Salamat sa pagbisita sa Nature.com.Ang bersyon ng browser na iyong ginagamit ay may limitadong suporta sa CSS.Para sa pinakamahusay na mga resulta, inirerekomenda namin ang paggamit ng mas bagong bersyon ng iyong browser (o i-off ang compatibility mode sa Internet Explorer).Pansamantala, upang matiyak ang patuloy na suporta, ipinapakita namin ang site nang walang pag-istilo o JavaScript.
Ang mga aplikasyon ng clinical artificial intelligence (AI) ay mabilis na lumalaki, ngunit ang kasalukuyang kurikulum ng medikal na paaralan ay nag-aalok ng limitadong pagtuturo na sumasaklaw sa lugar na ito.Dito inilalarawan namin ang isang kurso sa pagsasanay sa artificial intelligence na aming binuo at inihatid sa mga medikal na estudyante ng Canada at gumawa ng mga rekomendasyon para sa pagsasanay sa hinaharap.
Maaaring mapabuti ng artificial intelligence (AI) sa medisina ang kahusayan sa lugar ng trabaho at tumulong sa paggawa ng desisyon sa klinikal.Upang ligtas na gabayan ang paggamit ng artificial intelligence, ang mga manggagamot ay dapat magkaroon ng ilang pag-unawa sa artificial intelligence.Maraming komento ang nagsusulong ng pagtuturo ng mga konsepto ng AI1, gaya ng pagpapaliwanag sa mga modelo ng AI at mga proseso ng pag-verify2.Gayunpaman, kakaunti ang mga nakabalangkas na plano na ipinatupad, lalo na sa pambansang antas.Pinto dos Santos et al.3.263 mga medikal na estudyante ang na-survey at 71% ang sumang-ayon na kailangan nila ng pagsasanay sa artificial intelligence.Ang pagtuturo ng artificial intelligence sa isang medikal na madla ay nangangailangan ng maingat na disenyo na pinagsasama ang teknikal at hindi teknikal na mga konsepto para sa mga mag-aaral na madalas ay may malawak na dating kaalaman.Inilalarawan namin ang aming karanasan sa paghahatid ng isang serye ng mga workshop ng AI sa tatlong grupo ng mga medikal na estudyante at gumawa ng mga rekomendasyon para sa hinaharap na edukasyong medikal sa AI.
Ang aming limang linggong Introduction to Artificial Intelligence in Medicine workshop para sa mga medikal na estudyante ay ginanap ng tatlong beses sa pagitan ng Pebrero 2019 at Abril 2021. Ang isang iskedyul para sa bawat workshop, na may maikling paglalarawan ng mga pagbabago sa kurso, ay ipinapakita sa Figure 1. Ang aming kurso ay may tatlong pangunahing layunin sa pag-aaral: nauunawaan ng mga mag-aaral kung paano pinoproseso ang data sa mga aplikasyon ng artificial intelligence, pag-aralan ang literatura ng artificial intelligence para sa mga klinikal na aplikasyon, at sinasamantala ang mga pagkakataong makipagtulungan sa mga inhinyero na bumubuo ng artificial intelligence.
Blue ang paksa ng lecture at light blue ang interactive question and answer period.Ang kulay abong seksyon ay ang pokus ng maikling pagsusuri sa panitikan.Ang mga orange na seksyon ay mga piling case study na naglalarawan ng mga modelo o pamamaraan ng artificial intelligence.Ang Green ay isang guided programming course na idinisenyo upang magturo ng artificial intelligence upang malutas ang mga klinikal na problema at suriin ang mga modelo.Ang nilalaman at tagal ng mga workshop ay nag-iiba batay sa pagtatasa ng mga pangangailangan ng mag-aaral.
