Хвала вам на посети натуре.цом. Верзија претраживача користите има ограничена ЦСС подршка. За најбоље резултате, препоручујемо употребу новије верзије вашег прегледача (или искључивање режима компатибилности у Интернет Екплорер). У међувремену, како би се осигурала стална подршка, приказујемо веб локацију без стила или ЈаваСцрипт-а.
Пријаве клиничке вештачке интелигенције (АИ) брзо расту, али постојеће медицинске школске наставне програме нуде ограничену наставу која покрива ово подручје. Овде описујемо течај вештачке интелигенције које смо развили и доставили се у канадске медицинске студенте и дајемо препоруке за будућу обуку.
Вештачка интелигенција (АИ) у медицини може побољшати ефикасност на радном месту и помоћ клиничког одлучивања. Да би сигурно водили употребу вештачке интелигенције, лекари морају имати неко разумевање вештачке интелигенције. Многи коментари заговарају подучавање АИ концепта1, као што су објашњење АИ модела и процеса верификације2. Међутим, имплементирано је неколико структурираних планова, посебно на националном нивоу. Пинто Дос Сантос ет ал.3. Анкетирано је 263 медицинских студената, а 71% се сложило да им је потребна обука у вештачкој обавештајној служби. Подучавање вештачке интелигенције медицинској публици захтева пажљив дизајн који комбинује техничке и нетехничке концепте за студенте који често имају опсежно претходно знање. Ми опишемо своје искуство које пружа низ радионица на три групе студената и даје препоруке за будуће медицинско образовање у АИ.
Наша петонодена увод у вештачку интелигенцију у медицинској радионици за медицинске студенте одржана је три пута између фебруара 2019. и априла 2021. године. Распоред за сваку радионицу, са кратким описом промена курса, приказан је на слици 1. Наш курс је приказан Три циљеве примарног учења: Студенти разумеју како се подаци обрађују у вештачкој обавештајној апликацијама, анализирају вештачку обавештајну литературу за клиничке апликације и искористе могућности да сарађују са инжењерским развојем вештачке интелигенције.
Плава је тема предавања и светло плаве је интерактивно питање питања и одговора. Сиви одељак је фокус преиспитивања кратких литературе. Наранџасти одељци су одабране студије случаја које описују моделе или технике вештачке интелигенције. Зелено је вођени програм програмирања дизајниран да учи вештачку интелигенцију за решавање клиничких проблема и процени моделе. Садржај и трајање радионица варирају на основу процене студентских потреба.
Прва радионица одржана је на Универзитету Британске Колумбије од фебруара до априла 2019. године, а свих 8 учесника дало је позитивне повратне информације4. Због Цовлид-19, друга радионица је одржана практично у октобру-новембру 2020. године, са 222 студената медицине и 3 становника са 8 регистрација канадских медицинских школа. Презентацијске слајдове и кодекс су постављени на место отвореног приступа (хттп: //убцаимед.гитхуб.ио). Кључне повратне информације из прве итерације је била да су предавања била превише интензивна и материјал превише теоријски. Послуживање Канадских шест различитих временских зона представља додатне изазове. Стога је друга радионица скратила сваку сесију на 1 сат, поједноставила материјал курса, додала је више студија случаја и створила програме котала који су дозволили учесницима да комплетирају исјечке кода са минималним уклањањем грешака (поље 1). Кључне повратне информације из друге итерације обухватају позитивне повратне информације о вежбама програмирања и захтев за демонстрирање планирања пројекта учења машине. Стога је у нашој трећој радионици одржао готово 126 студената медицине у марту-априлу 2021. године, укључили смо више интерактивних вежби кодирања и сесије за повратне информације о пројекту да покажу утицај коришћења концепата радионица на пројектима.
Анализа података: Поље студија у статистици која идентификује смислене обрасце у подацима анализирањем, обрадом и комуникацијом образаца података.
Рударство података: Процес идентификације и вађења података. У контексту вештачке интелигенције, то је често велика, са више променљивих за сваки узорак.
Смањење димензија: Процес трансформације података са многим појединачним карактеристикама у мање функција за очување важних својстава оригиналног скупа података.
Карактеристике (у контексту вештачке интелигенције): мерљива својства узорка. Често се међусобно користи са "некретнином" или "променљивим".
Мапа активације градијента: Техника која се користи за тумачење модела вештачке интелигенције (посебно конвуроналне неуронске мреже), што анализира процес оптимизације последњег дела мреже ради идентификовања региона података или слика које су високо предиктивне.
