• мы

Канадский взгляд на преподавание искусственного интеллекта для студентов -медиков

Спасибо за посещение Nature.com. Версия браузера, которую вы используете, имеет ограниченную поддержку CSS. Для достижения наилучших результатов мы рекомендуем использовать более новую версию вашего браузера (или отключить режим совместимости в Internet Explorer). В то же время, чтобы обеспечить постоянную поддержку, мы показываем сайт без стиля или JavaScript.
Применение клинического искусственного интеллекта (ИИ) быстро растут, но существующие учебные программы медицинской школы предлагают ограниченное обучение, охватывающее эту область. Здесь мы описываем курс обучения искусственному интеллекту, который мы разработали и доставили студентам канадцев и даем рекомендации по будущему обучению.
Искусственный интеллект (ИИ) в медицине может повысить эффективность на рабочем месте и помочь в принятии клинических решений. Чтобы безопасно направлять использование искусственного интеллекта, врачи должны иметь некоторое понимание искусственного интеллекта. Многие комментарии выступают за преподавание концепций ИИ, таких как объяснение моделей ИИ и процессов проверки2. Тем не менее, было реализовано несколько структурированных планов, особенно на национальном уровне. Pinto Dos Santos et al.3. 263 студенты -медики были опрошены, и 71% согласились с тем, что им необходимо обучение по искусственному интеллекту. Преподавание искусственного интеллекта медицинской аудитории требует тщательного дизайна, который сочетает в себе технические и нетехнические концепции для студентов, которые часто обладают обширными предварительными знаниями. Мы описываем наш опыт предоставления серии семинаров по искусственному интеллекту для трех групп студентов -медиков и даем рекомендации по будущему медицинскому образованию в ИИ.
Наш пятинедельный введение в искусственный интеллект в медицине для студентов-медиков проводился три раза в период с февраля 2019 года по апрель 2021 года. Расписание для каждого семинара с кратким описанием изменений в курсе показан на рисунке 1. Наш курс имеет Три цели обучения: студенты понимают, как данные обрабатываются в приложениях искусственного интеллекта, анализируют литературу по искусственному интеллекту для клинических применений и используют возможности для сотрудничества с инженерами, развивающими искусственный интеллект.
Синий - тема лекции, а светло -голубой - интерактивный период вопросов и ответов. Серый раздел находится в центре краткого обзора литературы. Оранжевые секции представляют собой выбранные тематические исследования, которые описывают модели или методы искусственного интеллекта. Green - это курс программирования с гидом, предназначенный для обучения искусственному интеллекту для решения клинических проблем и оценки моделей. Содержание и продолжительность семинаров варьируются в зависимости от оценки потребностей учащихся.
Первый семинар состоялся в Университете Британской Колумбии с февраля по апрель 2019 года, и все 8 участников дали положительные отзывы4. В связи с Covid-19, второй семинар был проведен практически в октябре-ноябре 2020 года, где зарегистрировались 222 студента-медика и 3 жителя из 8 канадских медицинских школ. Слайды и код презентаций были загружены на сайт открытого доступа (http://ubcaimed.github.io). Ключевой обратной связью первой итерации заключалась в том, что лекции были слишком интенсивными, а материал слишком теоретический. Обслуживание шести разных часовых поясов Канады создает дополнительные проблемы. Таким образом, второй семинар сократил каждый сеанс до 1 часа, упростил материал курса, добавил больше тематических исследований и создал программы шаблона, которые позволили участникам завершить фрагменты кода с минимальной отладкой (вставка 1). Ключевая обратная связь от второй итерации включала положительные отзывы о упражнениях по программированию и запрос на продемонстрирование планирования проекта машинного обучения. Поэтому в нашем третьем семинаре, который проводился практически для 126 студентов-медиков в марте-апреле 2021 года, мы включили более интерактивные упражнения по кодированию и сессии обратной связи проекта, 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 моделей данных.
Рабочие данные: процесс идентификации и извлечения данных. В контексте искусственного интеллекта это часто бывает большим, с несколькими переменными для каждого образца.
Снижение размерности: процесс преобразования данных со многими отдельными функциями в меньшее количество функций при сохранении важных свойств исходного набора данных.
Характеристики (в контексте искусственного интеллекта): измеримые свойства образца. Часто используется взаимозаменяемо с «свойством» или «переменной».
Карта активации градиента: методика, используемая для интерпретации моделей искусственного интеллекта (особенно сверточных нейронных сетей), которая анализирует процесс оптимизации последней части сети для идентификации областей данных или изображений, которые очень прогнозируют.
Стандартная модель: существующая модель ИИ, которая была предварительно обучена для выполнения аналогичных задач.
Тестирование (в контексте искусственного интеллекта): наблюдение за тем, как модель выполняет задачу, используя данные, с которыми она не сталкивалась ранее.
Обучение (в контексте искусственного интеллекта): предоставление модели с данными и результатами, так что модель корректирует свои внутренние параметры, чтобы оптимизировать его способность выполнять задачи с использованием новых данных.
Вектор: массив данных. В машинном обучении каждый элемент массива обычно является уникальной особенностью образца.
В таблице 1 перечислены последние курсы за апрель 2021 года, включая целевые цели обучения для каждой темы. Этот семинар предназначен для тех, кто новичок на техническом уровне и не требует каких -либо математических знаний после первого года медицинской степени бакалавра. Курс был разработан 6 студентами -медиками и 3 учителями с усовершенствованными степенями в инженерии. Инженеры разрабатывают теорию искусственного интеллекта для обучения, а студенты -медики изучают клинически значимый материал.