Ang unang workshop ay ginanap sa University of British Columbia mula Pebrero hanggang Abril 2019, at lahat ng 8 kalahok ay nagbigay ng positibong feedback4.Dahil sa COVID-19, halos idinaos ang pangalawang workshop noong Oktubre-Nobyembre 2020, kung saan 222 medikal na estudyante at 3 residente mula sa 8 Canadian medical schools ang nagparehistro.Ang mga slide at code ng pagtatanghal ay na-upload sa isang bukas na access site (http://ubcaimed.github.io).Ang pangunahing feedback mula sa unang pag-ulit ay ang mga lektura ay masyadong matindi at ang materyal ay masyadong theoretical.Ang paglilingkod sa anim na magkakaibang time zone ng Canada ay nagdudulot ng mga karagdagang hamon.Kaya, pinaikli ng pangalawang workshop ang bawat session sa 1 oras, pinasimple ang materyal ng kurso, nagdagdag ng higit pang mga case study, at lumikha ng mga boilerplate program na nagpapahintulot sa mga kalahok na kumpletuhin ang mga snippet ng code na may kaunting pag-debug (Kahon 1).Ang pangunahing feedback mula sa pangalawang pag-ulit ay may kasamang positibong feedback sa mga pagsasanay sa programming at isang kahilingan upang ipakita ang pagpaplano para sa isang proyekto sa pag-aaral ng makina.Samakatuwid, sa aming ikatlong workshop, na ginanap halos para sa 126 na medikal na estudyante noong Marso-Abril 2021, isinama namin ang higit pang interactive na pagsasanay sa coding at mga sesyon ng feedback ng proyekto upang ipakita ang epekto ng paggamit ng mga konsepto ng workshop sa mga proyekto.
Pagsusuri ng Data: Isang larangan ng pag-aaral sa mga istatistika na tumutukoy sa mga makabuluhang pattern sa data sa pamamagitan ng pagsusuri, pagproseso, at pakikipag-usap ng mga pattern ng data.
Data mining: ang proseso ng pagtukoy at pagkuha ng data.Sa konteksto ng artificial intelligence, madalas itong malaki, na may maraming variable para sa bawat sample.
Pagbabawas ng dimensional: Ang proseso ng pagbabago ng data na may maraming indibidwal na feature sa mas kaunting feature habang pinapanatili ang mahahalagang katangian ng orihinal na set ng data.
Mga katangian (sa konteksto ng artificial intelligence): nasusukat na katangian ng isang sample.Kadalasang ginagamit na palitan ng "property" o "variable".
Gradient Activation Map: Isang diskarteng ginagamit upang bigyang-kahulugan ang mga modelo ng artificial intelligence (lalo na ang convolutional neural network), na sinusuri ang proseso ng pag-optimize sa huling bahagi ng network upang matukoy ang mga rehiyon ng data o mga larawan na lubos na predictive.
Standard Model: Isang umiiral nang AI model na na-pre-trained para magsagawa ng mga katulad na gawain.
Pagsubok (sa konteksto ng artificial intelligence): pagmamasid kung paano gumaganap ang isang modelo ng isang gawain gamit ang data na hindi pa nito nakatagpo noon.
Pagsasanay (sa konteksto ng artificial intelligence): Pagbibigay ng isang modelo ng data at mga resulta upang maisaayos ng modelo ang mga panloob na parameter nito upang ma-optimize ang kakayahan nitong magsagawa ng mga gawain gamit ang bagong data.
Vector: hanay ng data.Sa machine learning, ang bawat array element ay karaniwang isang natatanging feature ng sample.
Inililista ng talahanayan 1 ang pinakabagong mga kurso para sa Abril 2021, kasama ang mga target na layunin sa pag-aaral para sa bawat paksa.Ang workshop na ito ay inilaan para sa mga bago sa teknikal na antas at hindi nangangailangan ng anumang kaalaman sa matematika lampas sa unang taon ng isang undergraduate na medikal na degree.Ang kurso ay binuo ng 6 na medikal na estudyante at 3 guro na may mga advanced na degree sa engineering.Ang mga inhinyero ay bumubuo ng teorya ng artificial intelligence upang ituro, at ang mga medikal na estudyante ay natututo ng materyal na may kaugnayan sa klinika.