Стандардни модел: Постојећи АИ модел који је пре-обучен за обављање сличних задатака.
Тестирање (у контексту вештачке интелигенције): Посматрање начина на који модел обавља задатак коришћењем података које се раније није сусрела.
Обука (у контексту вештачке интелигенције): Обезбеђивање модела са подацима и резултатима тако да модел прилагођа своје интерне параметре како би оптимизирао своју способност обављања задатака помоћу нових података.
Вектор: низ података. У машинском учењу, сваки елемент матрице је обично јединствена карактеристика узорка.
Табела 1 наводи последње курсеве за април 2021., укључујући циљане циљеве учења за сваку тему. Ова радионица је намењена за оне Нове на техничком нивоу и не захтева никакво математичко знање изван прве године додипломске медицинске дипломе. Курс је развио 6 студената медицинских и 3 наставника са напредним степенима у инжењерингу. Инжењери развијају теорију вештачке обавештајне службе за подучавање, а студенти медицине уче клинички релевантни материјал.
Радионице укључују предавања, студије случаја и вођени програмирање. У првом предавању прегледавамо одабране концепте анализе података у биостатистици, укључујући визуелизацију података, логистичку регресију и поређење описних и индуктивних статистика. Иако је анализа података основа вештачке интелигенције, искључујемо теме као што су рударство података, тестирање значаја или интерактивна визуализација. То је било због временских ограничења и такође зато што су неки додипломски студенти имали претходну обуку у биостатистици и желели су да покрију јединствене теме у учењу машина. Накнадно предавање уводи савремене методе и расправља о АИ формулисању, предностима и ограничењима АИ модела и тестирање модела. Предавања су допуњена литературом и практичним истраживањима постојећих вештачких обавештајних уређаја. Наглашавамо вештине потребне за процену ефикасности и изводљивости модела за решавање клиничких питања, укључујући разумевање ограничења постојећих вештачких обавештајних уређаја. На пример, замолили смо студенте да протумачимо смернице за повреде педијатријске главе које је предложио Купперман ет ал., 5 који је реализовао алгоритам стабла вештачке интелигенције да би се утврдио да ли би ЦТ скенирање било корисно на основу лекара. Наглашавамо да је то уобичајени пример АИ који пружа предиктивну аналитику за лекаре да тумаче, уместо да замене лекаре.
У доступним програмима Опен Соурце ЦлатсРап (хттпс: //итхуб.цом/убцаимед/гитХимед.гитхуб.ио/трее/мастер/программинг_екамплес), демонстрирамо како да обављамо истраживачку анализу података, смањење димензија, стандардне модел оптерећења и обуке . и тестирање. Користимо Гоогле Цолаборатори Нотебоок-ове (Гоогле ЛЛЦ, поглед на планину, ЦА), који омогућавају да се Питхон код изврше из веб прегледача. На слици Слика 2 даје пример програмирања. Ова вежба укључује предвиђање малигнитета користећи Висцонсин Отвори ДатаСетС6 и алгоритам стабла доношења.
Представни програми током недеље на повезаним темама и одаберите Примјери из објављених АИ апликација. Програмирани елементи укључују се само ако се сматрају релевантним за пружање увида у будућу клиничку праксу, као што је како да процени моделе да утврде да ли су спремни за употребу у клиничким испитивањима. Ови примери кулминирају у потпуном провртној примјени крајње до краја који класификује туморе као бенигни или малигни засновани на медицинским параметрима слике.
Хетерогеност претходног знања. Наши учесници су варирали на њиховом нивоу математичког знања. На пример, студенти са напредним инжењерским позадинама траже дубински материјал, као што је начин како извршити своје фориере трансформације. Међутим, расправљајући о челичарском алгоритму у разреду није могуће јер захтева дубинско знање о обради сигнала.
Одлив похађања. Похађање на праћењу састанка опадало је, посебно у мрежним форматама. Раствор може бити да се прати присуство и пружи сертификат о завршетку. Познато је да медицинске школе признају транскрипте ваннаставних академских активности ученика, које могу подстаћи студенте да наставе диплому.
