Tack för att du besöker Nature.com. Den version av webbläsare du använder har begränsat CSS -stöd. För bästa resultat rekommenderar vi att du använder en nyare version av din webbläsare (eller stänger av kompatibilitetsläge i Internet Explorer). Under tiden, för att säkerställa pågående stöd, visar vi webbplatsen utan styling eller JavaScript.
Tillämpningar av klinisk artificiell intelligens (AI) växer snabbt, men befintliga läroplaner för medicinsk skola erbjuder begränsad undervisning som täcker detta område. Här beskriver vi en utbildningskurs för konstgjord intelligens som vi utvecklade och levererade till kanadensiska medicinska studenter och gör rekommendationer för framtida utbildning.
Artificiell intelligens (AI) i medicinen kan förbättra effektiviteten på arbetsplatsen och hjälpa kliniskt beslutsfattande. För att säkert vägleda användningen av konstgjord intelligens måste läkare ha viss förståelse för konstgjord intelligens. Många kommentarer förespråkar att undervisa AI -koncept1, till exempel att förklara AI -modeller och verifieringsprocesser2. Men få strukturerade planer har genomförts, särskilt på nationell nivå. Pinto dos Santos et al.3. 263 medicinska studenter undersöktes och 71% var överens om att de behövde utbildning i konstgjord intelligens. Att lära ut konstgjord intelligens till en medicinsk publik kräver noggrann design som kombinerar tekniska och icke-tekniska koncept för studenter som ofta har omfattande förkunskaper. Vi beskriver vår erfarenhet av att leverera en serie AI -workshops till tre grupper av medicinska studenter och ger rekommendationer för framtida medicinsk utbildning i AI.
Vår fem veckors introduktion till artificiell intelligens i medicinverkstaden för medicinska studenter hölls tre gånger mellan februari 2019 och april 2021. Ett schema för varje workshop, med en kort beskrivning av förändringar på kursen, visas i figur 1. Vår kurs har Tre primära inlärningsmål: Studenter förstår hur data behandlas i konstgjorda intelligensapplikationer, analyserar litteraturen om konstgjord intelligens för kliniska tillämpningar och drar nytta av möjligheterna att samarbeta med ingenjörer som utvecklar konstgjord intelligens.
Blue är ämnet för föreläsningen och ljusblå är den interaktiva frågan och svarsperioden. Det grå avsnittet är i fokus för den korta litteraturöversynen. De orange avsnitten är utvalda fallstudier som beskriver konstgjorda intelligensmodeller eller tekniker. Green är en guidad programmeringskurs utformad för att lära ut konstgjord intelligens för att lösa kliniska problem och utvärdera modeller. Innehållet och varaktigheten för workshops varierar beroende på en bedömning av studentbehovet.
Den första workshopen hölls vid University of British Columbia från februari till april 2019, och alla 8 deltagare gav positiv feedback4. På grund av Covid-19 hölls den andra workshopen praktiskt taget i oktober-november 2020, med 222 medicinska studenter och 3 invånare från 8 kanadensiska medicinska skolor som registrerade sig. Presentationsbilder och kod har laddats upp till en öppen åtkomstplats (http://ubcaimed.github.io). Nyckelåterkopplingen från den första iterationen var att föreläsningarna var för intensiva och materialet för teoretiskt. Att betjäna Kanadas sex olika tidszoner utgör ytterligare utmaningar. Således förkortade den andra workshopen varje session till 1 timme, förenklade kursmaterialet, lade till fler fallstudier och skapade pannplattprogram som gjorde det möjligt för deltagarna att slutföra kodavsnitt med minimal felsökning (ruta 1). Nyckel feedback från den andra iterationen inkluderade positiv feedback på programmeringsövningarna och en begäran om att visa planering för ett maskininlärningsprojekt. Därför, i vår tredje workshop, som praktiskt taget hölls för 126 medicinska studenter i mars-april 2021, inkluderade vi mer interaktiva kodningsövningar och projektåterkopplingssessioner för att visa effekterna av att använda verkstadskoncept på projekt.
Dataanalys: Ett studieområde i statistik som identifierar meningsfulla mönster i data genom att analysera, bearbeta och kommunicera datamönster.
Data Mining: Processen för att identifiera och extrahera data. I samband med konstgjord intelligens är detta ofta stort, med flera variabler för varje prov.
Dimensionalitetsminskning: Processen för att omvandla data med många enskilda funktioner till färre funktioner samtidigt som de ursprungliga egenskaperna för den ursprungliga datauppsättningen bevaras.
