Tack för att du besöker Nature.com. Den webbläsarversion du använder har begränsat CSS-stöd. För bästa resultat rekommenderar vi att du använder en nyare version av din webbläsare (eller att du stänger av kompatibilitetsläget i Internet Explorer). Under tiden, för att säkerställa fortsatt support, visar vi webbplatsen utan styling eller JavaScript.
Tillämpningar av klinisk artificiell intelligens (AI) växer snabbt, men befintliga läroplaner för läkarutbildningar erbjuder begränsad undervisning som täcker detta område. Här beskriver vi en utbildning i artificiell intelligens som vi utvecklat och höll i kanadensiska läkarstudenter och ger rekommendationer för framtida utbildning.
Artificiell intelligens (AI) inom medicin kan förbättra effektiviteten på arbetsplatsen och underlätta kliniskt beslutsfattande. För att på ett säkert sätt kunna vägleda användningen av artificiell intelligens måste läkare ha en viss förståelse för artificiell intelligens. Många kommentarer förespråkar undervisning i AI-koncept1, såsom att förklara AI-modeller och verifieringsprocesser2. Emellertid har få strukturerade planer implementerats, särskilt på nationell nivå. Pinto dos Santos et al.3. 263 läkarstudenter tillfrågades och 71 % höll med om att de behövde utbildning i artificiell intelligens. Att undervisning i 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 av läkarstudenter och ger rekommendationer för framtida medicinsk utbildning inom AI.
Vår fem veckor långa workshop om introduktion till artificiell intelligens inom medicin för läkarstudenter hölls tre gånger mellan februari 2019 och april 2021. Ett schema för varje workshop, med en kort beskrivning av kursändringar, visas i figur 1. Vår kurs har tre primära lärandemål: studenterna förstår hur data bearbetas i tillämpningar av artificiell intelligens, analyserar litteraturen om artificiell intelligens för kliniska tillämpningar och utnyttjar möjligheter att samarbeta med ingenjörer som utvecklar artificiell intelligens.
Blått är ämnet för föreläsningen och ljusblått är den interaktiva frågestunden. Den grå delen är fokus för den korta litteraturgenomgången. De orangea avsnitten är utvalda fallstudier som beskriver modeller eller tekniker för artificiell intelligens. Grönt är en guidad programmeringskurs utformad för att lära ut artificiell intelligens för att lösa kliniska problem och utvärdera modeller. Innehållet och längden på workshopparna varierar baserat på en bedömning av studenternas 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 virtuellt i oktober-november 2020, med 222 läkarstudenter och 3 assistenter från 8 kanadensiska medicinska fakulteter som registrerade sig. Presentationsbilder och kod har laddats upp till en webbplats med öppen åtkomst (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. Därför 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 inkluderade vi i vår tredje workshop, som hölls virtuellt för 126 läkarstudenter i mars-april 2021, fler interaktiva kodningsövningar och projektfeedbacksessioner för att demonstrera effekten av att använda workshopkoncept i projekt.
Dataanalys: Ett studieområde inom statistik som identifierar meningsfulla mönster i data genom att analysera, bearbeta och kommunicera datamönster.
Datautvinning: 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 hos 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 modeller av artificiell intelligens (särskilt faltningsneurala nätverk), som analyserar processen att optimera den sista delen av nätverket för att identifiera data- eller bildregioner som är mycket prediktiva.
Standardmodell: En befintlig AI-modell som har förtränats för att utföra liknande uppgifter.
Testning (i samband med artificiell intelligens): observera hur en modell utför en uppgift med hjälp av data den inte har stött på tidigare.
Träning (i samband med artificiell intelligens): Att förse 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: datamatris. I maskininlärning är varje matriselement vanligtvis en unik egenskap hos urvalet.
Tabell 1 listar de senaste kurserna för april 2021, inklusive riktade lärandemål för varje ämne. Denna workshop är avsedd för de som är nya på den tekniska nivån och kräver inga matematiska kunskaper utöver det första året av en läkarexamen på grundnivå. Kursen utvecklades av 6 läkarstudenter och 3 lärare med avancerade ingenjörsexamen. Ingenjörer utvecklar teori om artificiell intelligens för att undervisa, och läkarstudenter lär sig kliniskt relevant material.
