Благодарим вас за посещение Nature.com.Используемая вами версия браузера имеет ограниченную поддержку CSS.Для достижения наилучших результатов мы рекомендуем использовать более новую версию браузера (или отключить режим совместимости в Internet Explorer).А пока, чтобы обеспечить постоянную поддержку, мы показываем сайт без стилей и JavaScript.
Применение клинического искусственного интеллекта (ИИ) быстро растет, но существующие учебные программы медицинских школ предлагают ограниченное преподавание, охватывающее эту область.Здесь мы описываем учебный курс по искусственному интеллекту, который мы разработали и провели для канадских студентов-медиков, а также даем рекомендации для будущего обучения.
Искусственный интеллект (ИИ) в медицине может повысить эффективность рабочего места и помочь в принятии клинических решений.Чтобы безопасно управлять использованием искусственного интеллекта, врачи должны иметь некоторое представление об искусственном интеллекте.Многие комментарии выступают за обучение концепциям ИИ1, например, объяснение моделей ИИ и процессов проверки2.Однако лишь немногие структурированные планы были реализованы, особенно на национальном уровне.Пинту душ Сантос и др.3.Было опрошено 263 студента-медика, и 71% согласились, что им необходимо обучение искусственному интеллекту.Преподавание искусственного интеллекта медицинской аудитории требует тщательного проектирования, сочетающего в себе технические и нетехнические концепции для студентов, которые часто имеют обширные предварительные знания.Мы описываем наш опыт проведения серии семинаров по искусственному интеллекту для трех групп студентов-медиков и даем рекомендации по будущему медицинскому образованию в области искусственного интеллекта.
Наш пятинедельный семинар «Введение в искусственный интеллект в медицине» для студентов-медиков проводился трижды в период с февраля 2019 года по апрель 2021 года. Расписание каждого семинара с кратким описанием изменений в курсе показано на рисунке 1. Наш курс имеет три основные цели обучения: студенты понимают, как данные обрабатываются в приложениях искусственного интеллекта, анализируют литературу по искусственному интеллекту для клинических приложений и используют возможности сотрудничества с инженерами, разрабатывающими искусственный интеллект.
Синий — это тема лекции, а голубой — интерактивный период вопросов и ответов.Серый раздел находится в центре внимания краткого обзора литературы.Оранжевые разделы представляют собой избранные тематические исследования, описывающие модели или методы искусственного интеллекта.Green — это управляемый курс программирования, предназначенный для обучения искусственному интеллекту решению клинических задач и оценке моделей.Содержание и продолжительность семинаров варьируются в зависимости от оценки потребностей студентов.
Первый семинар прошел в Университете Британской Колумбии с февраля по апрель 2019 года, и все 8 участников дали положительные отзывы4.Из-за COVID-19 второй семинар был проведен виртуально в октябре-ноябре 2020 года, на него зарегистрировались 222 студента-медика и 3 ординатора из 8 канадских медицинских школ.Слайды презентации и код выложены на сайт с открытым доступом (http://ubcaimed.github.io).Ключевой отзыв первой итерации заключался в том, что лекции были слишком насыщенными, а материал слишком теоретическим.Обслуживание шести различных часовых поясов Канады создает дополнительные проблемы.Таким образом, второй семинар сократил каждое занятие до 1 часа, упростил материал курса, добавил больше тематических исследований и создал шаблонные программы, которые позволили участникам заполнять фрагменты кода с минимальной отладкой (Вставка 1).Ключевые отзывы о второй итерации включали положительные отзывы об упражнениях по программированию и просьбу продемонстрировать планирование проекта машинного обучения.Поэтому в наш третий семинар, проведенный виртуально для 126 студентов-медиков в марте-апреле 2021 года, мы включили больше интерактивных упражнений по программированию и сеансов обратной связи по проектам, чтобы продемонстрировать влияние использования концепций семинара на проекты.
Анализ данных: область исследования в статистике, которая выявляет значимые закономерности в данных путем анализа, обработки и передачи закономерностей данных.
Интеллектуальный анализ данных: процесс идентификации и извлечения данных.В контексте искусственного интеллекта это часто бывает большим, с несколькими переменными для каждой выборки.
Уменьшение размерности: процесс преобразования данных со многими отдельными признаками в меньшее количество признаков с сохранением важных свойств исходного набора данных.
Характеристики (в контексте искусственного интеллекта): измеримые свойства образца.Часто используется взаимозаменяемо со словами «свойство» или «переменная».
