kohorttitutkimus.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ja Mangasarian, OL.Ydinominaisuuden poisto rintakasvaindiagnostiikkaan.Biolääketieteellinen tiede.Kuvankäsittely.Biolääketieteellinen tiede.Weiss.1905, 861-870 (1993).
Chen, PHC, Liu, Y. ja Peng, L. Kuinka kehittää koneoppimismalleja terveydenhuoltoon.Nat.Matta.18, 410–414 (2019).
Selvaraju, RR et ai.Grad-cam: Syvien verkkojen visuaalinen tulkinta gradienttipohjaisen lokalisoinnin avulla.Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K ja Ilic D. Spiraalimallin kehittäminen ja arviointi näyttöön perustuvien lääketieteellisten kompetenssien arvioimiseksi Etyjin avulla lääketieteen peruskoulutuksessa.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 Ginneken, B. ja de Rooy, M. Tekoäly radiologiassa: 100 kaupallista tuotetta ja niiden tieteellinen näyttö.EURO.säteilyä.31, 3797–3804 (2021).
Topol, EJ Tehokas lääketiede: ihmisen ja tekoälyn lähentyminen.Nat.lääke.25, 44–56 (2019).
Bede, E. et ai.Ihmiskeskeinen arviointi syväoppimisjärjestelmästä, joka on käytössä klinikalla diabeettisen retinopatian havaitsemiseksi.Proceedings of 2020 CHI Conference on Human Factors in Computing Systems (2020).
Kerr, B. Insinöörikoulutuksen käännetty luokkahuone: tutkimuskatsaus.Proceedings of the 2015 International Conference on Interactive Collaborative Learning (2015).
Kirjoittajat kiittävät Danielle Walkeria, Tim Salcudinia ja Peter Zandstraa British Columbian yliopiston biolääketieteellisen kuvantamisen ja tekoälyn tutkimusklusterista tuesta ja rahoituksesta.
RH, PP, ZH, RS ja MA vastasivat työpajaopetuksen sisällön kehittämisestä.RH ja PP vastasivat ohjelmointiesimerkkien kehittämisestä.Projektin logistisesta organisoinnista ja työpajojen analysoinnista vastasivat KYF, OY, MT ja PW.RH, OY, MT, RS vastasivat kuvien ja taulukoiden luomisesta.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS vastasivat asiakirjan laatimisesta ja muokkaamisesta.
Viestintälääketiede kiittää Carolyn McGregoria, Fabio Moraesia ja Aditya Borakatia heidän panoksestaan tämän työn arvioinnissa.
Postitusaika: 19.2.2024