Tack för att du besöker Nature.com.Den version av webbläsaren du använder har begränsat CSS-stöd.För bästa resultat rekommenderar vi att du använder en nyare version av din webbläsare (eller stänger av kompatibilitetsläget i Internet Explorer).Under tiden, för att säkerställa kontinuerlig support, visar vi webbplatsen utan styling eller JavaScript.
Tillämpningar av klinisk artificiell intelligens (AI) växer snabbt, men befintliga medicinska läroplaner erbjuder begränsad undervisning som täcker detta område.Här beskriver vi en utbildning i artificiell intelligens som vi utvecklat och levererade till kanadensiska läkarstudenter och ger rekommendationer för framtida utbildning.
Artificiell intelligens (AI) inom medicin kan förbättra arbetsplatsens effektivitet och underlätta kliniskt beslutsfattande.För att säkert vägleda användningen av artificiell intelligens måste läkare ha viss förståelse för artificiell intelligens.Många kommentarer förespråkar undervisning i AI-koncept1, som att förklara AI-modeller och verifieringsprocesser2.Få strukturerade planer har dock genomförts, särskilt på nationell nivå.Pinto dos Santos et al.3.263 läkarstudenter tillfrågades och 71 % instämde i att de behövde utbildning i artificiell intelligens.Att lära ut artificiell 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 läkarstudenter och ger rekommendationer för framtida medicinsk utbildning inom AI.
Vår fem veckor långa workshop Introduktion till artificiell intelligens i medicin för läkarstudenter hölls tre gånger mellan februari 2019 och april 2021. Ett schema för varje workshop, med en kort beskrivning av förändringar av kursen, visas i figur 1. Vår kurs har tre primära lärandemål: studenterna förstår hur data bearbetas i artificiell intelligensapplikationer, analyserar artificiell intelligenslitteraturen för kliniska applikationer och drar fördel av möjligheter att samarbeta med ingenjörer som utvecklar artificiell intelligens.
Blått är ämnet för föreläsningen och ljusblått är den interaktiva fråge- och svarsperioden.Det grå avsnittet är i fokus för den korta litteraturöversikten.De orangea delarna är utvalda fallstudier som beskriver artificiell intelligensmodeller eller tekniker.Green är en guidad programmeringskurs utformad för att lära ut artificiell intelligens för att lösa kliniska problem och utvärdera modeller.Verkstädernas innehåll och längd varierar utifrån en bedömning av elevernas behov.
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 läkarstudenter och 3 invånare från 8 kanadensiska medicinska skolor som registrerade sig.Presentationsbilder och kod har laddats upp till en webbplats med öppen tillgång (http://ubcaimed.github.io).Den viktigaste feedbacken från den första iterationen var att föreläsningarna var för intensiva och materialet för teoretiskt.Att betjäna Kanadas sex olika tidszoner innebär ytterligare utmaningar.Således förkortade den andra workshopen varje session till 1 timme, förenklade kursmaterialet, lade till fler fallstudier och skapade standardprogram som gjorde det möjligt för deltagarna att slutföra kodavsnitt med minimal felsökning (ruta 1).Viktig feedback från den andra iterationen inkluderade positiv feedback på programmeringsövningarna och en begäran om att demonstrera planering för ett maskininlärningsprojekt.Därför, i vår tredje workshop, som hölls virtuellt för 126 läkarstudenter i mars-april 2021, inkluderade vi mer interaktiva kodningsövningar och projektfeedbackssessioner för att demonstrera effekten av att använda workshopkoncept på projekt.
Dataanalys: Ett studieområde inom statistik som identifierar meningsfulla mönster i data genom att analysera, bearbeta och kommunicera datamönster.
Data mining: processen att identifiera och extrahera data.I samband med artificiell intelligens är detta ofta stort, med flera variabler för varje urval.
Dimensionalitetsreduktion: Processen att omvandla data med många individuella funktioner till färre funktioner samtidigt som de viktiga egenskaperna för den ursprungliga datamängden bevaras.