Egenskaper (i samband med konstgjord intelligens): Mätbara egenskaper för ett prov. Används ofta utbytbart med "egendom" eller "variabel".
Gradientaktiveringskarta: En teknik som används för att tolka modeller för artificiell intelligens (särskilt konvolutionella neurala nätverk), som analyserar processen för att optimera den sista delen av nätverket för att identifiera regioner för data eller bilder som är mycket förutsägbara.
Standardmodell: En befintlig AI-modell som har förutträngts för att utföra liknande uppgifter.
Testning (i samband med konstgjord intelligens): Observera hur en modell utför en uppgift med hjälp av data som den inte har stött på tidigare.
Träning (i samband med konstgjord intelligens): Tillhandahålla en modell med data och resultat så att modellen justerar sina interna parametrar för att optimera dess förmåga att utföra uppgifter med nya data.
Vektor: matris. I maskininlärning är varje matriselement vanligtvis ett unikt drag i provet.
Tabell 1 visar de senaste kurserna för april 2021, inklusive riktade inlärningsmål för varje ämne. Denna workshop är avsedd för de som är nya på teknisk nivå och kräver inte någon matematisk kunskap utöver det första året av en grundläggande medicinsk examen. Kursen utvecklades av 6 medicinska studenter och 3 lärare med avancerade grader inom teknik. Ingenjörer utvecklar teori om artificiell intelligens för att undervisa, och medicinska studenter lär sig kliniskt relevant material.
Workshops inkluderar föreläsningar, fallstudier och guidad programmering. I den första föreläsningen granskar vi utvalda begrepp om dataanalys i biostatistik, inklusive datavisualisering, logistisk regression och jämförelse av beskrivande och induktiv statistik. Även om dataanalys är grunden för artificiell intelligens, utesluter vi ämnen som data mining, betydelseprovning eller interaktiv visualisering. Detta berodde på tidsbegränsningar och också för att vissa studenter hade tidigare utbildning i biostatistik och ville täcka mer unika maskininlärningsämnen. Den efterföljande föreläsningen introducerar moderna metoder och diskuterar AI -problemformulering, fördelar och begränsningar av AI -modeller och modelltestning. Föreläsningarna kompletteras av litteratur och praktisk forskning om befintliga konstgjorda intelligensenheter. Vi betonar de färdigheter som krävs för att utvärdera effektiviteten och genomförbarheten av en modell för att ta itu med kliniska frågor, inklusive att förstå begränsningarna för befintliga konstgjorda intelligensenheter. Till exempel bad vi eleverna att tolka riktlinjerna för pediatriska huvudskador som föreslagits av Kupperman et al., 5 som implementerade ett artificiellt intelligensbeslutsalgoritm för att avgöra om en CT -skanning skulle vara användbar baserad på en läkares undersökning. Vi betonar att detta är ett vanligt exempel på att AI som ger prediktiv analys för läkare att tolka, snarare än att ersätta läkare.
I tillgängliga Open Source Bootstrap -programmeringsexempel (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), visar vi hur man utför undersökningsdataanalys, dimensionalitetsreduktion, standardmodellbelastning och träning och träning . och testning. Vi använder Google Colaboratory Notebooks (Google LLC, Mountain View, CA), som gör att Python -kod kan köras från en webbläsare. I fig. Figur 2 ger ett exempel på en programmeringsövning. Denna övning innebär att man förutsäger maligniteter med hjälp av Wisconsin Open Breast Imaging -dataset6 och en beslutsträdalgoritm.
Nuvarande program under hela veckan om relaterade ämnen och välj exempel från publicerade AI -applikationer. Programmeringselement ingår endast om de anses vara relevanta för att ge insikt i framtida klinisk praxis, till exempel hur man utvärderar modeller för att avgöra om de är redo för användning i kliniska prövningar. Dessa exempel kulminerar i en fullfjädrad applikation från slutet till slutet som klassificerar tumörer som godartade eller maligna baserade på medicinska bildparametrar.
Heterogenitet i förkunskaper. Våra deltagare varierade i sin nivå av matematisk kunskap. Till exempel letar studenter med avancerad teknisk bakgrund efter mer djupgående material, till exempel hur man utför sina egna Fourier-transformationer. Att diskutera Fourier-algoritmen i klassen är emellertid inte möjligt eftersom det kräver djupgående kunskap om signalbehandling.
Närvaro utflöde. Närvaro vid uppföljningsmöten minskade, särskilt i online-format. En lösning kan vara att spåra närvaro och tillhandahålla ett intyg om slutförande. Medicinska skolor är kända för att erkänna utskrifter av elevernas extracurricular akademiska aktiviteter, vilket kan uppmuntra eleverna att bedriva en examen.
