Хвала вам што сте посетили Натуре.цом.Верзија претраживача коју користите има ограничену подршку за ЦСС.За најбоље резултате препоручујемо да користите новију верзију прегледача (или да искључите режим компатибилности у Интернет Екплорер-у).У међувремену, да бисмо обезбедили сталну подршку, приказујемо сајт без стила или ЈаваСцрипт-а.
Примене клиничке вештачке интелигенције (АИ) брзо расту, али постојећи наставни планови и програми медицинских факултета нуде ограничену наставу која покрива ову област.Овде описујемо курс за обуку вештачке интелигенције који смо развили и испоручили канадским студентима медицине и дајемо препоруке за будућу обуку.
Вештачка интелигенција (АИ) у медицини може побољшати ефикасност радног места и помоћи у доношењу клиничких одлука.Да би безбедно водили употребу вештачке интелигенције, лекари морају имати извесно разумевање вештачке интелигенције.Многи коментари заговарају подучавање концепата АИ1, као што је објашњење АИ модела и процеса верификације2.Међутим, неколико структурираних планова је спроведено, посебно на националном нивоу.Пинто дос Сантос и др.3.Испитано је 263 студента медицине, а 71% се сложило да им је потребна обука у области вештачке интелигенције.Подучавање вештачке интелигенције медицинској публици захтева пажљив дизајн који комбинује техничке и нетехничке концепте за студенте који често имају опсежно претходно знање.Описујемо наше искуство у пружању серије АИ радионица за три групе студената медицине и дајемо препоруке за будуће медицинско образовање у АИ.
Наша петонедељна радионица Увод у вештачку интелигенцију у медицину за студенте медицине одржана је три пута између фебруара 2019. и априла 2021. Распоред сваке радионице, са кратким описом промена курса, приказан је на слици 1. Наш курс има три основна циља учења: ученици разумеју како се подаци обрађују у апликацијама вештачке интелигенције, анализирају литературу о вештачкој интелигенцији за клиничке примене и искористе могућности за сарадњу са инжењерима који развијају вештачку интелигенцију.
Плава је тема предавања, а светло плава је интерактивни период питања и одговора.Сиви део је фокус кратког прегледа литературе.Наранџасти одељци су одабране студије случаја које описују моделе или технике вештачке интелигенције.Греен је вођени курс програмирања дизајниран да научи вештачку интелигенцију да решава клиничке проблеме и процени моделе.Садржај и трајање радионица варирају на основу процене потреба ученика.
Прва радионица одржана је на Универзитету Британске Колумбије од фебруара до априла 2019. године, а свих 8 учесника дало је позитивне повратне информације4.Због ЦОВИД-19, друга радионица је одржана виртуелно у периоду октобар-новембар 2020. године, на којој су се пријавила 222 студента медицине и 3 штићеника из 8 канадских медицинских школа.Слајдови презентације и код су постављени на веб локацију отвореног приступа (хттп://убцаимед.гитхуб.ио).Кључна повратна информација из прве итерације била је да су предавања била превише интензивна, а материјал превише теоријски.Служење у шест различитих временских зона Канаде представља додатне изазове.Тако је друга радионица скратила сваку сесију на 1 сат, поједноставила материјал за курс, додала више студија случаја и креирала шаблонске програме који су омогућили учесницима да заврше исечке кода уз минимално отклањање грешака (Оквир 1).Кључне повратне информације из друге итерације укључивале су позитивне повратне информације о вежбама програмирања и захтев да се демонстрира планирање за пројекат машинског учења.Стога смо у нашој трећој радионици, одржаној виртуелно за 126 студената медицине у периоду март-април 2021. године, укључили више интерактивних вежби кодирања и сесија повратних информација о пројекту како бисмо демонстрирали утицај коришћења концепата радионица на пројекте.
Анализа података: Подручје проучавања статистике које идентификује смислене обрасце у подацима анализом, обрадом и саопштавањем образаца података.
Дата мининг: процес идентификације и екстракције података.У контексту вештачке интелигенције, ово је често велико, са више варијабли за сваки узорак.
Смањење димензионалности: Процес трансформације података са много појединачних карактеристика у мање обележја уз очување важних својстава оригиналног скупа података.
Карактеристике (у контексту вештачке интелигенције): мерљива својства узорка.Често се користи наизменично са „својством“ или „променљивом“.