Kasama sa mga workshop ang mga lecture, case study, at guided programming.Sa unang lecture, sinusuri namin ang mga piling konsepto ng pagsusuri ng data sa biostatistics, kabilang ang visualization ng data, logistic regression, at ang paghahambing ng descriptive at inductive statistics.Bagama't ang pagsusuri ng data ay ang pundasyon ng artificial intelligence, hindi namin isinasama ang mga paksa gaya ng data mining, significance testing, o interactive na visualization.Ito ay dahil sa mga hadlang sa oras at dahil din sa ilang mga undergraduate na mag-aaral ay may naunang pagsasanay sa biostatistics at nais na masakop ang higit pang natatanging mga paksa sa machine learning.Ang kasunod na lecture ay nagpapakilala ng mga modernong pamamaraan at tinatalakay ang pagbuo ng problema sa AI, mga pakinabang at limitasyon ng mga modelo ng AI, at pagsubok ng modelo.Ang mga lektura ay kinumpleto ng literatura at praktikal na pananaliksik sa mga umiiral na kagamitang artificial intelligence.Binibigyang-diin namin ang mga kasanayang kinakailangan upang suriin ang pagiging epektibo at pagiging posible ng isang modelo upang matugunan ang mga klinikal na katanungan, kabilang ang pag-unawa sa mga limitasyon ng umiiral na mga artificial intelligence device.Halimbawa, hiniling namin sa mga mag-aaral na bigyang-kahulugan ang mga alituntunin sa pinsala sa ulo ng bata na iminungkahi ng Kupperman et al., 5 na nagpatupad ng algorithm ng artificial intelligence decision tree upang matukoy kung ang isang CT scan ay magiging kapaki-pakinabang batay sa pagsusuri ng isang manggagamot.Binibigyang-diin namin na ito ay isang karaniwang halimbawa ng AI na nagbibigay ng predictive analytics para sa mga doktor upang bigyang-kahulugan, sa halip na palitan ang mga manggagamot.
Sa available na open source na mga halimbawa ng bootstrap programming (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ipinapakita namin kung paano magsagawa ng exploratory data analysis, dimensionality reduction, standard model loading, at pagsasanay .at pagsubok.Gumagamit kami ng mga notebook ng Google Colaboratory (Google LLC, Mountain View, CA), na nagpapahintulot sa Python code na maisagawa mula sa isang web browser.Sa Fig. Figure 2 ay nagbibigay ng isang halimbawa ng isang programming exercise.Kasama sa ehersisyong ito ang paghula ng mga malignancies gamit ang Wisconsin Open Breast Imaging Dataset6 at isang decision tree algorithm.
Magpakita ng mga programa sa buong linggo sa mga kaugnay na paksa at pumili ng mga halimbawa mula sa mga nai-publish na AI application.Ang mga elemento ng programming ay kasama lamang kung ang mga ito ay itinuturing na may kaugnayan sa pagbibigay ng insight sa hinaharap na klinikal na kasanayan, tulad ng kung paano suriin ang mga modelo upang matukoy kung handa na ang mga ito para sa paggamit sa mga klinikal na pagsubok.Ang mga halimbawang ito ay nagtatapos sa isang ganap na end-to-end na application na nag-uuri ng mga tumor bilang benign o malignant batay sa mga parameter ng medikal na imahe.
Heterogenity ng dating kaalaman.Ang aming mga kalahok ay iba-iba sa kanilang antas ng kaalaman sa matematika.Halimbawa, ang mga mag-aaral na may advanced na background sa engineering ay naghahanap ng mas malalim na materyal, gaya ng kung paano gawin ang kanilang sariling Fourier transforms.Gayunpaman, ang pagtalakay sa Fourier algorithm sa klase ay hindi posible dahil nangangailangan ito ng malalim na kaalaman sa pagpoproseso ng signal.
