Salamat sa pagbisita sa Nature.com. Ang bersyon ng browser na iyong ginagamit ay may limitadong suporta sa CSS. Para sa pinakamahusay na resulta, inirerekomenda namin ang paggamit ng mas bagong bersyon ng iyong browser (o pag-off ng compatibility mode sa Internet Explorer). Samantala, upang matiyak ang patuloy na suporta, ipinapakita namin ang site nang walang styling o JavaScript.
Mabilis na lumalago ang mga aplikasyon ng klinikal na artipisyal na katalinuhan (clinical artificial intelligence o AI), ngunit limitado ang pagtuturo na sakop ng mga kasalukuyang kurikulum ng paaralang medikal. Dito namin inilalarawan ang isang kurso sa pagsasanay sa artificial intelligence na aming binuo at inihatid sa mga estudyanteng medikal sa Canada at nagbibigay ng mga rekomendasyon para sa pagsasanay sa hinaharap.
Ang artipisyal na katalinuhan (AI) sa medisina ay maaaring mapabuti ang kahusayan sa lugar ng trabaho at makatulong sa klinikal na paggawa ng desisyon. Upang ligtas na magabayan ang paggamit ng artipisyal na katalinuhan, ang mga doktor ay dapat magkaroon ng kaunting pag-unawa sa artipisyal na katalinuhan. Maraming komento ang nagtataguyod ng pagtuturo ng mga konsepto ng AI1, tulad ng pagpapaliwanag ng mga modelo ng AI at mga proseso ng pag-verify2. Gayunpaman, kakaunti ang mga nakabalangkas na plano na naipatupad, lalo na sa pambansang antas. Pinto dos Santos et al.3. 263 na mag-aaral ng medisina ang sinurbey at 71% ang sumang-ayon na kailangan nila ng pagsasanay sa artipisyal na katalinuhan. Ang pagtuturo ng artipisyal na katalinuhan sa isang medikal na madla ay nangangailangan ng maingat na disenyo na pinagsasama ang mga teknikal at di-teknikal na konsepto para sa mga mag-aaral na kadalasang may malawak na paunang kaalaman. Inilalarawan namin ang aming karanasan sa paghahatid ng isang serye ng mga workshop sa AI sa tatlong grupo ng mga mag-aaral ng medisina at nagbibigay ng mga rekomendasyon para sa edukasyon sa medisina sa AI sa hinaharap.
Ang aming limang-linggong workshop na Introduksyon sa Artipisyal na Katalinuhan sa Medisina para sa mga estudyante ng medisina ay ginanap nang tatlong beses sa pagitan ng Pebrero 2019 at Abril 2021. Ang 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 pagkatuto: nauunawaan ng mga estudyante kung paano pinoproseso ang datos sa mga aplikasyon ng artificial intelligence, sinusuri 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.
Asul ang paksa ng lektura at mapusyaw na asul ang interaktibong tanong at sagot. Ang kulay abong seksyon ang pokus ng maikling pagsusuri ng literatura. Ang mga kulay kahel na seksyon ay mga piling case study na naglalarawan ng mga modelo o pamamaraan ng artificial intelligence. Ang berde ay isang kurso sa guided programming 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 mga 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, ang pangalawang workshop ay ginanap nang virtual noong Oktubre-Nobyembre 2020, kung saan 222 estudyante ng medisina at 3 residente mula sa 8 paaralan ng medisina sa Canada ang nagparehistro. Ang mga slide ng presentasyon at code ay na-upload na sa isang open access site (http://ubcaimed.github.io). Ang pangunahing feedback mula sa unang iterasyon ay ang mga lektura ay masyadong matindi at ang materyal ay masyadong teoretikal. Ang paglilingkod sa anim na magkakaibang time zone ng Canada ay nagdudulot ng karagdagang mga hamon. Kaya, pinaikli ng pangalawang workshop ang bawat sesyon 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 nang may kaunting debugging (Kahon 1). Kasama sa mga pangunahing feedback mula sa pangalawang iterasyon ang positibong feedback sa mga pagsasanay sa programming at isang kahilingan na ipakita ang pagpaplano para sa isang proyekto sa machine learning. Samakatuwid, sa aming ikatlong workshop, na ginanap nang virtual para sa 126 na estudyante ng medisina noong Marso-Abril 2021, isinama namin ang mas interactive na mga pagsasanay sa coding at mga sesyon ng feedback sa proyekto upang ipakita ang epekto ng paggamit ng mga konsepto ng workshop sa mga proyekto.