Workshoparna omfattar föreläsningar, fallstudier och guidad programmering. I den första föreläsningen granskar vi utvalda koncept inom dataanalys inom biostatistik, inklusive datavisualisering, logistisk regression och jämförelse av deskriptiv och induktiv statistik. Även om dataanalys är grunden för artificiell intelligens, exkluderar vi ämnen som data mining, signifikanstestning eller interaktiv visualisering. Detta berodde på tidsbegränsningar och även på att vissa studenter på grundnivå hade tidigare utbildning inom 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 av litteratur och praktisk forskning om befintliga artificiella intelligens-enheter. Vi betonar de färdigheter som krävs för att utvärdera effektiviteten och genomförbarheten av en modell för att hantera kliniska frågor, inklusive att förstå begränsningarna hos befintliga artificiella intelligens-enheter. Till exempel bad vi studenterna att tolka de riktlinjer för pediatriska huvudskador som föreslagits av Kupperman et al.,5 som implementerade en beslutsträdalgoritm för artificiell intelligens för att avgöra om en datortomografi skulle vara användbar baserat på en läkarundersökning. Vi betonar att detta är ett vanligt exempel på att AI tillhandahåller prediktiv analys för läkare att tolka, snarare än att ersätta läkare.
I de tillgängliga exemplen på bootstrap-programmering med öppen källkod (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) demonstrerar vi hur man utför explorativ dataanalys, dimensionalitetsreduktion, laddning av standardmodeller samt träning och testning. Vi använder Google Colaboratory Notebooks (Google LLC, Mountain View, CA), som tillåter att Python-kod körs från en webbläsare. Figur 2 visar ett exempel på en programmeringsövning. Denna övning innebär att förutsäga maligniteter med hjälp av Wisconsin Open Breast Imaging Dataset6 och en beslutsträdsalgoritm.
Presentera program under veckan om relaterade ämnen och välj exempel från publicerade AI-applikationer. Programmeringselement inkluderas endast om de anses relevanta för att ge insikt i framtida klinisk praxis, till exempel 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 godartade eller maligna baserat på medicinska bildparametrar.
Heterogenitet i förkunskaper. Våra deltagare varierade i sin nivå av matematiska kunskaper. Till exempel söker studenter med avancerad ingenjörsbakgrund mer djupgående material, till exempel hur man utför sina egna Fouriertransformer. Att diskutera Fourieralgoritmen i klassrummet är dock inte möjligt eftersom det kräver djupgående kunskaper om signalbehandling.
Närvaroutflöde. Närvaron vid uppföljningsmöten minskade, särskilt i onlineformat. En lösning kan vara att spåra närvaron och tillhandahålla ett intyg om genomförande. Läkarutbildningar är kända för att erkänna utskrifter av studenters fritidsaktiviteter, vilket kan uppmuntra studenter att ta en examen.
Kursdesign: Eftersom AI spänner över så många delområden kan det vara utmanande att välja kärnbegrepp med lämplig djup och bredd. Till exempel är kontinuiteten i användningen av AI-verktyg från laboratoriet till kliniken ett viktigt ämne. Medan vi täcker dataförbehandling, modellbyggande och validering, inkluderar vi inte ämnen som stordataanalys, interaktiv visualisering eller genomförande av kliniska AI-prövningar, utan fokuserar istället på de mest unika AI-koncepten. Vår vägledande princip är att förbättra läs- och skrivkunnighet, inte färdigheter. Till exempel är det viktigt för tolkningsbarheten att förstå hur en modell bearbetar indatafunktioner. Ett sätt att göra detta är att använda gradientaktiveringskartor, som kan visualisera vilka regioner i data som är förutsägbara. Detta kräver dock multivariat kalkyl och kan inte introduceras8. 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 inom epidemiologi beskrivs en "egenskap" som en "variabel" eller ett "attribut".
Kunskapslagring. Eftersom tillämpningen av AI är begränsad återstår det att se i vilken utsträckning deltagarna behåller kunskap. Läroplanerna för läkarutbildningar förlitar sig ofta på intervaller med repetition för att förstärka kunskap under praktiska rotationer,9 vilket även kan tillämpas på AI-utbildning.
Professionalism är viktigare än läskunnighet. Materialets djup är utformat utan matematisk noggrannhet, vilket var ett problem när vi lanserade kliniska kurser i artificiell intelligens. I programmeringsexemplen använder vi ett mallprogram som låter deltagarna fylla i fält och köra programvaran utan att behöva lista ut hur man konfigurerar en komplett programmeringsmiljö.
Oro kring artificiell intelligens behandlas: Det finns en utbredd oro för att artificiell intelligens skulle kunna ersätta vissa kliniska arbetsuppgifter3. För att ta itu med denna fråga förklarar vi begränsningarna med AI, inklusive det faktum att nästan alla AI-tekniker som godkänts av tillsynsmyndigheter kräver läkarövervakning11. Vi betonar också vikten av partiskhet eftersom algoritmer är benägna att vara partiska, särskilt om datamängden inte är mångfaldig12. Följaktligen kan en viss undergrupp modelleras felaktigt, vilket leder till orättvisa kliniska beslut.