Outflow ng attendance.Tinanggihan ang pagdalo sa mga follow-up na pagpupulong, lalo na sa mga online na format.Ang isang solusyon ay maaaring subaybayan ang pagdalo at magbigay ng sertipiko ng pagkumpleto.Kilala ang mga medikal na paaralan na kinikilala ang mga transcript ng mga ekstrakurikular na aktibidad sa akademiko ng mga mag-aaral, na maaaring hikayatin ang mga mag-aaral na ituloy ang isang degree.
Disenyo ng Kurso: Dahil ang AI ay sumasaklaw sa napakaraming subfield, ang pagpili ng mga pangunahing konsepto ng naaangkop na lalim at lawak ay maaaring maging mahirap.Halimbawa, ang pagpapatuloy ng paggamit ng mga tool ng AI mula sa laboratoryo hanggang sa klinika ay isang mahalagang paksa.Habang sinasaklaw namin ang preprocessing ng data, pagbuo ng modelo, at pagpapatunay, hindi namin isinasama ang mga paksa tulad ng malaking data analytics, interactive na visualization, o pagsasagawa ng mga klinikal na pagsubok ng AI, sa halip ay tumutuon kami sa mga pinakanatatanging konsepto ng AI.Ang aming gabay na prinsipyo ay upang mapabuti ang literacy, hindi mga kasanayan.Halimbawa, ang pag-unawa kung paano pinoproseso ng isang modelo ang mga feature ng input ay mahalaga para sa interpretability.Ang isang paraan upang gawin ito ay ang paggamit ng mga gradient activation na mapa, na maaaring makita kung aling mga rehiyon ng data ang mahuhulaan.Gayunpaman, nangangailangan ito ng multivariate calculus at hindi maaaring ipakilala8.Ang pagbuo ng isang karaniwang terminolohiya ay mahirap dahil sinusubukan naming ipaliwanag kung paano gamitin ang data bilang mga vector na walang mathematical formalism.Tandaan na ang iba't ibang termino ay may parehong kahulugan, halimbawa, sa epidemiology, ang isang "katangian" ay inilalarawan bilang isang "variable" o "attribute."
Pagpapanatili ng kaalaman.Dahil ang paggamit ng AI ay limitado, ang lawak kung saan ang mga kalahok ay nagpapanatili ng kaalaman ay nananatiling makikita.Ang mga kurikulum ng medikal na paaralan ay madalas na umaasa sa spaced repetition upang palakasin ang kaalaman sa panahon ng mga praktikal na pag-ikot,9 na maaari ding ilapat sa AI education.
Mas mahalaga ang propesyonalismo kaysa sa literacy.Ang lalim ng materyal ay idinisenyo nang walang mathematical rigor, na naging problema kapag naglulunsad ng mga klinikal na kurso sa artificial intelligence.Sa mga halimbawa ng programming, gumagamit kami ng template program na nagbibigay-daan sa mga kalahok na punan ang mga field at patakbuhin ang software nang hindi kinakailangang malaman kung paano mag-set up ng kumpletong kapaligiran ng programming.
Natugunan ang mga alalahanin tungkol sa artificial intelligence: May malawakang pag-aalala na maaaring palitan ng artificial intelligence ang ilang mga klinikal na tungkulin3.Upang matugunan ang isyung ito, ipinapaliwanag namin ang mga limitasyon ng AI, kabilang ang katotohanang halos lahat ng mga teknolohiyang AI na inaprubahan ng mga regulator ay nangangailangan ng pangangasiwa ng doktor11.Binibigyang-diin din namin ang kahalagahan ng bias dahil ang mga algorithm ay madaling kapitan ng bias, lalo na kung ang set ng data ay hindi magkakaibang12.Dahil dito, ang isang partikular na subgroup ay maaaring ma-modelo nang hindi tama, na humahantong sa hindi patas na mga klinikal na desisyon.