Pagsusuri ng Datos: Isang larangan ng pag-aaral sa estadistika na tumutukoy sa mga makabuluhang padron sa datos sa pamamagitan ng pagsusuri, pagproseso, at pakikipag-ugnayan ng mga padron ng datos.
Pagmimina ng datos: ang proseso ng pagtukoy at pagkuha ng datos. Sa konteksto ng artipisyal na katalinuhan, ito ay kadalasang malaki, na may maraming baryabol para sa bawat sample.
Pagbawas ng dimensyon: Ang proseso ng pagbabago ng datos na may maraming indibidwal na katangian patungo sa mas kaunting katangian habang pinapanatili ang mahahalagang katangian ng orihinal na hanay ng datos.
Mga Katangian (sa konteksto ng artipisyal na katalinuhan): mga masusukat na katangian ng isang sample. Madalas gamiting salitan sa "katangian" o "baryabol".
Mapa ng Pag-activate ng Gradient: Isang pamamaraan na ginagamit upang bigyang-kahulugan ang mga modelo ng artificial intelligence (lalo na ang mga convolutional neural network), na sinusuri ang proseso ng pag-optimize sa huling bahagi ng network upang matukoy ang mga rehiyon ng datos o mga imahe na lubos na predictive.
Pamantayang Modelo: Isang umiiral na modelo ng AI na paunang sinanay upang magsagawa ng mga katulad na gawain.
Pagsubok (sa konteksto ng artipisyal na katalinuhan): pagmamasid kung paano isinasagawa ng isang modelo ang isang gawain gamit ang datos na hindi pa nito nararanasan noon.
Pagsasanay (sa konteksto ng artipisyal na katalinuhan): Pagbibigay ng isang modelo na may datos at mga resulta upang maisaayos ng modelo ang mga panloob na parametro nito upang ma-optimize ang kakayahang magsagawa ng mga gawain gamit ang mga bagong datos.
Vector: array ng datos. Sa machine learning, ang bawat elemento ng array ay karaniwang isang natatanging katangian ng sample.
Nakalista sa Talahanayan 1 ang mga pinakabagong kurso para sa Abril 2021, kabilang ang mga naka-target na layunin sa pagkatuto para sa bawat paksa. Ang workshop na ito ay inilaan para sa mga bago sa antas ng teknikal at hindi nangangailangan ng anumang kaalaman sa matematika na lampas sa unang taon ng isang undergraduate na medikal na degree. Ang kurso ay binuo ng 6 na estudyante ng medisina at 3 guro na may mga advanced na degree sa engineering. Ang mga inhinyero ay bumubuo ng teorya ng artificial intelligence upang magturo, at ang mga estudyante ng medisina ay natututo ng mga materyal na may kaugnayan sa klinikal.
