Kiitos, että kävit Nature.com-sivustolla. Käyttämäsi selainversio tukee CSS:ää rajoitetusti. Parhaan tuloksen saavuttamiseksi suosittelemme uudemman selainversion käyttöä (tai Internet Explorerin yhteensopivuustilan poistamista käytöstä). Sillä välin näytämme sivuston ilman tyylittelyä tai JavaScriptiä jatkuvan tuen varmistamiseksi.
Kliinisen tekoälyn (AI) sovellukset kasvavat nopeasti, mutta nykyiset lääketieteellisten tiedekuntien opetussuunnitelmat tarjoavat tällä alueella vain vähän opetusta. Tässä kuvaamme kehittämäämme ja kanadalaisille lääketieteen opiskelijoille tarjoamaamme tekoälykoulutuskurssia ja annamme suosituksia tulevaa koulutusta varten.
Tekoäly (AI) lääketieteessä voi parantaa työpaikan tehokkuutta ja auttaa kliinisessä päätöksenteossa. Jotta tekoälyn käyttöä voidaan ohjata turvallisesti, lääkäreiden on ymmärrettävä tekoälyä jonkin verran. Monissa kommenteissa kannatetaan tekoälykäsitteiden opettamista1, kuten tekoälymallien ja -prosessien selittämistä2. Jäsenneltyjä suunnitelmia on kuitenkin toteutettu vain vähän, etenkään kansallisella tasolla. Pinto dos Santos ym.3. Kyselyyn osallistui 263 lääketieteen opiskelijaa, ja 71 % oli samaa mieltä siitä, että he tarvitsevat tekoälykoulutusta. Tekoälyn opettaminen lääketieteelliselle yleisölle vaatii huolellista suunnittelua, jossa yhdistyvät tekniset ja ei-tekniset käsitteet opiskelijoille, joilla on usein laaja ennakkotieto. Kuvailemme kokemuksiamme tekoälytyöpajojen pitämisestä kolmelle lääketieteen opiskelijaryhmälle ja annamme suosituksia tulevaa lääketieteellistä tekoälykoulutusta varten.
Viisi viikkoa kestävä lääketieteen opiskelijoille suunnattu tekoälyn perusteet -työpajamme järjestettiin kolme kertaa helmikuun 2019 ja huhtikuun 2021 välisenä aikana. Kunkin työpajan aikataulu ja lyhyt kuvaus kurssin muutoksista on esitetty kuvassa 1. Kurssillamme on kolme pääasiallista oppimistavoitetta: opiskelijat ymmärtävät, miten dataa käsitellään tekoälysovelluksissa, analysoivat tekoälykirjallisuutta kliinisiä sovelluksia varten ja hyödyntävät tilaisuuksia tehdä yhteistyötä tekoälyä kehittävien insinöörien kanssa.
Sininen on luennon aihe ja vaaleansininen interaktiivinen kysymys- ja vastausosio. Harmaa osio on lyhyen kirjallisuuskatsauksen keskipiste. Oranssit osiot ovat valittuja tapaustutkimuksia, jotka kuvaavat tekoälymalleja tai -tekniikoita. Vihreä on ohjattu ohjelmointikurssi, joka on suunniteltu opettamaan tekoälyä ratkaisemaan kliinisiä ongelmia ja arvioimaan malleja. Työpajojen sisältö ja kesto vaihtelevat opiskelijoiden tarpeiden arvioinnin mukaan.