Magagamit ng publiko ang mga mapagkukunan: Gumawa kami ng mga mapagkukunang magagamit sa publiko, kabilang ang mga slide at code ng lecture.Bagama't limitado ang access sa synchronous na content dahil sa mga time zone, ang open source na content ay isang maginhawang paraan para sa asynchronous na pag-aaral dahil hindi available ang AI expertise sa lahat ng medikal na paaralan.
Interdisciplinary Collaboration: Ang workshop na ito ay isang joint venture na pinasimulan ng mga medikal na estudyante upang magplano ng mga kurso kasama ng mga inhinyero.Nagpapakita ito ng mga pagkakataon sa pakikipagtulungan at mga gaps sa kaalaman sa parehong lugar, na nagbibigay-daan sa mga kalahok na maunawaan ang potensyal na papel na maiaambag nila sa hinaharap.
Tukuyin ang mga pangunahing kakayahan ng AI.Ang pagtukoy sa isang listahan ng mga kakayahan ay nagbibigay ng isang standardized na istraktura na maaaring isama sa umiiral na competency-based na medikal na curricula.Ang workshop na ito ay kasalukuyang gumagamit ng Learning Objective Levels 2 (Comprehension), 3 (Application), at 4 (Analysis) ng Bloom's Taxonomy.Ang pagkakaroon ng mga mapagkukunan sa mas mataas na antas ng pag-uuri, tulad ng paglikha ng mga proyekto, ay maaaring higit pang palakasin ang kaalaman.Nangangailangan ito ng pakikipagtulungan sa mga klinikal na eksperto upang matukoy kung paano mailalapat ang mga paksa ng AI sa mga klinikal na daloy ng trabaho at maiwasan ang pagtuturo ng mga paulit-ulit na paksa na kasama na sa karaniwang medikal na kurikulum.
Gumawa ng case study gamit ang AI.Katulad ng mga klinikal na halimbawa, ang case-based na pag-aaral ay maaaring palakasin ang mga abstract na konsepto sa pamamagitan ng pag-highlight ng kanilang kaugnayan sa mga klinikal na katanungan.Halimbawa, sinuri ng isang workshop na pag-aaral ang AI-based na diabetic retinopathy detection system 13 ng Google upang matukoy ang mga hamon sa landas mula sa lab patungo sa klinika, gaya ng mga kinakailangan sa panlabas na pagpapatunay at mga pathway ng pag-apruba ng regulasyon.
Gumamit ng karanasan sa pag-aaral: Ang mga teknikal na kasanayan ay nangangailangan ng nakatutok na pagsasanay at paulit-ulit na aplikasyon upang makabisado, katulad ng umiikot na mga karanasan sa pag-aaral ng mga klinikal na nagsasanay.Ang isang potensyal na solusyon ay ang binaligtad na modelo ng silid-aralan, na naiulat upang mapabuti ang pagpapanatili ng kaalaman sa edukasyon sa engineering14.Sa modelong ito, ang mga mag-aaral ay nagre-review ng teoretikal na materyal nang nakapag-iisa at ang oras ng klase ay inilalaan sa paglutas ng mga problema sa pamamagitan ng mga case study.
Pagsusukat para sa mga kalahok sa maraming disiplina: Naiisip namin ang pag-aampon ng AI na kinasasangkutan ng pakikipagtulungan sa maraming disiplina, kabilang ang mga manggagamot at kaalyadong propesyonal sa kalusugan na may iba't ibang antas ng pagsasanay.Samakatuwid, ang kurikulum ay maaaring kailanganing bumuo sa konsultasyon sa mga guro mula sa iba't ibang mga departamento upang maiangkop ang kanilang nilalaman sa iba't ibang bahagi ng pangangalagang pangkalusugan.
Ang artificial intelligence ay high-tech at ang mga pangunahing konsepto nito ay nauugnay sa matematika at computer science.Ang pagsasanay sa mga tauhan ng pangangalagang pangkalusugan upang maunawaan ang artificial intelligence ay nagpapakita ng mga natatanging hamon sa pagpili ng nilalaman, klinikal na kaugnayan, at mga paraan ng paghahatid.Umaasa kami na ang mga insight na nakuha mula sa mga workshop ng AI in Education ay makakatulong sa mga guro sa hinaharap na tanggapin ang mga makabagong paraan upang maisama ang AI sa medikal na edukasyon.