Egenskaper (i samband med artificiell intelligens): mätbara egenskaper hos ett prov.Används ofta omväxlande med "egenskap" eller "variabel".
Gradient Activation Map: En teknik som används för att tolka artificiell intelligensmodeller (särskilt konvolutionella neurala nätverk), som analyserar processen för att optimera den sista delen av nätverket för att identifiera regioner av data eller bilder som är mycket förutsägbara.
Standardmodell: En befintlig AI-modell som har förutbildats för att utföra liknande uppgifter.
Testning (i samband med artificiell intelligens): observera hur en modell utför en uppgift med hjälp av data som den inte har stött på tidigare.
Utbildning (i samband med artificiell intelligens): Att tillhandahålla en modell med data och resultat så att modellen justerar sina interna parametrar för att optimera sin förmåga att utföra uppgifter med hjälp av ny data.
Vektor: rad data.I maskininlärning är varje arrayelement vanligtvis en unik egenskap hos provet.
Tabell 1 listar de senaste kurserna för april 2021, inklusive riktade lärandemål för varje ämne.Denna workshop är avsedd för dig som är ny på den tekniska nivån och kräver inga matematiska kunskaper utöver det första året av en medicinsk grundexamen.Kursen har utvecklats av 6 läkarstudenter och 3 lärare med avancerad examen inom ingenjörsvetenskap.Ingenjörer utvecklar artificiell intelligensteori för att undervisa, och läkarstudenter lär sig kliniskt relevant material.
Workshops inkluderar föreläsningar, fallstudier och guidad programmering.I den första föreläsningen går vi igenom utvalda begrepp för dataanalys inom biostatistik, inklusive datavisualisering, logistisk regression och jämförelse av beskrivande och induktiv statistik.Även om dataanalys är grunden för artificiell intelligens utesluter vi ämnen som datautvinning, signifikanstestning eller interaktiv visualisering.Detta berodde på tidsbrist och även på att vissa studenter på grundutbildningen hade tidigare utbildning i biostatistik och ville täcka mer unika maskininlärningsämnen.Den efterföljande föreläsningen introducerar moderna metoder och diskuterar AI-problemformulering, fördelar och begränsningar med AI-modeller samt modelltestning.Föreläsningarna kompletteras med litteratur och praktisk forskning om existerande artificiell intelligens.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 hos existerande artificiell intelligensenheter.Till exempel bad vi eleverna att tolka riktlinjerna för pediatrisk huvudskada som föreslagits av Kupperman et al., 5 som implementerade en beslutsträdsalgoritm för artificiell intelligens för att avgöra om en datortomografi skulle vara användbar baserat på en läkares undersökning.Vi betonar att detta är ett vanligt exempel på AI som tillhandahåller prediktiv analys för läkare att tolka, snarare än att ersätta läkare.
I de tillgängliga bootstrap-programmeringsexemplen med öppen källkod (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) visar vi hur man utför utforskande dataanalys, dimensionsreduktion, standardmodellladdning och utbildning .och testning.Vi använder Google Collaboratory-anteckningsböcker (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 involverar att förutsäga maligniteter med hjälp av Wisconsin Open Breast Imaging Dataset6 och en beslutsträdsalgoritm.
Presentera program under hela veckan om relaterade ämnen och välj exempel från publicerade AI-applikationer.Programmeringselement ingår endast om de anses relevanta för att ge insikt i framtida klinisk praxis, såsom hur man utvärderar modeller för att avgöra om de är redo att användas i kliniska prövningar.Dessa exempel kulminerar i en fullfjädrad end-to-end-applikation som klassificerar tumörer som benigna eller maligna baserat på medicinska bildparametrar.
Heterogenitet av förkunskaper.Våra deltagare varierade i sin matematiska kunskapsnivå.Studenter med avancerad ingenjörsbakgrund söker till exempel efter mer djupgående material, till exempel hur man utför sina egna Fourier-transformationer.Att diskutera Fourieralgoritmen i klassen är dock inte möjligt eftersom det kräver djupgående kunskaper om signalbehandling.
