Хвала вам што сте посетили Nature.com. Верзија прегледача коју користите има ограничену CSS подршку. За најбоље резултате, препоручујемо да користите новију верзију прегледача (или да искључите режим компатибилности у Internet Explorer-у). У међувремену, како бисмо осигурали континуирану подршку, приказујемо сајт без стилизовања или JavaScript-а.
Примене клиничке вештачке интелигенције (ВИ) брзо расту, али постојећи наставни планови и програми медицинских факултета нуде ограничену наставу која покрива ову област. Овде описујемо курс обуке за вештачку интелигенцију који смо развили и одржали канадским студентима медицине и дајемо препоруке за будућу обуку.
Вештачка интелигенција (ВИ) у медицини може побољшати ефикасност на радном месту и помоћи у клиничком доношењу одлука. Да би безбедно водили употребу вештачке интелигенције, лекари морају имати извесно разумевање вештачке интелигенције. Многи коментари заговарају подучавање концепата ВИ1, као што је објашњавање модела ВИ и процеса верификације2. Међутим, мало структурираних планова је имплементирано, посебно на националном нивоу. Пинто дос Сантос и др.3. Анкетирано је 263 студента медицине и 71% се сложило да им је потребна обука из 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 одржавању серије радионица о ВИ за три групе студената медицине и дајемо препоруке за будуће медицинско образовање у области ВИ.
Наша петонедељна радионица „Увод у вештачку интелигенцију у медицини“ за студенте медицине одржана је три пута између фебруара 2019. и априла 2021. године. Распоред за сваку радионицу, са кратким описом промена у курсу, приказан је на слици 1. Наш курс има три основна циља учења: студенти разумеју како се подаци обрађују у применама вештачке интелигенције, анализирају литературу о вештачкој интелигенцији за клиничке примене и искористе могућности за сарадњу са инжењерима који развијају вештачку интелигенцију.
Плава боја је тема предавања, а светлоплава је период за интерактивна питања и одговоре. Сиви део је фокус кратког прегледа литературе. Наранџасти делови су одабране студије случаја које описују моделе или технике вештачке интелигенције. Зелена боја је вођени курс програмирања осмишљен да научи вештачку интелигенцију да решава клиничке проблеме и процењује моделе. Садржај и трајање радионица варирају у зависности од процене потреба студената.
Прва радионица је одржана на Универзитету Британске Колумбије од фебруара до априла 2019. године, а свих 8 учесника је дало позитивне повратне информације4. Због COVID-19, друга радионица је одржана виртуелно у октобру-новембру 2020. године, а пријавило се 222 студента медицине и 3 специјализанта из 8 канадских медицинских факултета. Слајдови презентације и код су постављени на сајт отвореног приступа (http://ubcaimed.github.io). Кључне повратне информације из прве итерације биле су да су предавања била превише интензивна, а материјал превише теоријски. Служење у шест различитих временских зона Канаде представља додатне изазове. Стога је друга радионица скратила сваку сесију на 1 сат, поједноставила материјал курса, додато више студија случаја и креирала шаблонске програме који су омогућили учесницима да заврше фрагменте кода уз минимално отклањање грешака (Оквир 1). Кључне повратне информације из друге итерације укључивале су позитивне повратне информације о вежбама програмирања и захтев за демонстрирање планирања пројекта машинског учења. Стога смо у нашој трећој радионици, одржаној виртуелно за 126 студената медицине у марту-априлу 2021. године, укључили више интерактивних вежби кодирања и сесија за повратне информације о пројектима како бисмо демонстрирали утицај коришћења концепата радионица на пројекте.
Анализа података: Област проучавања у статистици која идентификује значајне обрасце у подацима анализирањем, обрадом и комуницирањем образаца података.
Рударење података: процес идентификације и издвајања 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 карактеристика, уз очување важних својстава оригиналног скупа података.
Карактеристике (у контексту вештачке интелигенције): мерљива својства узорка. Често се користе наизменично са „својством“ или „променљивом“.
Мапа активације градијента: Техника која се користи за тумачење модела вештачке интелигенције (посебно конволуционих неуронских мрежа), која анализира процес оптимизације последњег дела мреже како би се идентификовали региони података или слика који су високо предиктивни.
Стандардни модел: Постојећи модел вештачке интелигенције 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 подацима и резултатима тако да модел прилагоди своје интерне параметре како би оптимизовао своју способност обављања задатака користећи нове податке.
Вектор: низ података. У машинском учењу, сваки елемент низа је обично јединствена карактеристика узорка.
Табела 1 наводи најновије курсеве за април 2021. године, укључујући циљане циљеве учења за сваку тему. Ова радионица је намењена онима који су нови на техничком нивоу и не захтева никакво математичко знање након прве године основних студија медицине. Курс је развило 6 студената медицине и 3 наставника са вишим степеном инжењерства. Инжењери развијају теорију вештачке интелигенције за наставу, а студенти медицине уче клинички релевантан материјал.