Ang script ng Google Colaboratory Python ay open source at available sa: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG at Khan, S. Muling pag-iisip ng medikal na edukasyon: isang tawag sa pagkilos.Akkad.gamot.88, 1407–1410 (2013).
McCoy, LG atbp. Ano ang talagang kailangang malaman ng mga medikal na estudyante tungkol sa artificial intelligence?Mga numero ng NPZh.Medisina 3, 1–3 (2020).
Dos Santos, DP, et al.Mga saloobin ng mga medikal na estudyante sa artificial intelligence: isang multicenter survey.EURO.radiation.29, 1640–1646 (2019).
Fan, KY, Hu, R., at Singla, R. Panimula sa machine learning para sa mga medikal na estudyante: isang pilot project.J. Med.turo.54, 1042–1043 (2020).
Cooperman N, et al.Pagkilala sa mga bata sa napakababang panganib ng klinikal na makabuluhang pinsala sa utak pagkatapos ng pinsala sa ulo: isang prospective na pag-aaral ng cohort.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH at Mangasarian, OL.Nuclear feature extraction para sa breast tumor diagnosis.Biomedical Science.Pagproseso ng imahe.Biomedical Science.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. at Peng, L. Paano bumuo ng mga modelo ng machine learning para sa pangangalagang pangkalusugan.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: Visual na interpretasyon ng malalalim na network sa pamamagitan ng gradient-based localization.Mga Pamamaraan ng IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K at Ilic D. Pagbuo at pagsusuri ng isang spiral model para sa pagtatasa ng mga kakayahan sa gamot na nakabatay sa ebidensya gamit ang OSCE sa undergraduate na medikal na edukasyon.BMK Medicine.turo.21, 1–9 (2021).
Kolachalama VB at Garg PS Machine learning at medikal na edukasyon.Mga numero ng NPZh.gamot.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. at de Rooy, M. Artipisyal na katalinuhan sa radiology: 100 komersyal na produkto at ang kanilang siyentipikong ebidensya.EURO.radiation.31, 3797–3804 (2021).
Topol, EJ High-performance na gamot: ang convergence ng tao at artificial intelligence.Nat.gamot.25, 44–56 (2019).
Bede, E. et al.Human-centered na pagsusuri ng isang malalim na sistema ng pag-aaral na naka-deploy sa klinika para sa pagtuklas ng diabetic retinopathy.Mga Proceeding ng 2020 CHI Conference on Human Factors in Computing Systems (2020).
Kerr, B. Ang binaliktad na silid-aralan sa edukasyon sa engineering: Isang pagsusuri sa pananaliksik.Mga Proceedings ng 2015 International Conference on Interactive Collaborative Learning (2015).
Pinasasalamatan ng mga may-akda sina Danielle Walker, Tim Salcudin, at Peter Zandstra mula sa Biomedical Imaging at Artificial Intelligence Research Cluster sa University of British Columbia para sa suporta at pagpopondo.
Ang RH, PP, ZH, RS at MA ay responsable para sa pagbuo ng nilalaman ng pagtuturo ng workshop.Ang RH at PP ay responsable para sa pagbuo ng mga halimbawa ng programming.Ang KYF, OY, MT at PW ay responsable para sa logistical na organisasyon ng proyekto at ang pagsusuri ng mga workshop.Ang RH, OY, MT, RS ang may pananagutan sa paglikha ng mga figure at table.Ang RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ay responsable sa pagbalangkas at pag-edit ng dokumento.
Pinasasalamatan ng Communication Medicine sina Carolyn McGregor, Fabio Moraes, at Aditya Borakati para sa kanilang mga kontribusyon sa pagsusuri ng gawaing ito.
Oras ng post: Peb-19-2024