Utflöde av närvaro.Närvaron vid uppföljningsmöten minskade, särskilt i onlineformat.En lösning kan vara att spåra närvaro och tillhandahålla ett färdighetsbevis.Medicinska skolor är kända för att känna igen utskrifter av studenters extracurricular akademiska aktiviteter, vilket kan uppmuntra studenter att fortsätta en examen.
Kursdesign: Eftersom AI spänner över så många delfält 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.Även om vi täcker dataförbearbetning, modellbyggande och validering, inkluderar vi inte ämnen som big data-analys, interaktiv visualisering eller genomförande av AI-kliniska prövningar, istället fokuserar vi på de mest unika AI-koncepten.Vår ledstjärna är att förbättra läskunnigheten, inte färdigheter.Att förstå hur en modell bearbetar indataegenskaper är till exempel viktigt för tolkningsbarheten.Ett sätt att göra detta är att använda gradientaktiveringskartor, som kan visualisera vilka regioner av data som är förutsägbara.Detta kräver dock multivariaträkning och kan inte införas8.Att utveckla en gemensam terminologi var utmanande eftersom vi försökte förklara hur man arbetar med data som vektorer utan matematisk formalism.Observera att olika termer har samma betydelse, till exempel i epidemiologi beskrivs en "egenskap" som en "variabel" eller "attribut".
Kunskapsbevarande.Eftersom tillämpningen av AI är begränsad återstår det att se i vilken utsträckning deltagarna behåller kunskap.Läroplaner för medicinska skolor förlitar sig ofta på åtskilda upprepningar för att förstärka kunskapen under praktiska rotationer,9 vilket också kan tillämpas på AI-utbildning.
Professionalism är viktigare än läskunnighet.Materialets djup är designat utan matematisk rigor, vilket var ett problem när man lanserade kliniska kurser i artificiell intelligens.I programmeringsexemplen använder vi ett mallprogram som låter deltagarna fylla i fält och köra programvaran utan att behöva ta reda på hur man ställer in en komplett programmeringsmiljö.
Oron för artificiell intelligens behandlas: Det finns en utbredd oro för att artificiell intelligens kan ersätta vissa kliniska uppgifter3.För att lösa detta problem förklarar vi begränsningarna för AI, inklusive det faktum att nästan all AI-teknik som godkänts av tillsynsmyndigheter kräver läkarövervakning11.Vi betonar också vikten av bias eftersom algoritmer är benägna att bias, särskilt om datamängden inte är diversifierad12.Följaktligen kan en viss undergrupp modelleras felaktigt, vilket leder till orättvisa kliniska beslut.
Resurser är offentligt tillgängliga: Vi har skapat allmänt tillgängliga resurser, inklusive föreläsningsbilder och kod.Även om tillgången till synkront innehåll är begränsad på grund av tidszoner, är innehåll med öppen källkod en bekväm metod för asynkront lärande eftersom AI-expertis inte är tillgänglig på alla medicinska skolor.
Tvärvetenskapligt samarbete: Denna workshop är ett joint venture initierat av läkarstudenter för att planera kurser tillsammans med ingenjörer.Detta visar samarbetsmöjligheter och kunskapsluckor inom båda områdena, vilket gör att deltagarna kan förstå den potentiella roll de kan bidra med 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 inlärningsmål nivå 2 (förståelse), 3 (tillämpning) och 4 (analys) av Blooms taxonomi.Att ha resurser på högre klassificeringsnivåer, som att skapa projekt, kan ytterligare stärka kunskapen.Detta kräver att man arbetar med kliniska experter för att avgöra hur AI-ämnen kan tillämpas på kliniska arbetsflöden och förhindra undervisning av repetitiva ämnen som redan ingår i vanliga medicinska läroplaner.
Skapa fallstudier med hjälp av AI.I likhet med kliniska exempel kan fallbaserat lärande förstärka abstrakta begrepp genom att lyfta fram deras relevans för kliniska frågor.Till exempel analyserade en verkstadsstudie Googles AI-baserade detektionssystem för diabetisk retinopati 13 för att identifiera utmaningar längs vägen från labb till klinik, såsom externa valideringskrav och myndighetsvägar för godkännande.