Радионице обухватају предавања, студије случаја и вођено програмирање. У првом предавању, прегледамо 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 значајности или интерактивна визуелизација. То је било због временских ограничења, а такође и зато што су неки студенти основних студија имали претходну обуку из биостатистике и желели су да покрију јединственије теме машинског учења. Наредно предавање представља модерне методе и разматра формулацију проблема вештачке интелигенције, предности и ограничења модела вештачке интелигенције и тестирање модела. Предавања су допуњена 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 интерпретирају смернице за педијатријске повреде главе које су предложили Куперман и др.,5 које су имплементирале алгоритам стабла одлучивања вештачке интелигенције како 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 лекарима за тумачење, уместо да замењује лекаре.
У доступним примерима програмирања отвореног кода помоћу бутстрепа (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), демонстрирамо како се изводи истраживачка анализа података, смањење димензионалности, учитавање стандардног модела и обука и тестирање. Користимо Google Colaboratory свеске (Google LLC, Mountain View, CA), које омогућавају извршавање Пајтон кода из веб прегледача. На слици 2 је приказан пример програмске вежбе. Ова вежба укључује предвиђање малигнитета коришћењем Wisconsin Open Breast Imaging Dataset6 и алгоритма стабла одлучивања.
Презентујте програме током целе недеље на сродне теме и изаберите примере из објављених апликација вештачке интелигенције. Елементи програмирања су укључени само ако се сматрају релевантним за пружање увида у будућу клиничку праксу, као што је начин процене модела да би се утврдило да ли су спремни за употребу у клиничким испитивањима. Ови примери кулминирају у потпуно развијеној апликацији од почетка до краја која класификује туморе као бенигне или малигне на основу параметара медицинске слике.
Хетерогеност претходног знања. Наши учесници су се разликовали по нивоу математичког знања. На пример, студенти са напредним инжењерским образовањем траже детаљнији материјал, као што је како да изврше сопствене Фуријеове трансформације. Међутим, дискусија о Фуријеовом алгоритму на часу није могућа јер захтева детаљно знање о обради сигнала.
Одлив присуства. Присуство на накнадним састанцима је смањено, посебно у онлајн формату. Решење може бити праћење присуства и издавање сертификата о завршетку. Познато је да медицински факултети признају транскрипте ваннаставних академских активности студената, што може подстаћи студенте да стекну диплому.
Дизајн курса: Пошто вештачка интелигенција обухвата толико подобласти, одабир основних концепата одговарајуће дубине и ширине може бити изазован. На пример, континуитет употребе алата вештачке интелигенције 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 побољшање писмености, а не вештина. На пример, разумевање како модел обрађује улазне карактеристике је важно за интерпретабилност. Један од начина да се то уради јесте коришћење градијентних мапа активације, које могу визуелизовати који су региони података предвидљиви. Међутим, ово захтева мултиваријантни рачун и не може се увести8. Развијање заједничке терминологије било је изазовно јер смо покушавали да објаснимо како радити са подацима као векторима без математичког формализма. Треба напоменути да различити термини имају исто значење, на пример, у епидемиологији, „карактеристика“ се 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 факултета често се ослањају на понављање у интервалима како би се учврстило знање током практичних ротација,9 што се такође може применити на образовање у области вештачке интелигенције.
Професионализам је важнији од писмености. Дубина материјала је осмишљена без математичке строгости, што је био проблем приликом покретања клиничких курсева вештачке интелигенције. У примерима програмирања користимо шаблон програма који омогућава учесницима да попуне поља и покрену софтвер без потребе да схвате како да подесе комплетно програмско окружење.
Забринутост у вези са вештачком интелигенцијом која је разматрана: Постоји широко распрострањена забринутост да би вештачка интелигенција могла да замени неке клиничке дужности3. Да бисмо се позабавили овим проблемом, објашњавамо ограничења вештачке интелигенције, укључујући чињеницу да скоро све технологије вештачке интелигенције које су одобрили регулатори захтевају надзор лекара11. Такође наглашавамо важност пристрасности јер су алгоритми склони пристрасности, посебно ако скуп података није разнолик12. Сходно томе, одређена подгрупа може бити погрешно моделирана, што доводи до неправедних клиничких одлука.
Ресурси су јавно доступни: Креирали смо јавно доступне ресурсе, укључујући слајдове предавања и код. Иако је приступ синхроном садржају ограничен због временских зона, садржај отвореног кода је погодан метод за асинхроно учење, јер стручност за вештачку интелигенцију није доступна на свим медицинским факултетима.
Интердисциплинарна сарадња: Ова радионица је заједнички подухват који су покренули студенти медицине како би заједно са инжењерима планирали курсеве. Ово показује могућности сарадње и празнине у знању у обе области, омогућавајући учесницима да разумеју потенцијалну улогу коју могу допринети у будућности.
Дефинисање основних компетенција вештачке интелигенције. Дефинисање листе компетенција пружа стандардизовану структуру која се може интегрисати у постојеће медицинске курикулуме 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 сарадњу са клиничким стручњацима како би се утврдило како се теме вештачке интелигенције могу применити на клиничке токове рада и спречило подучавање понављајућих тема које су већ укључене у стандардне медицинске курикулуме.