Kasama sa mga workshop ang mga lektura, case study, at guided programming. Sa unang lektura, susuriin namin ang mga piling konsepto ng pagsusuri ng datos sa biostatistics, kabilang ang data visualization, logistic regression, at ang paghahambing ng descriptive at inductive statistics. Bagama't ang pagsusuri ng datos ang pundasyon ng artificial intelligence, hindi namin isinasama ang mga paksang tulad ng data mining, significance testing, o interactive visualization. Ito ay dahil sa mga limitasyon sa oras at dahil din sa ilang undergraduate na estudyante ay may naunang pagsasanay sa biostatistics at nais na masakop ang mas natatanging mga paksa sa machine learning. Ipinakikilala ng kasunod na lektura ang mga modernong pamamaraan at tinatalakay ang AI problem formulation, mga bentahe at limitasyon ng mga modelo ng AI, at model testing. Ang mga lektura ay kinukumpleto ng literatura at praktikal na pananaliksik sa mga umiiral na artificial intelligence device. Binibigyang-diin namin ang mga kasanayang kinakailangan upang masuri ang pagiging epektibo at posibilidad ng isang modelo upang matugunan ang mga klinikal na tanong, kabilang ang pag-unawa sa mga limitasyon ng mga umiiral na artificial intelligence device. Halimbawa, hiniling namin sa mga estudyante na bigyang-kahulugan ang mga alituntunin sa pinsala sa ulo ng mga bata na iminungkahi ni Kupperman et al., 5 na nagpatupad ng isang artificial intelligence decision tree algorithm upang matukoy kung ang isang CT scan ay magiging kapaki-pakinabang batay sa pagsusuri ng isang doktor. Binibigyang-diin namin na ito ay isang karaniwang halimbawa ng AI na nagbibigay ng predictive analytics para bigyang-kahulugan ng mga doktor, sa halip na palitan ang mga doktor.
Sa mga available na halimbawa ng open source 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 training at testing. Gumagamit kami ng Google Colaboratory notebooks (Google LLC, Mountain View, CA), na nagpapahintulot sa Python code na isagawa mula sa isang web browser. Sa Fig. Ang Figure 2 ay nagbibigay ng isang halimbawa ng isang pagsasanay sa programming. Ang pagsasanay na ito ay kinabibilangan ng paghula ng mga malignant na selula gamit ang Wisconsin Open Breast Imaging Dataset6 at isang decision tree algorithm.
Maglahad ng mga programa sa buong linggo tungkol sa mga kaugnay na paksa at pumili ng mga halimbawa mula sa mga nailathalang aplikasyon ng AI. Kasama lamang ang mga elemento ng programming kung itinuturing itong may kaugnayan sa pagbibigay ng pananaw sa klinikal na kasanayan sa hinaharap, 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 aplikasyon na nag-uuri sa mga tumor bilang benign o malignant batay sa mga parameter ng medikal na imahe.
Pagkakaiba-iba ng dating kaalaman. Iba-iba ang antas ng kaalaman sa matematika ng aming mga kalahok. Halimbawa, ang mga mag-aaral na may mataas na karanasan sa inhinyeriya ay naghahanap ng mas malalim na materyal, tulad ng kung paano gawin ang sarili nilang mga Fourier transform. Gayunpaman, hindi posible ang pagtalakay sa Fourier algorithm sa klase dahil nangangailangan ito ng malalim na kaalaman sa signal processing.
Paglabas ng bilang ng mga dumalo. Bumaba ang bilang ng mga dumalo sa mga follow-up meeting, lalo na sa mga online na format. Ang isang solusyon ay maaaring subaybayan ang pagdalo at magbigay ng sertipiko ng pagkumpleto. Kilala ang mga paaralang medikal sa pagkilala ng mga transcript ng mga ekstrakurikular na akademikong aktibidad ng mga estudyante, na maaaring hikayatin ang mga estudyante na magpursige ng degree.
Disenyo ng Kurso: Dahil ang AI ay sumasaklaw sa napakaraming subfield, ang pagpili ng mga pangunahing konsepto na may 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. Bagama't tinatalakay namin ang preprocessing ng data, pagbuo ng modelo, at pagpapatunay, hindi namin isinasama ang mga paksang tulad ng big data analytics, interactive visualization, o pagsasagawa ng mga klinikal na pagsubok ng AI, sa halip ay nakatuon kami sa mga pinakanatatanging konsepto ng AI. Ang aming gabay na prinsipyo ay ang pagpapabuti ng literasiya, hindi mga kasanayan. Halimbawa, ang pag-unawa kung paano pinoproseso ng isang modelo ang mga tampok ng input ay mahalaga para sa interpretability. Ang isang paraan upang gawin ito ay ang paggamit ng mga gradient activation map, na maaaring mailarawan 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 naging mahirap dahil sinusubukan naming ipaliwanag kung paano gamitin ang data bilang mga vector nang walang pormalismo sa matematika. Tandaan na ang iba't ibang mga termino ay may parehong kahulugan, halimbawa, sa epidemiology, ang isang "katangian" ay inilalarawan bilang isang "variable" o "attribute."