Resurser är offentligt tillgängliga: Vi har skapat offentligt 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 finns tillgänglig på alla medicinska fakulteter.
Tvärvetenskapligt samarbete: Denna workshop är ett samarbete som initierats av läkarstudenter för att planera kurser tillsammans med ingenjörer. Detta visar på samarbetsmöjligheter och kunskapsluckor inom båda områdena, vilket gör det möjligt för deltagarna att 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 lärandemålsnivåerna 2 (förståelse), 3 (tillämpning) och 4 (analys) i Blooms taxonomi. Att ha resurser på högre klassificeringsnivåer, såsom att skapa projekt, kan ytterligare stärka kunskapen. Detta kräver samarbete med kliniska experter för att avgöra hur AI-ämnen kan tillämpas på kliniska arbetsflöden och förhindra undervisning i repetitiva ämnen som redan ingår i standard medicinska läroplaner.
Skapa fallstudier med hjälp av AI. I likhet med kliniska exempel kan fallbaserat lärande förstärka abstrakta koncept genom att lyfta fram deras relevans för kliniska frågor. Till exempel analyserade en workshopstudie Googles AI-baserade system för att upptäcka diabetesretinopati 13 för att identifiera utmaningar längs vägen från labb till klinik, såsom externa valideringskrav och vägar för godkännande från myndigheter.
Använd erfarenhetsbaserat lärande: Tekniska färdigheter kräver fokuserad övning och upprepad tillämpning för att bemästra, liknande de roterande lärandeupplevelserna för kliniska praktikanter. En potentiell lösning är den omvända klassrummet-modellen, som har rapporterats förbättra kunskapsinlärningen inom ingenjörsutbildning14. I denna modell granskar studenterna teoretiskt material självständigt och lektionstiden ägnas åt att lösa problem genom fallstudier.
Skalning för tvärvetenskapliga deltagare: Vi föreställer oss att AI-implementering innebär samarbete mellan flera discipliner, inklusive läkare och annan vårdpersonal med varierande utbildningsnivåer. Därför kan läroplaner behöva utvecklas i samråd med fakulteten från olika institutioner för att skräddarsy innehållet till olika områden inom hälso- och sjukvården.
Artificiell intelligens är högteknologiskt och dess kärnkoncept är relaterade till matematik och datavetenskap. Att utbilda vårdpersonal i att förstå artificiell intelligens innebär unika utmaningar när det gäller innehållsval, klinisk relevans och leveransmetoder. Vi hoppas att insikterna från AI in Education-workshops kommer att hjälpa framtida lärare att anamma innovativa sätt att integrera AI i medicinsk utbildning.
Google Collaboratory Python-skriptet är öppen källkod och tillgängligt på: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG och Khan, S. Att omvärdera medicinsk utbildning: en uppmaning till handling. Akkad. medicine. 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. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., och Singla, R. Introduktion till maskininlärning för läkarstudenter: ett pilotprojekt. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identifiering av 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. Extraktion av nukleära egenskaper för diagnos av brösttumörer. 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 the 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 evidensbaserade medicinska kompetenser med hjälp av OSCE i grundutbildningen inom medicin. BMK Medicine. teach. 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. medicine. 25, 44–56 (2019).
Bede, E. et al. Människocentrerad utvärdering av ett djupinlärningssystem som används i kliniken för att upptäcka diabetisk retinopati. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (2020).
Kerr, B. Det omvända klassrummet inom ingenjörsutbildning: En forskningsöversikt. Proceedings of the 2015 International Conference on Interactive Collaborative Learning (2015).
Författarna tackar Danielle Walker, Tim Salcudin och Peter Zandstra från forskningsklustret för biomedicinsk avbildning och artificiell intelligens vid University of British Columbia för stöd och finansiering.
RH, PP, ZH, RS och MA ansvarade för att utveckla undervisningsinnehållet för workshopen. RH och PP ansvarade för att utveckla programmeringsexemplen. KYF, OY, MT och PW ansvarade för projektets logistiska organisation och analysen av workshopparna. RH, OY, MT och RS ansvarade för att skapa figurer och tabeller. RH, KYF, PP, ZH, OY, MY, PW, TL, MA och RS ansvarade för att utarbeta och redigera dokumentet.
Kommunikationsmedicinen tackar Carolyn McGregor, Fabio Moraes och Aditya Borakati för deras bidrag till granskningen av detta arbete.
Publiceringstid: 19 februari 2024