Карта активации градиента: метод, используемый для интерпретации моделей искусственного интеллекта (особенно сверточных нейронных сетей), который анализирует процесс оптимизации последней части сети для выявления областей данных или изображений, обладающих высокой прогнозируемостью.
Стандартная модель: существующая модель ИИ, предварительно обученная для выполнения аналогичных задач.
Тестирование (в контексте искусственного интеллекта): наблюдение за тем, как модель выполняет задачу, используя данные, с которыми она раньше не сталкивалась.
Обучение (в контексте искусственного интеллекта): предоставление модели данных и результатов, чтобы модель настраивала свои внутренние параметры для оптимизации своей способности выполнять задачи с использованием новых данных.
Вектор: массив данных.В машинном обучении каждый элемент массива обычно является уникальной особенностью выборки.
В Таблице 1 перечислены последние курсы на апрель 2021 г., включая целевые цели обучения по каждой теме.Этот семинар предназначен для новичков в техническом уровне и не требует каких-либо математических знаний, кроме первого года обучения на бакалавриате по медицине.Курс разработали 6 студентов-медиков и 3 преподавателя с учеными степенями инженеров.Инженеры разрабатывают теорию искусственного интеллекта для преподавания, а студенты-медики изучают клинически значимый материал.
Семинары включают лекции, тематические исследования и программирование с гидом.В первой лекции мы рассматриваем избранные концепции анализа данных в биостатистике, включая визуализацию данных, логистическую регрессию и сравнение описательной и индуктивной статистики.Хотя анализ данных является основой искусственного интеллекта, мы исключаем такие темы, как интеллектуальный анализ данных, проверка значимости или интерактивная визуализация.Это произошло из-за нехватки времени, а также из-за того, что некоторые студенты бакалавриата имели предварительное образование в области биостатистики и хотели охватить более уникальные темы машинного обучения.Последующая лекция знакомит с современными методами и обсуждает постановку задач ИИ, преимущества и ограничения моделей ИИ, а также тестирование моделей.Лекции дополняются литературой и практическими исследованиями существующих устройств искусственного интеллекта.Мы подчеркиваем навыки, необходимые для оценки эффективности и осуществимости модели для решения клинических вопросов, включая понимание ограничений существующих устройств искусственного интеллекта.Например, мы попросили студентов интерпретировать рекомендации по травмам головы у детей, предложенные Купперманом и др., 5 в которых реализован алгоритм дерева решений искусственного интеллекта, чтобы определить, будет ли полезной компьютерная томография на основе осмотра врача.Мы подчеркиваем, что это распространенный пример того, как ИИ предоставляет врачам прогнозную аналитику для интерпретации, а не заменяет врачей.
В доступных примерах программирования начальной загрузки с открытым исходным кодом (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) мы демонстрируем, как выполнять исследовательский анализ данных, уменьшение размерности, загрузку стандартной модели и обучение. .и тестирование.Мы используем блокноты Google Colaboratory (Google LLC, Маунтин-Вью, Калифорния), которые позволяют выполнять код Python из веб-браузера.На рис. 2 представлен пример упражнения по программированию.Это упражнение включает в себя прогнозирование злокачественных новообразований с использованием набора данных для открытой визуализации молочной железы штата Висконсин6 и алгоритма дерева решений.
Представляйте программы на протяжении недели по смежным темам и выбирайте примеры из опубликованных приложений ИИ.Элементы программирования включаются только в том случае, если они считаются значимыми для обеспечения понимания будущей клинической практики, например, как оценивать модели, чтобы определить, готовы ли они к использованию в клинических испытаниях.Кульминацией этих примеров является полноценное комплексное приложение, которое классифицирует опухоли как доброкачественные или злокачественные на основе параметров медицинского изображения.
Гетерогенность предшествующих знаний.Наши участники различались по уровню математических знаний.Например, студенты с продвинутым инженерным образованием ищут более углубленный материал, например, о том, как выполнять собственные преобразования Фурье.Однако обсуждение алгоритма Фурье в классе невозможно, поскольку оно требует глубоких знаний в области обработки сигналов.
Отток посещаемости.Посещаемость последующих встреч снизилась, особенно в онлайн-форматах.Решением может быть отслеживание посещаемости и предоставление сертификата об окончании.Известно, что медицинские школы признают стенограммы внеклассной академической деятельности студентов, что может побудить студентов получить ученую степень.