Pagpapanatili ng kaalaman. Dahil limitado ang aplikasyon ng AI, hindi pa natin alam kung gaano kalawak ang pagpapanatili ng kaalaman ng mga kalahok. Ang mga kurikulum sa paaralang medikal ay kadalasang umaasa sa may pagitang pag-uulit upang mapalakas ang kaalaman sa panahon ng mga praktikal na rotasyon,9 na maaari ring ilapat sa edukasyon ng AI.
Mas mahalaga ang propesyonalismo kaysa sa literasi. Ang lalim ng materyal ay dinisenyo nang walang mahigpit na matematika, na naging problema noong 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 patlang at patakbuhin ang software nang hindi kinakailangang malaman kung paano mag-set up ng isang kumpletong programming environment.
Mga alalahanin tungkol sa artificial intelligence na tinutugunan: Malawakang pangamba na maaaring palitan ng artificial intelligence ang ilang klinikal na tungkulin3. Upang matugunan ang isyung ito, ipinaliwanag namin ang mga limitasyon ng AI, kabilang ang katotohanan na halos lahat ng teknolohiya ng 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 data set ay hindi magkakaiba12. Dahil dito, ang isang partikular na subgroup ay maaaring maling mamodelo, na humahantong sa hindi patas na mga klinikal na desisyon.
Ang mga mapagkukunan ay magagamit ng publiko: Gumawa kami ng mga mapagkukunang magagamit ng publiko, kabilang ang mga slide at code ng lecture. Bagama't limitado ang access sa synchronous na nilalaman dahil sa mga time zone, ang open source na nilalaman ay isang maginhawang paraan para sa asynchronous na pag-aaral dahil ang kadalubhasaan sa AI ay hindi magagamit sa lahat ng mga paaralang medikal.
Kolaborasyong Interdisiplinaryo: Ang workshop na ito ay isang magkasanib na pakikipagsapalaran na sinimulan ng mga mag-aaral ng medisina upang magplano ng mga kurso kasama ang mga inhinyero. Ipinapakita nito ang mga pagkakataon sa pakikipagtulungan at mga kakulangan sa kaalaman sa parehong larangan, na nagbibigay-daan sa mga kalahok na maunawaan ang potensyal na papel na maaari nilang maiambag sa hinaharap.
Tukuyin ang mga pangunahing kakayahan sa AI. Ang pagtukoy sa isang listahan ng mga kakayahan ay nagbibigay ng isang istandardisadong istruktura na maaaring isama sa mga umiiral na kurikulum medikal na nakabatay sa kakayahan. Kasalukuyang ginagamit ng workshop na ito ang 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 klasipikasyon, tulad ng paglikha ng mga proyekto, ay maaaring higit pang magpatibay ng 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 pagpigil sa pagtuturo ng mga paulit-ulit na paksa na kasama na sa mga karaniwang kurikulum medikal.
Gumawa ng mga case study gamit ang AI. Katulad ng mga klinikal na halimbawa, ang case-based learning ay maaaring magpalakas ng mga abstract na konsepto sa pamamagitan ng pagbibigay-diin sa kaugnayan ng mga ito sa mga klinikal na tanong. Halimbawa, sinuri ng isang pag-aaral sa workshop ang AI-based diabetic retinopathy detection system 13 ng Google upang matukoy ang mga hamon sa landas mula laboratoryo patungo sa klinika, tulad ng mga kinakailangan sa panlabas na pagpapatunay at mga landas sa pag-apruba ng regulasyon.