Дизајн курса: Зато што АИ распони толико подстава, избор основних концепата одговарајуће дубине и ширине могу бити изазовне. На пример, континуитет употребе АИ алата из лабораторије на клинику је важна тема. Иако покривамо претпроцес за прераду података, производњу модела и валидације, не укључујемо теме као што су велика аналитика података, интерактивна визуализација или спровођење АИ клиничких испитивања, уместо тога фокусирамо се на најнижничније АИ концепте. Наш вођење принципа је побољшати писменост, а не вештине. На пример, разумевање начина на који се улазне функције уноса модела је важна за интерпретабилност. Један од начина да се то уради је да користите мапе за активирање градијената, које могу визуализовати који су региони података предвидљиви. Међутим, то је потребан мултиваријантни рачунарски и не може се увести8. Развијање заједничке терминологије је изазовно било јер смо покушавали да објаснимо како да сарађујемо са подацима као векторима без математичког формализма. Имајте на уму да различити изрази имају исто значење, на пример, у епидемиологији, "карактеристично" је описан као "променљив" или "атрибут".
Задржавање знања. Будући да је апликација АИ ограничена, у којој мери да учесници задрже знање и даље се виде. Наставни програми медицинске школе често се ослањају на размакнуте понављање како би се појачало знање током практичних ротације, 9 који се такође могу применити на АИ образовање.
Професионализам је важнији од писмености. Дубина материјала је дизајнирана без математичке ригорке, што је био проблем приликом покретања клиничких курсева у вештачкој обавештајној служби. У програмским примерима користимо програм шаблона који омогућава учесницима да попуне поља и покрену софтвер без да се утврде како да поставе комплетно окружење програмирања.
Забринутост због вештачке интелигенције упућена: Постоји широко забрињавајућа забринутост да би вештачка интелигенција могла заменити неке клиничке дужности3. Да бисмо се позабавили овом проблематиком, објашњавамо ограничења АИ, укључујући чињеницу да скоро све АИ технологије које су одобрене од стране регулатора захтевају надгледање лекара11. Такође наглашавамо важност пристрасности јер су алгоритми склони пристраности, посебно ако сет података није разнолик12. Сходно томе, одређена подгрупа може се погрешно моделирати, што доводи до неправедних клиничких одлука.
Ресурси су јавно доступни: креирали смо јавно доступне ресурсе, укључујући предавања и шифре предавања. Иако је приступ синхроном садржају ограничен због временских зона, садржај отвореног кода је погодан начин асинхроног учења јер АИ стручност није доступна у свим медицинским школама.
Интердисциплинарна сарадња: Ова радионица је заједничко улагање које су студенти који су покренули да планирају курсеве заједно са инжењерима. Ово показује могућности сарадње и недостатке знања у обе области, омогућавајући учесницима да разумеју потенцијалну улогу коју у будућности могу допринети у будућности.
Дефинишите АИ основне компетенције. Дефинисање листе компетенција пружа стандардизовану структуру која се може интегрисати у постојеће медицинске програме засноване на компетенцији. Ова радионица тренутно користи нивое за учење 2 (разумевање), 3 (апликација) и 4 (анализа) цвјетове таксономије. Имајући ресурсе на вишим нивоима класификације, као што су креирање пројеката, може даље ојачати знање. Ово захтева да раде са клиничким стручњацима како би утврдили како се Аи теме могу применити на клиничке токове рада и спречавање наставе понављајућих тема већ укључених у стандардне медицинске наставне програме.
Креирајте студије случаја користећи АИ. Слично клиничким примерима, учење на основу случаја може да појача апстрактна концепта истичући њихову важност за клиничка питања. На пример, једна студија радионице анализирала је Гоогле-ов АИ систем за откривање ретинопатија на бази АИ-а 13 да идентификује изазове стазом од лабораторија на клинику, као што су захтеви за екстерну валидацију и путеви регулаторних дозвола.
Користите искуствено учење: Техничке вештине захтевају усмерену праксу и поновљену апликацију са мастер-ом, слично ротирајућој искуству учења клиничких полазника. Једно потенцијално решење је превртан модел учионице, који је пријављен да побољша задржавање знања у инжењерском образовању14. У овом моделу ученици прегледавају теоријско материјал независно и време наставе посвећено је решавању проблема кроз студије случаја.
Скалирање за мултидисциплинарних учесника: Предвиђамо АИ усвајање које укључује сарадњу у више дисциплина, укључујући лекаре и савезничке здравствене раднике са различитим нивоима обуке. Стога, наставне програме ће можда требати развити у консултацији са факултетом из различитих одељења како би прилагодили њихов садржај у различите области здравствене заштите.