Дизайн курса: Поскольку ИИ охватывает очень много подполей, выбор основных концепций соответствующей глубины и широты может оказаться сложной задачей.Например, важной темой является непрерывность использования инструментов ИИ от лаборатории до клиники.Хотя мы рассматриваем предварительную обработку данных, построение моделей и проверку, мы не включаем такие темы, как анализ больших данных, интерактивная визуализация или проведение клинических испытаний ИИ, вместо этого мы фокусируемся на самых уникальных концепциях ИИ.Нашим руководящим принципом является повышение грамотности, а не навыков.Например, понимание того, как модель обрабатывает входные характеристики, важно для интерпретируемости.Один из способов сделать это — использовать карты активации градиента, которые могут визуализировать, какие области данных являются предсказуемыми.Однако это требует многомерного исчисления и не может быть введено8.Разработка общей терминологии была сложной задачей, поскольку мы пытались объяснить, как работать с данными как векторами без математического формализма.Обратите внимание, что разные термины имеют одно и то же значение, например, в эпидемиологии «характеристика» описывается как «переменная» или «атрибут».
Сохранение знаний.Поскольку применение ИИ ограничено, степень, в которой участники сохраняют знания, еще предстоит выяснить.Учебные программы медицинских школ часто основаны на интервальном повторении для закрепления знаний во время практических ротаций9, что также можно применить к образованию в области ИИ.
Профессионализм важнее грамотности.Глубина материала продумана без математической строгости, что было проблемой при запуске клинических курсов по искусственному интеллекту.В примерах программирования мы используем шаблонную программу, которая позволяет участникам заполнять поля и запускать программное обеспечение без необходимости разбираться в том, как настроить полную среду программирования.
Устранены опасения по поводу искусственного интеллекта: Широко распространена обеспокоенность тем, что искусственный интеллект может заменить некоторые клинические обязанности3.Чтобы решить эту проблему, мы объясняем ограничения ИИ, в том числе тот факт, что почти все технологии ИИ, одобренные регулирующими органами, требуют наблюдения врача11.Мы также подчеркиваем важность предвзятости, поскольку алгоритмы склонны к предвзятости, особенно если набор данных не разнообразен12.Следовательно, определенная подгруппа может быть смоделирована неправильно, что приведет к несправедливым клиническим решениям.
Ресурсы общедоступны. Мы создали общедоступные ресурсы, включая слайды лекций и код.Хотя доступ к синхронному контенту ограничен из-за часовых поясов, контент с открытым исходным кодом является удобным методом асинхронного обучения, поскольку опыт искусственного интеллекта доступен не во всех медицинских школах.
Междисциплинарное сотрудничество: Этот семинар представляет собой совместное предприятие, инициированное студентами-медиками для планирования курсов вместе с инженерами.Это демонстрирует возможности сотрудничества и пробелы в знаниях в обеих областях, позволяя участникам понять потенциальную роль, которую они могут внести в будущем.
Определите основные компетенции ИИ.Определение списка компетенций обеспечивает стандартизированную структуру, которую можно интегрировать в существующие медицинские учебные программы, основанные на компетенциях.В настоящее время на этом семинаре используются уровни целей обучения 2 (понимание), 3 (применение) и 4 (анализ) таксономии Блума.Наличие ресурсов на более высоких уровнях классификации, таких как создание проектов, может еще больше укрепить знания.Для этого необходимо работать с клиническими экспертами, чтобы определить, как темы ИИ могут быть применены в клинических рабочих процессах и предотвратить преподавание повторяющихся тем, уже включенных в стандартные медицинские учебные программы.
Создавайте тематические исследования с использованием ИИ.Подобно клиническим примерам, обучение на основе конкретных случаев может закрепить абстрактные концепции, подчеркнув их актуальность для клинических вопросов.Например, в ходе одного семинара была проанализирована основанная на искусственном интеллекте система обнаружения диабетической ретинопатии Google13, чтобы выявить проблемы на пути от лаборатории до клиники, такие как требования внешней проверки и пути одобрения регулирующих органов.
Используйте обучение на основе опыта: технические навыки требуют целенаправленной практики и многократного применения для освоения, подобно чередующемуся опыту обучения клинических стажеров.Одним из потенциальных решений является модель «перевернутого класса», которая, как сообщается, улучшает сохранение знаний в инженерном образовании14.В этой модели учащиеся самостоятельно рассматривают теоретический материал, а время занятий посвящается решению проблем с помощью тематических исследований.