Kursdesign: Eftersom AI sträcker sig över så många underfält kan det vara utmanande att välja kärnkoncept med lämpligt djup och bredd. Till exempel är kontinuiteten i användningen av AI -verktyg från laboratoriet till kliniken ett viktigt ämne. Medan vi täcker dataförbehandling, modellbyggnad och validering, inkluderar vi inte ämnen som Big Data Analytics, interaktiv visualisering eller genomförande av AI -kliniska studier, istället fokuserar vi på de mest unika AI -koncept. Vår vägledande princip är att förbättra läskunnigheten, inte färdigheter. Att förstå hur en modell bearbetar inmatningsfunktioner är till exempel viktigt för tolkbarhet. Ett sätt att göra detta är att använda gradientaktiveringskartor, som kan visualisera vilka regioner i data som är förutsägbara. Detta kräver emellertid multivariat kalkyl och kan inte introduceras8. Att utveckla en gemensam terminologi var utmanande eftersom vi försökte förklara hur vi ska arbeta med data som vektorer utan matematisk formalism. Observera att olika termer har samma betydelse, till exempel i epidemiologi beskrivs en "karakteristik" som en "variabel" eller "attribut".
Kunskapsbehållning. Eftersom tillämpningen av AI är begränsad återstår i vilken utsträckning deltagarna behåller kunskap. Läroplaner för medicinsk skola förlitar sig ofta på avståndsupprepning för att stärka kunskapen under praktiska rotationer, 9 som också kan tillämpas på AI -utbildning.
Professionalism är viktigare än läskunnighet. Materialets djup är utformat utan matematisk rigoritet, vilket var ett problem när man startar kliniska kurser i konstgjord intelligens. I programmeringsexemplen använder vi ett mallprogram som gör det möjligt för deltagarna att fylla i fält och köra programvaran utan att behöva ta reda på hur man skapar en komplett programmeringsmiljö.
Oro över konstgjord intelligens behandlas: Det finns en stor oro för att konstgjord intelligens kan ersätta vissa kliniska uppgifter3. För att ta itu med denna fråga förklarar vi begränsningarna i AI, inklusive det faktum att nästan alla AI -tekniker som godkänts av tillsynsmyndigheterna kräver läkarövervakning11. Vi betonar också vikten av förspänning eftersom algoritmer är benägna att förspänna, särskilt om datauppsättningen inte är olika12. Följaktligen kan en viss undergrupp modelleras felaktigt, vilket leder till orättvisa kliniska beslut.
Resurser är offentligt tillgängliga: Vi har skapat offentligt tillgängliga resurser, inklusive föreläsningsglas och kod. Även om åtkomst till synkron innehåll är begränsat på grund av tidszoner, är open source -innehåll en bekväm metod för asynkron lärande eftersom AI -expertis inte är tillgänglig på alla medicinska skolor.
Interdisciplinärt samarbete: Denna workshop är ett joint venture som initierats av medicinska studenter för att planera kurser tillsammans med ingenjörer. Detta visar samarbetsmöjligheter och kunskapsgap i båda områdena, vilket gör att deltagarna kan förstå den potentiella roll de kan bidra i framtiden.
Definiera AI -kärnkompetenser. Att definiera en lista över kompetenser ger en standardiserad struktur som kan integreras i befintliga kompetensbaserade medicinska läroplaner. Denna workshop använder för närvarande inlärningsobjektnivåer 2 (förståelse), 3 (applikation) och 4 (analys) av Blooms taxonomi. Att ha resurser på högre klassificeringsnivåer, till exempel att skapa projekt, kan ytterligare stärka kunskapen. Detta kräver att arbeta med kliniska experter för att bestämma hur AI -ämnen kan tillämpas på kliniska arbetsflöden och förhindra undervisning i repetitiva ämnen som redan ingår i standardläkare.
Skapa fallstudier med AI. I likhet med kliniska exempel kan fallbaserat inlärning förstärka abstrakta begrepp genom att lyfta fram deras relevans för kliniska frågor. Till exempel analyserade en workshopstudie Googles AI-baserade diabetiska retinopatiketekteringssystem 13 för att identifiera utmaningar längs vägen från laboratorium till klinik, såsom externa valideringskrav och regleringsgodkännandevägar.