Вештачка интелигенција је висока технологија и његови основни концепти повезани су са математиком и рачунарском науком. Обука здравственог особља за разумевање вештачке интелигенције представља јединствене изазове у одабиру садржаја, клиничке релевантности и метода испоруке. Надамо се да ће увиди стечени од АИ у образовним радионицама помоћи будућим васпитовима да прихвате иновативне начине интеграције АИ у медицинско образовање.
Гоогле Цолаборатори Питхон сцрипт је отворен извор и доступан на: хттпс: //гитхуб.цом/убцаимед/убцаимед.гитхуб.ио/трее/мастер /.
Пробер, кг и Кхан, С. Размисљајући медицинско образовање: позив на акцију. Аккад. лек. 88, 1407-1410 (2013).
МцЦои, ЛГ итд. Шта студенти медицине заиста морају знати о вештачкој интелигенцији? НПЗХ бројеви. Медицина 3, 1-3 (2020).
Дос Сантос, ДП и др. Ставови медицинских студената према вештачкој обавештајној служби: Мултицентлер Анкета. Еуро. зрачење. 29, 1640-1646 (2019).
Фан, Ки, Ху, Р. и Сингла, Р. Увод у машинско учење за медицинске студенте: Пилот пројекат. Ј. Мед. Учити. 54, 1042-1043 (2020).
Цооперман Н, ет ал. Препознавање деце на врло ниском ризику од клинички значајне повреде мозга након повреде главе: потенцијално учешће кохорте. Ланцет 374, 1160-1170 (2009).
Улица, ВН, Волберг, ВХ и Мангасариан, Ол. Вађење нуклеарне карактеристике за дијагнозу тумора дојке. Биомедицинска наука. Обрада слике. Биомедицинска наука. Веисс. 1905, 861-870 (1993).
Цхен, ПХЦ, Лиу, И. и Пенг, Л. Како развити моделе учења машина за здравство. Нат. Матт. 18, 410-414 (2019).
Селварају, РР ет ал. Град-Цам: Визуелно тумачење дубоких мрежа путем локализације засноване на градијенту. Зборник радова ИЕЕЕ међународне конференције о рачунарској визији, 618-626 (2017).
Кумаравел Б, Стеварт К и Илић Д. Развој и евалуација спиралног модела за процену компетенција за лекове засноване на доказима користећи ОЕБС у преддипломском медицинском образовању. БМК лијек. Учити. 21, 1-9 (2021).
Колацхалама ВБ и Гарг ПС Машинско учење и медицинско образовање. НПЗХ бројеви. лек. 1, 1-3 (2018).
Ван Лееувен, КГ, Сцхалекамп, С., Руттен, МЈ, Ван Гиннекен, Б. и де Роои, М. Вештачка интелигенција у радиологији: 100 комерцијалних производа и њихови научни докази. Еуро. зрачење. 31, 3797-3804 (2021).
Топол, медицина високих перформанси ЕЈ: Конвергенција људске и вештачке интелигенције. Нат. лек. 25, 44-56 (2019).
Беде, Е. ет ал. Процјена човека усмерене дубоког учења система распоређеног у клиници за откривање дијабетичке ретинопатије. Зборник радова 2020. ЦХИ конференције о људским факторима у рачунарским системима (2020).
Керр, Б. Обучена учионица у инжењерском образовању: Преглед истраживања. Зборник радова 2015. Међународне конференције о интерактивном колаборативном учењу (2015).
Аутори захваљују Даниелле Валкер, Тим Салцудин и Петру Зандстру из кластера биомедицинског и вештачке обавештајне службе на Универзитету Британске Колумбије за подршку и финансирање.
РХ, ПП, ЗХ, РС и МА били су одговорни за развој садржаја наставе радионице. РХ и ПП били су одговорни за развој програмских примера. КИФ, ОИ, МТ и ПВ били су одговорни за логистичку организацију пројекта и анализу радионица. РХ, ОИ, МТ, РС је била одговорна за стварање фигура и табела. РХ, КИФ, ПП, ЗХ, ОИ, МИ, ПВ, ТЛ, ТЛ, РС били су одговорни за израду и уређивање документа.
Медицина комуникације хвала Царолин МцГрегор, Фабио Мораес и Адитиа Боракати за своје доприносе на преглед овог рада.
Вријеме поште: феб-19-2024