Масштабирование для многопрофильных участников. Мы предполагаем, что внедрение ИИ предполагает сотрудничество представителей различных дисциплин, включая врачей и смежных медицинских работников с различными уровнями подготовки.Таким образом, учебные программы, возможно, придется разрабатывать в консультации с преподавателями разных факультетов, чтобы адаптировать их содержание к различным областям здравоохранения.
Искусственный интеллект — это наука, и его основные концепции связаны с математикой и информатикой.Обучение медицинского персонала пониманию искусственного интеллекта представляет собой уникальные проблемы в выборе контента, клинической значимости и методах доставки.Мы надеемся, что идеи, полученные на семинарах «ИИ в образовании», помогут будущим преподавателям использовать инновационные способы интеграции ИИ в медицинское образование.
Скрипт Google Colaboratory Python имеет открытый исходный код и доступен по адресу: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Пробер К.Г. и Хан С. Переосмысление медицинского образования: призыв к действию.Аккад.лекарство.88, 1407–1410 (2013).
Маккой, Л.Г. и т. д. Что студентам-медикам действительно нужно знать об искусственном интеллекте?Номера НПЖ.Медицина 3, 1–3 (2020).
Дос Сантос, ДП и др.Отношение студентов-медиков к искусственному интеллекту: многоцентровый опрос.ЕВРО.радиация.29, 1640–1646 (2019).
Фан, Кентукки, Ху, Р. и Сингла, Р. Введение в машинное обучение для студентов-медиков: пилотный проект.Дж. Мед.учат.54, 1042–1043 (2020).
Куперман Н. и др.Выявление детей с очень низким риском клинически значимого повреждения головного мозга после травмы головы: проспективное когортное исследование.Ланцет 374, 1160–1170 (2009).
Улица, Западная Северная Каролина, Вольберг, штат Вашингтон, и Мангасарян, штат Огайо.Извлечение ядерных признаков для диагностики опухоли молочной железы.Биомедицинская наука.Обработка изображений.Биомедицинская наука.Вайс.1905, 861–870 (1993).
Чен, PHC, Лю, Ю. и Пэн, Л. Как разработать модели машинного обучения для здравоохранения.Нат.Мэтт.18, 410–414 (2019).
Сельвараджу, Р.Р. и др.Grad-cam: Визуальная интерпретация глубоких сетей посредством локализации на основе градиента.Материалы Международной конференции IEEE по компьютерному зрению, 618–626 (2017).
Кумаравел Б., Стюарт К. и Илич Д. Разработка и оценка спиральной модели для оценки компетенций доказательной медицины с использованием ОБСЕ в высшем медицинском образовании.БМК Медицина.учат.21, 1–9 (2021).
Колачалама В.Б., Гарг П.С. Машинное обучение и медицинское образование.Номера НПЖ.лекарство.1, 1–3 (2018).
ван Леувен К.Г., Шалекамп С., Руттен М.Дж., ван Гиннекен Б. и де Рой М. Искусственный интеллект в радиологии: 100 коммерческих продуктов и их научные доказательства.ЕВРО.радиация.31, 3797–3804 (2021).
Тополь Е.Ю. Высокоэффективная медицина: конвергенция человеческого и искусственного интеллекта.Нат.лекарство.25, 44–56 (2019).
Беде, Э. и др.Человеко-ориентированная оценка системы глубокого обучения, развернутой в клинике для выявления диабетической ретинопатии.Материалы конференции CHI 2020 г. по человеческому фактору в вычислительных системах (2020 г.).
Керр, Б. Перевернутый класс в инженерном образовании: обзор исследования.Материалы Международной конференции по интерактивному совместному обучению 2015 г. (2015).
Авторы благодарят Даниэль Уокер, Тима Салкудина и Питера Зандстру из Кластера исследований биомедицинской визуализации и искусственного интеллекта Университета Британской Колумбии за поддержку и финансирование.
RH, PP, ZH, RS и MA отвечали за разработку содержания преподавания семинара.RH и PP отвечали за разработку примеров программирования.KYF, OY, MT и PW отвечали за логистическую организацию проекта и анализ семинаров.RH, OY, MT, RS отвечали за создание рисунков и таблиц.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS отвечали за составление и редактирование документа.
Коммуникационная медицина благодарит Кэролайн МакГрегор, Фабио Мораеса и Адитью Боракати за их вклад в обзор этой работы.
Время публикации: 19 февраля 2024 г.