Använd erfarenhetsinlärning: Tekniska färdigheter kräver fokuserad praxis och upprepad tillämpning på Master, liknande de roterande inlärningsupplevelserna från kliniska praktikanter. En potentiell lösning är den vända klassrumsmodellen, som har rapporterats förbättra kunskapsbehållning inom ingenjörsutbildning14. I denna modell granskar eleverna teoretiskt material oberoende och klasstiden ägnas åt att lösa problem genom fallstudier.
Skalning för tvärvetenskapliga deltagare: Vi föreställer oss AI -adoption som involverar samarbete över flera discipliner, inklusive läkare och allierade hälso- och sjukvårdspersonal med olika utbildningsnivåer. Därför kan läroplaner behöva utvecklas i samråd med fakulteten från olika avdelningar för att skräddarsy sitt innehåll till olika områden inom hälsovård.
Konstgjord intelligens är högteknologisk och dess kärnbegrepp är relaterade till matematik och datavetenskap. Utbildningssjukvårdspersonal för att förstå artificiell intelligens ger unika utmaningar i innehållsval, klinisk relevans och leveransmetoder. Vi hoppas att de insikter som erhållits från AI i utbildningsworkshops kommer att hjälpa framtida lärare att omfamna innovativa sätt att integrera AI i medicinsk utbildning.
Google Colaboratory Python -skriptet är öppen källkod och finns på: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG och Khan, S. Rethinking Medical Education: A Call to Action. Akkad. medicin. 88, 1407–1410 (2013).
McCoy, LG etc. Vad behöver medicinska studenter verkligen veta om konstgjord intelligens? NPZH -nummer. Medicin 3, 1–3 (2020).
Dos Santos, DP, et al. Medicinska studenternas attityder till konstgjord intelligens: en multicenterundersökning. EURO. strålning. 29, 1640–1646 (2019).
Fan, KY, Hu, R. och Singla, R. Introduktion till maskininlärning för medicinska studenter: ett pilotprojekt. J. Med. lära. 54, 1042–1043 (2020).
Cooperman N, et al. Identifiera barn med mycket låg risk för kliniskt signifikant hjärnskada efter huvudskada: en prospektiv kohortstudie. Lancet 374, 1160–1170 (2009).
Street, Wn, Wolberg, WH och Mangasarian, OL. Kärnkraftsekstraktion för diagnos av brösttumör. Biomedicinsk vetenskap. Bildbehandling. Biomedicinsk vetenskap. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. och Peng, L. Hur man utvecklar maskininlärningsmodeller för hälso- och sjukvård. Nat. Matt. 18, 410–414 (2019).
Selvaraju, Rr et al. Grad-CAM: Visuell tolkning av djupa nätverk via gradientbaserad lokalisering. Proceedings of IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K och Ilic D. Utveckling och utvärdering av en spiralmodell för att bedöma evidensbaserad medicinskompetens som använder OSSE i grundutbildningen. BMK Medicine. lära. 21, 1–9 (2021).
KOLACHALAMA VB och GARG PS Maskininlärning och medicinsk utbildning. NPZH -nummer. medicin. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. och De Rooy, M. Artificiell intelligens i radiologi: 100 kommersiella produkter och deras vetenskapliga bevis. EURO. strålning. 31, 3797–3804 (2021).
Topol, EJ högpresterande medicin: konvergensen mellan mänsklig och konstgjord intelligens. Nat. medicin. 25, 44–56 (2019).
Bede, E. et al. Mänskligt centrerad utvärdering av ett djupinlärningssystem som används i kliniken för att upptäcka diabetisk retinopati. Fortsättningar av CHI -konferensen 2020 om mänskliga faktorer i datorsystem (2020).
Kerr, B. Det vänd klassrummet i ingenjörsutbildning: En forskningsöversikt. Proceedings of the International Conference om Interactive Collaborative Learning 2015 (2015).
Författarna tackar Danielle Walker, Tim Salcudin och Peter Zandstra från den biomedicinska avbildnings- och artificiella intelligensforskningssklustret vid University of British Columbia för stöd och finansiering.
RH, PP, ZH, RS och MA var ansvariga för att utveckla verkstadens undervisningsinnehåll. RH och PP var ansvariga för att utveckla programmeringsexemplen. KYF, OY, MT och PW var ansvariga för projektets logistiska organisation och analysen av workshops. RH, OY, MT, RS var ansvariga för att skapa siffror och tabeller. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS var ansvariga för att utarbeta och redigera dokumentet.
Kommunikationsmedicin tack Carolyn McGregor, Fabio Moraes och Aditya Borakati för deras bidrag till granskningen av detta arbete.
Posttid: feb-19-2024