Gumamit ng experiential learning: Ang mga teknikal na kasanayan ay nangangailangan ng nakatutok na pagsasanay at paulit-ulit na aplikasyon upang maging dalubhasa, katulad ng mga umiikot na karanasan sa pagkatuto ng mga clinical trainee. Ang isang potensyal na solusyon ay ang flipped classroom model, na naiulat na nagpapabuti sa pagpapanatili ng kaalaman sa edukasyon sa engineering14. Sa modelong ito, sinusuri ng mga mag-aaral ang mga teoretikal na materyal nang nakapag-iisa at ang oras ng klase ay inilalaan sa paglutas ng mga problema sa pamamagitan ng mga case study.
Pagpapalawak para sa mga kalahok na may iba't ibang disiplina: Nakikita namin ang pag-aampon ng AI na kinasasangkutan ng kolaborasyon sa maraming disiplina, kabilang ang mga doktor at mga propesyonal sa kalusugan na may iba't ibang antas ng pagsasanay. Samakatuwid, maaaring kailanganing bumuo ng kurikulum sa konsultasyon sa mga guro mula sa iba't ibang departamento upang maiangkop ang kanilang nilalaman sa iba't ibang larangan ng pangangalagang pangkalusugan.
Ang artificial intelligence ay high-tech at ang mga pangunahing konsepto nito ay nauugnay sa matematika at agham pangkompyuter. 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 pamamaraan ng paghahatid. Umaasa kami na ang mga kaalamang nakuha mula sa mga workshop ng AI in Education ay makakatulong sa mga magiging tagapagturo na yakapin ang mga makabagong paraan upang maisama ang AI sa edukasyong medikal.
Ang Google Colaboratory Python script ay open source at makukuha sa: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG at Khan, S. Muling Pag-iisip sa Edukasyong Medikal: Isang Panawagan para sa Aksyon. Akkad. medisina. 88, 1407–1410 (2013).
McCoy, LG atbp. Ano nga ba ang kailangang malaman ng mga estudyante ng medisina tungkol sa artificial intelligence? Mga numero ng NPZh. Medisina 3, 1–3 (2020).
Dos Santos, DP, et al. Mga saloobin ng mga estudyanteng medikal hinggil sa artificial intelligence: isang multicenter survey. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., at Singla, R. Introduksyon sa machine learning para sa mga estudyante ng medisina: isang pilot project. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Pagtukoy sa mga batang may napakababang panganib ng klinikal na makabuluhang pinsala sa utak pagkatapos ng pinsala sa ulo: isang prospektibong pag-aaral ng cohort. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH at Mangasarian, OL. Pagkuha ng katangiang nuklear para sa pagsusuri ng tumor sa suso. 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: Biswal 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 medisina batay sa ebidensya gamit ang OSCE sa undergraduate na edukasyong medikal. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB at Garg PS Machine learning at edukasyong medikal. Mga numero ng NPZh. medisina. 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 Mataas na pagganap na medisina: ang tagpo ng katalinuhan ng tao at artipisyal. Nat. medicine. 25, 44–56 (2019).
Bede, E. et al. Pagsusuri na nakasentro sa tao ng isang deep learning system na inilagay sa klinika para sa pagtuklas ng diabetic retinopathy. Mga Pamamaraan ng 2020 CHI Conference on Human Factors in Computing Systems (2020).
Kerr, B. Ang flipped classroom sa edukasyon sa inhenyeriya: Isang pagsusuri sa pananaliksik. Mga Pamamaraan 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 and Artificial Intelligence Research Cluster sa University of British Columbia para sa suporta at pagpopondo.
Sina RH, PP, ZH, RS at MA ang responsable sa pagbuo ng nilalaman ng pagtuturo sa workshop. Sina RH at PP naman ang responsable sa pagbuo ng mga halimbawa ng programming. Sina KYF, OY, MT at PW ang responsable sa logistikong organisasyon ng proyekto at sa pagsusuri ng mga workshop. Sina RH, OY, MT, RS ang responsable sa paggawa ng mga pigura at talahanayan. Sina RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ang responsable sa pagbalangkas at pag-eedit ng dokumento.
Pinasasalamatan ng Communication Medicine sina Carolyn McGregor, Fabio Moraes, at Aditya Borakati para sa kanilang mga kontribusyon sa pagsusuri ng akdang ito.
Oras ng pag-post: Pebrero 19, 2024