Ensimmäinen työpaja pidettiin Brittiläisen Kolumbian yliopistossa helmikuusta huhtikuuhun 2019, ja kaikki 8 osallistujaa antoivat positiivista palautetta4. COVID-19-pandemian vuoksi toinen työpaja pidettiin virtuaalisesti loka-marraskuussa 2020, ja siihen ilmoittautui 222 lääketieteen opiskelijaa ja 3 erikoistuvaa lääkäriä 8 kanadalaisesta lääketieteellisestä tiedekunnasta. Esitysdiat ja koodi on ladattu avoimeen sivustoon (http://ubcaimed.github.io). Ensimmäisen iteraation keskeinen palaute oli, että luennot olivat liian intensiivisiä ja materiaali liian teoreettista. Kanadan kuuden eri aikavyöhykkeen palveleminen asettaa lisähaasteita. Siksi toisessa työpajassa lyhennettiin jokainen istunto yhteen tuntiin, yksinkertaistettiin kurssimateriaalia, lisättiin enemmän tapaustutkimuksia ja luotiin malliohjelmia, joiden avulla osallistujat pystyivät suorittamaan koodinpätkiä minimaalisella virheenkorjauksella (laatikko 1). Toisen iteraation keskeinen palaute sisälsi positiivisen palautteen ohjelmointiharjoituksista ja pyynnön havainnollistaa koneoppimisprojektin suunnittelua. Siksi kolmannessa työpajassamme, joka pidettiin virtuaalisesti 126 lääketieteen opiskelijalle maalis-huhtikuussa 2021, sisällytimme mukaan enemmän interaktiivisia koodausharjoituksia ja projektipalautetilaisuuksia osoittaaksemme työpajakonseptien käytön vaikutuksen projekteihin.
Data-analyysi: Tilastotieteen ala, joka tunnistaa merkityksellisiä datassa olevia malleja analysoimalla, käsittelemällä ja viestimällä datamalleja.
Tiedonlouhinta: datan tunnistamisen ja poimimisen prosessi. Tekoälyn yhteydessä tämä on usein laaja-alaista, ja jokaista otosta kohden on useita muuttujia.
Dimensionaalisuuden vähentäminen: Prosessi, jossa useita yksittäisiä ominaisuuksia sisältävä data muunnetaan vähemmäksi ominaisuuksien määräksi säilyttäen samalla alkuperäisen datajoukon tärkeät ominaisuudet.
Ominaisuudet (tekoälyn yhteydessä): otoksen mitattavissa olevat ominaisuudet. Käytetään usein synonyymeinä "ominaisuus" tai "muuttuja".
Gradientin aktivointikartta: Tekniikka, jota käytetään tekoälymallien (erityisesti konvoluutiohermoverkkojen) tulkitsemiseen ja joka analysoi verkon viimeisen osan optimointiprosessia tunnistaakseen erittäin ennustavia data- tai kuva-alueita.
Vakiomalli: Olemassa oleva tekoälymalli, joka on esikoulutettu suorittamaan samankaltaisia tehtäviä.
Testaus (tekoälyn yhteydessä): mallin suorittaman tehtävän havaitseminen 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 uutta dataa käyttäen.
Vektori: datataulukko. Koneoppimisessa jokainen taulukon alkio on yleensä otoksen ainutlaatuinen ominaisuus.
Taulukossa 1 luetellaan huhtikuun 2021 uusimmat kurssit, mukaan lukien kullekin aiheelle kohdennetut oppimistavoitteet. Tämä työpaja on tarkoitettu teknisen tason uusille, eikä se vaadi matemaattista tietämystä lääketieteen kandidaatin tutkinnon ensimmäisen vuoden jälkeen. Kurssin kehittivät kuusi lääketieteen opiskelijaa ja kolme opettajaa, joilla on korkeakoulututkinto tekniikasta. Insinöörit kehittävät tekoälyteoriaa opetukseen, ja lääketieteen opiskelijat oppivat kliinisesti relevanttia materiaalia.
Työpajat sisältävät luentoja, tapaustutkimuksia ja ohjattua ohjelmointia. Ensimmäisellä luennossa tarkastelemme valittuja biostatistiikan data-analyysin käsitteitä, mukaan lukien datan visualisointi, logistinen regressio sekä kuvailevan ja induktiivisen tilastotieteen vertailu. Vaikka data-analyysi on tekoälyn perusta, emme käsittele aiheita, kuten tiedonlouhintaa, merkitsevyystestausta tai interaktiivista visualisointia. Tämä johtui aikarajoitteista ja myös siitä, että joillakin perustutkinto-opiskelijoilla oli aiempaa koulutusta biostatistiikassa ja he halusivat käsitellä ainutlaatuisempia koneoppimisen aiheita. Seuraavalla luennolla esitellään nykyaikaisia menetelmiä ja keskustellaan tekoälyongelmien muotoilusta, tekoälymallien eduista ja rajoituksista sekä mallien testauksesta. Luentoja täydennetään kirjallisuudella ja käytännön tutkimuksella olemassa olevista tekoälylaitteista. Korostamme taitoja, joita tarvitaan mallin tehokkuuden ja toteutettavuuden arvioimiseksi kliinisten kysymysten ratkaisemiseksi, mukaan lukien olemassa olevien tekoälylaitteiden rajoitusten ymmärtäminen. Pyysimme esimerkiksi opiskelijoita tulkitsemaan Kuppermanin ym. 5 ehdottamia lasten päänvammojen hoito-ohjeita, joissa käytettiin tekoälyn päätöspuualgoritmia sen määrittämiseksi, olisiko TT-kuvaus hyödyllinen lääkärin tutkimuksen perusteella. Korostamme, että tämä on yleinen esimerkki tekoälyn tarjoamasta ennustavasta analytiikasta lääkäreiden tulkittavaksi sen sijaan, että se korvaisi lääkärit.