Мапа активације градијента: Техника која се користи за тумачење модела вештачке интелигенције (нарочито конволуционих неуронских мрежа), која анализира процес оптимизације последњег дела мреже да би се идентификовали региони података или слика који су високо предиктивни.
Стандардни модел: Постојећи АИ модел који је претходно обучен за обављање сличних задатака.
Тестирање (у контексту вештачке интелигенције): посматрање како модел обавља задатак користећи податке са којима се раније није сусрео.
Обука (у контексту вештачке интелигенције): Обезбеђивање модела са подацима и резултатима тако да модел прилагођава своје унутрашње параметре како би оптимизовао своју способност да извршава задатке користећи нове податке.
Вектор: низ података.У машинском учењу, сваки елемент низа је обично јединствена карактеристика узорка.
У табели 1 су наведени најновији курсеви за април 2021. године, укључујући циљане циљеве учења за сваку тему.Ова радионица је намењена онима који су тек на техничком нивоу и не захтева никакво математичко знање након прве године додипломских студија медицине.Курс је развило 6 студената медицине и 3 наставника са дипломом инжењера.Инжењери развијају теорију вештачке интелигенције за подучавање, а студенти медицине уче клинички релевантан материјал.
Радионице обухватају предавања, студије случаја и вођено програмирање.У првом предавању разматрамо одабране концепте анализе података у биостатистици, укључујући визуелизацију података, логистичку регресију и поређење дескриптивне и индуктивне статистике.Иако је анализа података основа вештачке интелигенције, искључујемо теме као што су рударење података, тестирање значаја или интерактивна визуелизација.Ово је било због временских ограничења, а такође и због тога што су неки студенти основних студија имали претходну обуку из биостатистике и желели су да покрију више јединствених тема машинског учења.Следеће предавање представља савремене методе и разматра формулацију АИ проблема, предности и ограничења АИ модела и тестирање модела.Предавања су употпуњена литературом и практичним истраживањима о постојећим уређајима вештачке интелигенције.Наглашавамо вештине потребне за процену ефикасности и изводљивости модела за решавање клиничких питања, укључујући разумевање ограничења постојећих уређаја вештачке интелигенције.На пример, замолили смо студенте да протумаче смернице за педијатријске повреде главе које су предложили Куперман и сарадници, 5 који су применили алгоритам стабла одлука вештачке интелигенције да би се утврдило да ли би ЦТ скенирање било корисно на основу прегледа лекара.Наглашавамо да је ово уобичајен пример вештачке интелигенције која пружа предиктивну аналитику коју лекари могу тумачити, уместо да замењује лекаре.
У доступним примерима покретања програма отвореног кода (хттпс://гитхуб.цом/убцаимед/убцаимед.гитхуб.ио/трее/мастер/программинг_екамплес), показујемо како да извршите истраживачку анализу података, смањење димензионалности, учитавање стандардног модела и обуку .и тестирање.Користимо свеске Гоогле Цолаборатори (Гоогле ЛЛЦ, Моунтаин Виев, ЦА), који омогућавају извршавање Питхон кода из веб прегледача.На слици. Слика 2 даје пример вежбе програмирања.Ова вежба укључује предвиђање малигнитета коришћењем скупа података за снимање дојки отвореног у Висконсину6 и алгоритма стабла одлучивања.
Представите програме током целе недеље о сродним темама и изаберите примере из објављених АИ апликација.Програмски елементи су укључени само ако се сматрају релевантним за пружање увида у будућу клиничку праксу, као што је како проценити моделе да би се утврдило да ли су спремни за употребу у клиничким испитивањима.Ови примери кулминирају у пуноправној апликацији од краја до краја која класификује туморе као бенигне или малигне на основу параметара медицинске слике.
Хетерогеност предзнања.Наши учесници су се разликовали по нивоу математичког знања.На пример, студенти са напредним инжењерским искуством траже детаљнији материјал, као што је како да изведу сопствене Фуријеове трансформације.Међутим, дискусија о Фуријеовом алгоритму на часу није могућа јер захтева дубинско познавање обраде сигнала.
Одлив посећености.Присуство на накнадним састанцима је опадало, посебно у онлајн форматима.Решење може бити праћење похађања и достављање сертификата о завршетку.Познато је да медицинске школе препознају транскрипте ваннаставних академских активности ученика, што може подстаћи студенте да стекну диплому.