Направите студије случаја користећи вештачку интелигенцију. Слично клиничким примерима, учење засновано на случајевима може да појача апстрактне концепте истицањем њихове релевантности за клиничка питања. На пример, једна радионица је анализирала систем за детекцију дијабетичке ретинопатије заснован на вештачкој интелигенцији компаније Google 13 како би се идентификовали изазови на путу од лабораторије до клинике, као што су захтеви за спољну валидацију и путеви регулаторног одобрења.
Користите искуствено учење: Техничке вештине захтевају фокусирану праксу и поновљену примену да би се савладале, слично ротирајућим искуствима учења клиничких специјализаната. Једно потенцијално решење је модел обрнуте учионице, за који је објављено 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: Замишљамо усвајање вештачке интелигенције које укључује сарадњу између више дисциплина, укључујући лекаре и сродне здравствене раднике са различитим нивоима обуке. Стога ће наставни планови и програми можда морати да се развију у консултацији са факултетом са различитих одељења како би се њихов садржај прилагодио различитим областима здравствене заштите.
Вештачка интелигенција је високотехнолошка, а њени основни концепти су повезани са математиком и рачунарством. Обука здравственог особља за разумевање вештачке интелигенције представља јединствене изазове у избору садржаја, клиничкој релевантности и методама испоруке. Надамо се да ће увиди стечени на радионицама „Вештачка интелигенција у образовању“ помоћи будућим едукаторима да прихвате иновативне начине интеграције вештачке интелигенције у медицинско образовање.
Google Colaboratory Python скрипта је отвореног кода и доступна је на: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Пробер, КГ и Кан, С. Преиспитивање медицинског образовања: позив на акцију. Akkad. медицина. 88, 1407–1410 (2013).
Мекој, ЛГ итд. Шта студенти медицине заиста треба да знају о вештачкој интелигенцији? НПЖ бројеви. Медицина 3, 1–3 (2020).
Дос Сантос, ДП и др. Ставови студената медицине према вештачкој интелигенцији: мултицентрично истраживање. EURO. радијација. 29, 1640–1646 (2019).
Фан, КЈ, Ху, Р. и Сингла, Р. Увод у машинско учење за студенте медицине: пилот пројекат. J. Med. teach. 54, 1042–1043 (2020).
Куперман Н. и др. Идентификација деце са веома ниским ризиком од клинички значајне повреде мозга након повреде главе: проспективна кохортна студија. Ланцет 374, 1160–1170 (2009).
Стрит, ВН, Волберг, ВХ и Мангасариан, ОЛ. Екстракција нуклеарних карактеристика за дијагнозу тумора дојке. Биомедицинска наука. Обрада слика. Биомедицинска наука. Вајс. 1905, 861–870 (1993).
Чен, ПХЦ, Лиу, Ј. и Пенг, Л. Како развити моделе машинског учења за здравствену заштиту. Nat. Matt. 18, 410–414 (2019).
Селварају, РР и др. Град-кам: Визуелна интерпретација дубоких мрежа путем градијентне локализације. Зборник радова са IEEE међународне конференције о рачунарском виду, 618–626 (2017).
Кумаравел Б, Стјуарт К и Илић Д. Развој и евалуација спиралног модела за процену компетенција у медицини заснованој на доказима коришћењем ОСЕ-а у додипломском медицинском образовању. BMK Medicine. teach. 21, 1–9 (2021).
Колачалама ВБ и Гарг П.С. Машинско учење и медицинско образовање. НПЖ бројеви. медицина. 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 Високо ефикасна медицина: конвергенција људске и вештачке интелигенције. Nat. medicine. 25, 44–56 (2019).
Беде, Е. и др. Евалуација система дубоког учења примењеног у клиници за откривање дијабетичке ретинопатије усмерена на човека. Зборник радова са конференције CHI о људским факторима у рачунарским системима 2020. (2020).
Кер, Б. Обрнута учионица у инжењерском образовању: Преглед истраживања. Зборник радова са Међународне конференције о интерактивном колаборативном учењу 2015. (2015).
Аутори захваљују Данијели Вокер, Тиму Салкудину и Питеру Зандстри из Кластера за истраживање биомедицинског снимања и вештачке интелигенције на Универзитету Британске Колумбије на подршци и финансирању.
RH, PP, ZH, RS и MA били су одговорни за развој садржаја наставе радионице. RH и PP били су одговорни за развој примера програмирања. KYF, OY, MT и PW били су одговорни за логистичку организацију пројекта и анализу радионица. RH, OY, MT, RS били су одговорни за креирање слика и табела. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS били су одговорни за израду и уређивање документа.
Комуникациона медицина захваљује Керолин Мекгрегор, Фабију Мораесу и Адити Боракатију на њиховом доприносу прегледу овог рада.
Време објаве: 19. фебруар 2024.