Använd erfarenhetsbaserat lärande: Tekniska färdigheter kräver fokuserad övning och upprepad tillämpning för att bemästra, liknande de roterande inlärningsupplevelserna hos kliniska praktikanter.En potentiell lösning är den omvända klassrumsmodellen, som har rapporterats förbättra kunskapsbevarandet inom ingenjörsutbildningen14.I denna modell granskar eleverna teoretiskt material självständigt och lektionstid ägnas åt att lösa problem genom fallstudier.
Skalning för multidisciplinära deltagare: Vi föreställer oss AI-antagande som involverar samarbete mellan flera discipliner, inklusive läkare och allierad hälso- och sjukvårdspersonal med varierande utbildningsnivåer.Därför kan läroplaner behöva utvecklas i samråd med fakulteter från olika institutioner för att anpassa innehållet till olika områden inom hälso- och sjukvården.
Artificiell intelligens är högteknologiskt och dess kärnbegrepp är relaterade till matematik och datavetenskap.Att utbilda vårdpersonal för att förstå artificiell intelligens innebär unika utmaningar i val av innehåll, klinisk relevans och leveransmetoder.Vi hoppas att insikterna från workshops om AI i utbildning kommer att hjälpa framtida lärare att anamma innovativa sätt att integrera AI i medicinsk utbildning.
Google Colaboratory Python-skriptet är öppen källkod och tillgängligt på: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG och Khan, S. Rethinking medicinsk utbildning: en uppmaning till handling.Akkad.medicin.88, 1407–1410 (2013).
McCoy, LG etc. Vad behöver läkarstudenter egentligen veta om artificiell intelligens?NPZh-nummer.Medicin 3, 1–3 (2020).
Dos Santos, DP, et al.Läkarstudenters attityder till artificiell intelligens: en multicenterundersökning.EURO.strålning.29, 1640–1646 (2019).
Fan, KY, Hu, R. och Singla, R. Introduktion till maskininlärning för läkarstudenter: 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.Nukleär funktionsextraktion för diagnos av brösttumör.Biomedicinsk vetenskap.Bildbehandling.Biomedicinsk vetenskap.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. och Peng, L. Hur man utvecklar modeller för maskininlärning för sjukvård.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: Visuell tolkning av djupa nätverk via gradientbaserad lokalisering.Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K och Ilic D. Utveckling och utvärdering av en spiralmodell för bedömning av evidensbaserad medicinkompetens med hjälp av OSSE i medicinsk grundutbildning.BMK Medicin.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 inom radiologi: 100 kommersiella produkter och deras vetenskapliga bevis.EURO.strålning.31, 3797–3804 (2021).
Topol, EJ Högpresterande medicin: konvergensen av mänsklig och artificiell intelligens.Nat.medicin.25, 44–56 (2019).
Bede, E. et al.Människocentrerad utvärdering av ett system för djupinlärning som används på kliniken för att upptäcka diabetisk retinopati.Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (2020).
Kerr, B. The flipped classroom in engineering education: A research review.Proceedings of the 2015 International Conference on Interactive Collaborative Learning (2015).
Författarna tackar Danielle Walker, Tim Salcudin och Peter Zandstra från Biomedical Imaging and Artificial Intelligence Research Cluster vid University of British Columbia för stöd och finansiering.
RH, PP, ZH, RS och MA ansvarade för att utveckla workshopens undervisningsinnehåll.RH och PP ansvarade för att utveckla programmeringsexemplen.KYF, OY, MT och PW ansvarade för den logistiska organisationen av projektet och analysen av workshoparna.RH, OY, MT, RS ansvarade för att skapa figurerna och tabellerna.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ansvarade för att utarbeta och redigera dokumentet.
Communication Medicine tackar Carolyn McGregor, Fabio Moraes och Aditya Borakati för deras bidrag till granskningen av detta arbete.
Posttid: 2024-02-19