Saatavilla olevissa avoimen lähdekoodin bootstrap-ohjelmointiesimerkeissä (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) osoitamme, kuinka suorittaa tutkiva data-analyysi, dimensionaalisuuden vähentäminen, standardimallin lataus sekä koulutus ja testaus. Käytämme Google Colaboratory -muistikirjoja (Google LLC, Mountain View, CA), joiden avulla Python-koodia voidaan suorittaa verkkoselaimesta. Kuvassa 2 on esimerkki ohjelmointiharjoituksesta. Harjoituksessa ennustetaan pahanlaatuisia kasvaimia käyttämällä Wisconsin Open Breast Imaging Dataset6 -tietojoukkoa ja päätöspuualgoritmia.
Esittele viikon mittaan aiheeseen liittyviä ohjelmia ja valitse esimerkkejä julkaistuista tekoälysovelluksista. Ohjelmointielementtejä sisällytetään vain, jos niiden katsotaan olevan merkityksellisiä tulevaisuuden kliinisen käytännön ymmärtämisen kannalta, kuten mallien arviointi kliinisten tutkimusten käyttövalmiuden määrittämiseksi. Nämä esimerkit huipentuvat täysimittaiseen kokonaisvaltaiseen sovellukseen, joka luokittelee kasvaimet hyvänlaatuisiksi tai pahanlaatuisiksi lääketieteellisten kuvien parametrien perusteella.
Aiemman tiedon heterogeenisuus. Osallistujiemme matemaattisen tiedon taso vaihteli. Esimerkiksi edistyneen insinööritaustan omaavat opiskelijat etsivät syvällisempää materiaalia, kuten miten suorittaa omat Fourier-muunnokset. Fourier-algoritmin käsittely tunnilla ei kuitenkaan ole mahdollista, koska se vaatii syvällistä signaalinkäsittelyn tuntemusta.
Läsnäolon väheneminen. Seurantakokouksiin osallistuminen väheni, erityisesti verkkokokouksissa. Ratkaisuna voi olla läsnäolon seuraaminen ja valmistumistodistuksen myöntäminen. Lääketieteellisten tiedekuntien tiedetään tunnustavan opiskelijoiden harrastustoiminnasta tehdyt otteet, mikä voi kannustaa opiskelijoita suorittamaan tutkinnon.
Kurssin suunnittelu: Koska tekoäly kattaa niin monia osa-alueita, sopivan syvällisten ja laajojen ydinkäsitteiden valitseminen voi olla haastavaa. Esimerkiksi tekoälytyökalujen käytön jatkuvuus laboratoriosta klinikalle on tärkeä aihe. Vaikka käsittelemme datan esikäsittelyä, mallien rakentamista ja validointia, emme sisällytä aiheita, kuten big data -analytiikkaa, interaktiivista visualisointia tai tekoälyyn perustuvien kliinisten tutkimusten suorittamista, vaan keskitymme ainutlaatuisimpiin tekoälykäsitteisiin. Ohjaavana periaatteenamme on parantaa lukutaitoa, ei taitoja. Esimerkiksi sen ymmärtäminen, miten malli käsittelee syöttöominaisuuksia, on tärkeää tulkittavuuden kannalta. Yksi tapa tehdä tämä on käyttää gradienttiaktivaatiokarttoja, 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, miten datan kanssa työskennellään 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 tiedekuntien opetussuunnitelmat perustuvat usein hajautettuun toistoon tiedon vahvistamiseksi käytännön harjoitusten aikana,9 mitä voidaan soveltaa myös tekoälyopetukseen.