Дизајн курса: Пошто АИ обухвата толико подпоља, одабир основних концепата одговарајуће дубине и ширине може бити изазов.На пример, континуитет употребе АИ алата од лабораторије до клинике је важна тема.Иако покривамо претходну обраду података, изградњу модела и валидацију, не укључујемо теме као што су аналитика великих података, интерактивна визуелизација или спровођење клиничких испитивања вештачке интелигенције, већ се фокусирамо на најјединственије концепте вештачке интелигенције.Наш водећи принцип је да унапредимо писменост, а не вештине.На пример, разумевање како модел обрађује улазне карактеристике је важно за интерпретабилност.Један од начина да се то уради је коришћење мапа за активацију градијента, које могу да визуелизују који региони података су предвидљиви.Међутим, ово захтева мултиваријантни рачун и не може се увести8.Развијање заједничке терминологије било је изазовно јер смо покушавали да објаснимо како да радимо са подацима као векторима без математичког формализма.Имајте на уму да различити термини имају исто значење, на пример, у епидемиологији се „карактеристика“ описује као „променљива“ или „атрибут“.
Задржавање знања.Пошто је примена вештачке интелигенције ограничена, остаје да се види у којој мери учесници задржавају знање.Наставни планови и програми медицинских школа се често ослањају на размакнуто понављање да би се ојачало знање током практичних ротација,9 што се такође може применити на образовање вештачке интелигенције.
Професионализам је важнији од писмености.Дубина материјала је дизајнирана без математичке строгости, што је био проблем приликом покретања клиничких курсева из вештачке интелигенције.У примерима програмирања користимо шаблонски програм који омогућава учесницима да попуне поља и покрећу софтвер без потребе да схвате како да подесе комплетно програмско окружење.
Забринутост у вези са вештачком интелигенцијом: Постоји широко распрострањена забринутост да би вештачка интелигенција могла да замени неке клиничке дужности3.Да бисмо решили овај проблем, објашњавамо ограничења вештачке интелигенције, укључујући чињеницу да скоро све АИ технологије које су одобрили регулатори захтевају надзор лекара11.Такође наглашавамо важност пристрасности јер су алгоритми склони пристрасности, посебно ако скуп података није разноврстан12.Сходно томе, одређена подгрупа може бити погрешно моделирана, што доводи до неправедних клиничких одлука.
Ресурси су јавно доступни: Направили смо јавно доступне ресурсе, укључујући слајдове предавања и код.Иако је приступ синхроном садржају ограничен због временских зона, садржај отвореног кода је згодан метод за асинхроно учење пошто стручност АИ није доступна на свим медицинским школама.
Интердисциплинарна сарадња: Ова радионица је заједнички подухват који су покренули студенти медицине да планирају курсеве заједно са инжењерима.Ово показује могућности сарадње и празнине у знању у обе области, омогућавајући учесницима да схвате потенцијалну улогу којој могу допринети у будућности.
Дефинишите кључне компетенције вештачке интелигенције.Дефинисање листе компетенција обезбеђује стандардизовану структуру која се може интегрисати у постојеће медицинске наставне планове и програме засноване на компетенцијама.Ова радионица тренутно користи нивое циљева учења 2 (разумевање), 3 (примена) и 4 (анализа) Блумове таксономије.Поседовање ресурса на вишим нивоима класификације, као што је креирање пројеката, може додатно ојачати знање.Ово захтева рад са клиничким стручњацима како би се утврдило како се теме вештачке интелигенције могу применити на клиничке токове рада и спречити предавање тема које се понављају које су већ укључене у стандардне медицинске наставне планове и програме.
Направите студије случаја користећи АИ.Слично клиничким примерима, учење засновано на случајевима може ојачати апстрактне концепте наглашавајући њихову релевантност за клиничка питања.На пример, једна студија радионице анализирала је Гоогле-ов систем за откривање дијабетичке ретинопатије заснован на вештачкој интелигенцији 13 да би се идентификовали изазови на путу од лабораторије до клинике, као што су захтеви за спољну валидацију и регулаторни путеви одобрења.
Користите искуствено учење: Техничке вештине захтевају фокусирану праксу и поновљене примене за савладавање, слично ротирајућим искуствима учења клиничких приправника.Једно потенцијално решење је модел преокренуте учионице, за који се наводи да побољшава задржавање знања у инжењерском образовању14.У овом моделу студенти самостално прегледају теоријски материјал, а време на часу је посвећено решавању проблема кроз студије случаја.