Ammattitaito on tärkeämpää kuin lukutaito. Materiaalin syvyys on suunniteltu ilman matemaattista tarkkuutta, mikä oli ongelma tekoälyn kliinisten kurssien käynnistämisessä. Ohjelmointiesimerkeissä käytämme malliohjelmaa, jonka avulla osallistujat voivat täyttää kenttiä ja ajaa ohjelmistoa ilman, että heidän tarvitsee selvittää, miten täydellinen ohjelmointiympäristö luodaan.
Tekoälyyn liittyvät huolenaiheet käsitelty: On laajalle levinnyttä huolta siitä, että tekoäly voisi korvata joitakin kliinisiä tehtäviä3. Tämän ongelman ratkaisemiseksi selitämme tekoälyn rajoitukset, mukaan lukien sen, että lähes kaikki sääntelyviranomaisten hyväksymät tekoälyteknologiat vaativat lääkärin valvontaa11. Korostamme myös harhan merkitystä, koska algoritmit ovat alttiita vinoumille, varsinkin jos tietojoukko ei ole monimuotoinen12. Tämän seurauksena tietty alaryhmä voidaan mallintaa väärin, mikä johtaa epäoikeudenmukaisiin kliinisiin päätöksiin.
Resurssit ovat julkisesti saatavilla: Olemme luoneet julkisesti saatavilla olevia resursseja, kuten luentokalvoja ja koodia. Vaikka synkronisen sisällön saatavuus on rajoitettua aikavyöhykkeiden vuoksi, avoimen lähdekoodin sisältö on kätevä menetelmä asynkroniseen oppimiseen, koska tekoälyosaamista ei ole saatavilla kaikissa lääketieteellisissä tiedekunnissa.
Tieteidenvälinen yhteistyö: Tämä työpaja on lääketieteen opiskelijoiden ja insinöörien yhteishanke, jossa kursseja suunnitellaan yhdessä. Tämä osoittaa yhteistyömahdollisuuksia ja tietämysvajeita molemmilla alueilla, jolloin osallistujat voivat ymmärtää, millaisen roolin he voivat tulevaisuudessa antaa.
Määrittele tekoälyn ydinosaamiset. Osaamisluettelon määrittäminen tarjoaa standardoidun rakenteen, joka voidaan integroida olemassa oleviin osaamispohjaisiin lääketieteellisiin opetussuunnitelmiin. Tässä työpajassa käytetään tällä hetkellä Bloomin taksonomian oppimistavoitteiden tasoja 2 (ymmärtäminen), 3 (soveltaminen) ja 4 (analyysi). Korkeamman luokittelutason resurssien, kuten projektien luomisen, käyttö voi vahvistaa tietoa entisestään. Tämä edellyttää yhteistyötä kliinisten asiantuntijoiden kanssa sen määrittämiseksi, miten tekoälyaiheita voidaan soveltaa kliinisiin työnkulkuihin ja estää toistuvien aiheiden opettaminen, jotka jo sisältyvät lääketieteen vakio-opetussuunnitelmiin.
Luo tapaustutkimuksia tekoälyn avulla. Samoin kuin kliinisissä esimerkeissä, tapauspohjainen oppiminen voi vahvistaa abstrakteja käsitteitä korostamalla niiden merkitystä kliinisille kysymyksille. Esimerkiksi eräässä työpajatutkimuksessa analysoitiin Googlen tekoälypohjaista diabeettisen retinopatian havaitsemisjärjestelmää13 tunnistaakseen haasteita laboratoriosta klinikalle -polulla, kuten ulkoiset validointivaatimukset ja sääntelyyn liittyvät hyväksyntäreitit.
Käytä kokemuksellista oppimista: Teknisten taitojen hallitseminen vaatii keskittynyttä harjoittelua ja toistuvaa soveltamista, samalla tavalla kuin kliinisten harjoittelijoiden kiertävät oppimiskokemukset. Yksi mahdollinen ratkaisu on käänteisen luokkahuoneen malli, jonka on raportoitu parantavan tiedon omaksumista tekniikan koulutuksessa14. Tässä mallissa opiskelijat tarkastelevat teoreettista materiaalia itsenäisesti ja oppituntiaika on omistettu ongelmien ratkaisemiselle tapaustutkimusten avulla.
Skaalaus monialaisille osallistujille: Näkemyksemme mukaan tekoälyn käyttöönottoon liittyy yhteistyötä useiden eri alojen välillä, mukaan lukien lääkärit ja muut terveydenhuollon ammattilaiset, joilla on eri tasoisia koulutustaustoja. Siksi opetussuunnitelmia on ehkä kehitettävä yhteistyössä eri osastojen tiedekuntien 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 toteutustavoissa. Toivomme, että tekoäly koulutuksessa -työpajoista saadut näkemykset auttavat tulevia kouluttajia omaksumaan innovatiivisia tapoja integroida tekoäly lääketieteelliseen koulutukseen.
Google Colaboratoryn Python-skripti on avoimen lähdekoodin ja saatavilla osoitteesta: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG ja Khan, S. Lääketieteellisen koulutuksen uudelleenajattelu: kehotus toimintaan. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG jne. Mitä lääketieteen opiskelijoiden todella tarvitsee tietää tekoälystä? NPZh-numerot. Medicine 3, 1–3 (2020).
Dos Santos, DP, ym. Lääketieteen opiskelijoiden asenteet tekoälyä kohtaan: monikeskustutkimus. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., ja Singla, R. Johdatus koneoppimiseen lääketieteen opiskelijoille: pilottiprojekti. J. Med. Teach. 54, 1042–1043 (2020).
Cooperman N ym. Kliinisesti merkittävän aivovamman riskin hyvin pienenä omaavien lasten tunnistaminen päävamman jälkeen: prospektiivinen kohorttitutkimus. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ja Mangasarian, OL. Ydinsolujen piirteiden erottaminen rintasyövän diagnosoimiseksi. Biolääketiede. Kuvankäsittely. Biolääketiede. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. ja Peng, L. Kuinka kehittää koneoppimismalleja terveydenhuoltoon. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR ym. Grad-cam: Syvien verkkojen visuaalinen tulkinta gradienttipohjaisen lokalisoinnin avulla. IEEE International Conference on Computer Vision -konferenssin julkaisut, 618–626 (2017).
Kumaravel B, Stewart K ja Ilic D. Spiraalimallin kehittäminen ja arviointi näyttöön perustuvan lääketieteen osaamisen arvioimiseksi OSCE:tä käyttäen lääketieteen kandidaattikoulutuksessa. BMK Medicine. Teach. 21, 1–9 (2021).
Kolachalama VB ja Garg PS Koneoppiminen ja lääketieteellinen koulutus. NPZh-numerot. Lääketiede. 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 Huipputehokas lääketiede: ihmisen ja tekoälyn lähentyminen. Nat. medicine. 25, 44–56 (2019).
Bede, E. ym. Ihmiskeskeinen arviointi syväoppimisjärjestelmästä, jota käytetään kliinisessä käytössä diabeettisen retinopatian havaitsemiseksi. Vuoden 2020 CHI-konferenssin julkaisut inhimillisestä toiminnasta laskentajärjestelmissä (2020).
Kerr, B. Käänteinen luokkahuone tekniikan koulutuksessa: Tutkimuskatsaus. Vuoden 2015 kansainvälisen interaktiivisen yhteistyöoppimisen konferenssin julkaisut (2015).
Kirjoittajat kiittävät Danielle Walkeria, Tim Salcudinia ja Peter Zandstraa Brittiläisen Kolumbian yliopiston biolääketieteellisen kuvantamisen ja tekoälyn tutkimusklusterista tuesta ja rahoituksesta.
RH, PP, ZH, RS ja MA vastasivat työpajan opetussisällön kehittämisestä. RH ja PP vastasivat ohjelmointiesimerkkien kehittämisestä. KYF, OY, MT ja PW vastasivat projektin logistisesta järjestelystä ja työpajojen analysoinnista. RH, OY, MT ja RS vastasivat kuvioiden ja taulukoiden luomisesta. RH, KYF, PP, ZH, OY, MY, PW, TL, MA ja RS vastasivat dokumentin luonnostelusta ja editoinnista.
Communication Medicine kiittää Carolyn McGregoria, Fabio Moraesia ja Aditya Borakatia heidän panoksestaan tämän teoksen katsaukseen.
Julkaisuaika: 19. helmikuuta 2024