Скалирање за мултидисциплинарне учеснике: Предвиђамо усвајање вештачке интелигенције која укључује сарадњу у више дисциплина, укључујући лекаре и сродне здравствене професионалце са различитим нивоима обуке.Стога ће можда бити потребно да се наставни планови и програми развију у консултацији са факултетима са различитих одељења како би се њихов садржај прилагодио различитим областима здравствене заштите.
Вештачка интелигенција је високотехнолошка и њени основни концепти су повезани са математиком и рачунарством.Обука здравственог особља за разумевање вештачке интелигенције представља јединствене изазове у одабиру садржаја, клиничкој релевантности и методама испоруке.Надамо се да ће увиди стечени на радионицама АИ у образовању помоћи будућим едукаторима да прихвате иновативне начине интеграције АИ у медицинско образовање.
Гоогле Цолаборатори Питхон скрипта је отвореног кода и доступна је на: хттпс://гитхуб.цом/убцаимед/убцаимед.гитхуб.ио/трее/мастер/.
Пробер, КГ и Кхан, С. Преиспитивање медицинског образовања: позив на акцију.Аккад.лек.88, 1407–1410 (2013).
МцЦои, ЛГ итд. Шта студенти медицине заиста треба да знају о вештачкој интелигенцији?НПЖ бројеви.Медицина 3, 1–3 (2020).
Дос Сантос, ДП, ет ал.Ставови студената медицине према вештачкој интелигенцији: мултицентрично истраживање.ЕУРО.зрачења.29, 1640–1646 (2019).
Фан, КИ, Ху, Р. и Сингла, Р. Увод у машинско учење за студенте медицине: пилот пројекат.Ј. Мед.подучавати.54, 1042–1043 (2020).
Цооперман Н, ет ал.Идентификација деце са веома малим ризиком од клинички значајне повреде мозга након повреде главе: проспективна кохортна студија.Ланцет 374, 1160–1170 (2009).
Стреет, ВН, Волберг, ВХ и Мангасариан, ОЛ.Екстракција нуклеарних карактеристика за дијагнозу тумора дојке.Биомедицинских Наука.Обрађиванње слике.Биомедицинских Наука.Веисс.1905, 861–870 (1993).
Цхен, ПХЦ, Лиу, И. и Пенг, Л. Како развити моделе машинског учења за здравствену заштиту.Нат.Матт.18, 410–414 (2019).
Селварају, РР ет ал.Град-цам: Визуелна интерпретација дубоких мрежа путем локализације засноване на градијенту.Процеедингс оф тхе ИЕЕЕ Интернатионал Цонференце он Цомпутер Висион, 618–626 (2017).
Кумаравел Б, Стеварт К и Илић Д. Развој и евалуација спиралног модела за процену медицинских компетенција заснованих на доказима користећи ОЕБС у додипломском медицинском образовању.БМК Медицина.подучавати.21, 1–9 (2021).
Колацхалама ВБ и Гарг ПС Машинско учење и медицинско образовање.НПЖ 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.зрачења.31, 3797–3804 (2021).
Топол, ЕЈ Медицина високих перформанси: конвергенција људске и вештачке интелигенције.Нат.лек.25, 44–56 (2019).
Беде, Е. ет ал.Евалуација система дубоког учења распоређеног у клиници за откривање дијабетичке ретинопатије усмерена на човека.Зборник радова ЦХИ конференције о људским факторима у рачунарским системима 2020. (2020).
Керр, Б. Преокренута учионица у инжењерском образовању: Преглед истраживања.Зборник радова Међународне конференције о интерактивном сарадничком учењу 2015. (2015).
Аутори захваљују Данијел Вокер, Тиму Салкудину и Питеру Зандстри из кластера истраживања биомедицинске слике и вештачке интелигенције на Универзитету Британске Колумбије на подршци и финансирању.
РХ, ПП, ЗХ, РС и МА били су одговорни за израду наставног садржаја радионице.РХ и ПП су били одговорни за развој примера програмирања.КИФ, ОИ, МТ и ПВ били су одговорни за логистичку организацију пројекта и анализу радионица.РХ, ОИ, МТ, РС су били одговорни за креирање слика и табела.За израду и уређивање документа били су одговорни РХ, КИФ, ПП, ЗХ, ОИ, МИ, ПВ, ТЛ, МА, РС.
Медицина комуникација захваљује Царолин МцГрегор, Фабио Мораес и Адитиа Боракати на њиховом доприносу прегледу овог рада.
Време поста: 19. фебруар 2024