Семинары включают лекции, тематические исследования и управляемое программирование. В первой лекции мы рассмотрим выбранные 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, тестирование значимости или интерактивная визуализация. Это было связано с временными ограничениями, а также потому, что некоторые студенты бакалавриата прошли предварительное обучение по биостатистике и хотели охватить более уникальные темы машинного обучения. Последующая лекция вводит современные методы и обсуждает формулировку проблем, 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 руководящие принципы по травмам головы педиатрии, предложенные Kupperman et al., 5, которые внедрили алгоритм решений в искусственном интеллекте, чтобы определить, будет ли КТ -сканирование полезно на основании экзамена врача. Мы подчеркиваем, что это распространенный пример ИИ, обеспечивающего прогнозирующую аналитику для врачей для интерпретации, а не замены врачей.
В доступных примерах программирования программирования с открытым исходным кодом (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) мы демонстрируем, как выполнить анализ исследований, снижение размеров, стандартную нагрузку на модели и обучение Полем и тестирование. Мы используем ноутбуки Google Colaboratory (Google LLC, Mountain View, CA), которые позволяют выполнять код Python из веб -браузера. На рис. Рисунок 2 представлен пример программирования. Это упражнение включает в себя прогнозирование злокачественных новообразований с использованием набора данных с открытой визуализацией в Висконсине 6 и алгоритма дерева решений.
В течение недели представлены программы по связанным темам и выбирают примеры из опубликованных приложений искусственного интеллекта. Элементы программирования включены только в том случае, если они считаются актуальными для предоставления знания о будущей клинической практике, например, как оценить модели, чтобы определить, готовы ли они к использованию в клинических испытаниях. Эти примеры завершаются полноценным сквозным применением, которое классифицирует опухоли как доброкачественные или злокачественные на основе параметров медицинского изображения.
Неоднородность предыдущих знаний. Наши участники варьировались в пределах своего уровня математических знаний. Например, студенты с расширенным инженерным опытом ищут более подробный материал, например, как выполнить свои собственные преобразования Фурье. Однако обсуждение алгоритма Фурье в классе невозможно, потому что он требует глубоких знаний о обработке сигнала.
Посещаемость оттока. Посещаемость на последующих собраниях снизилась, особенно в онлайн-форматах. Решение может состоять в том, чтобы отслеживать посещаемость и предоставить сертификат об завершении. Известно, что медицинские школы признают транскрипты внеклассных академических мероприятий учащихся, которые могут побудить учащихся получить степень.
Дизайн курса: Поскольку ИИ охватывает так много подполи, выбор основных концепций соответствующей глубины и широты может быть сложным. Например, непрерывность использования инструментов ИИ из лаборатории в клинику является важной темой. Несмотря на то, что мы охватываем предварительную обработку данных, создание модели и валидацию, мы не включаем такие темы, как аналитика больших данных, интерактивная визуализация или проведение клинических испытаний ИИ, вместо этого мы сосредоточены на самых уникальных концепциях ИИ. Наш руководящий принцип - повысить грамотность, а не навыки. Например, понимание того, как модель обрабатывает входные особенности, важно для интерпретации. Один из способов сделать это - использовать карты активации градиента, которые могут визуализировать, какие области данных предсказуемы. Тем не менее, это требует многомерного исчисления и не может быть введено8. Разработка общей терминологии была сложной задачей, потому что мы пытались объяснить, как работать с данными в качестве векторов без математического формализма. Обратите внимание, что разные термины имеют одинаковое значение, например, в эпидемиологии, «характеристика» описывается как «переменная» или «атрибут».
Удержание знаний. Поскольку применение ИИ ограничено, степень, в которой участники сохраняют знания, еще неизвестно. Учебные программы медицинской школы часто полагаются на расстояние повторения, чтобы усилить знания во время практических ротаций, 9, которые также могут применяться к обучению ИИ.
Профессионализм важнее грамотности. Глубина материала разработана без математической строгости, которая была проблемой при запуске клинических курсов по искусственному интеллекту. В примерах программирования мы используем шаблонную программу, которая позволяет участникам заполнять поля и запускать программное обеспечение, не выясняя, как настроить полную среду программирования.
Опасения по поводу искусственного интеллекта рассматриваются: существует широко распространенная обеспокоенность тем, что искусственный интеллект может заменить некоторые клинические обязанности3. Чтобы решить эту проблему, мы объясняем ограничения искусственного интеллекта, в том числе тот факт, что почти все технологии искусственного интеллекта, одобренные регуляторами, требуют надзора врача11. Мы также подчеркиваем важность смещения, потому что алгоритмы подвержены предвзятости, особенно если набор данных не является разнообразным12. Следовательно, определенная подгруппа может быть моделирована неправильно, что приводит 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 для асинхронного обучения, поскольку опыт ИИ недоступен во всех медицинских школах.
Междисциплинарное сотрудничество: этот семинар является совместным предприятием, инициированным студентами -медиками для планирования курсов вместе с инженерами. Это демонстрирует возможности сотрудничества и пробелы в знаниях в обеих областях, что позволяет участникам понять потенциальную роль, которую они могут внести в будущем.
Определить основные компетенции ИИ. Определение списка компетенций обеспечивает стандартизированную структуру, которая может быть интегрирована в существующие медицинские программы на основе компетенций. В этом семинаре в настоящее время используются учебные цели 2 (понимание), 3 (приложение) и 4 (анализ) таксономии Блума. Наличие ресурсов на более высоких уровнях классификации, таких как создание проектов, может еще больше усилить знания. Это требует работы с клиническими экспертами, чтобы определить, как темы ИИ могут быть применены к клиническим рабочим процессам и предотвращение обучения повторяющимся темам, уже включенным в стандартные медицинские программы.
Создайте тематические исследования с использованием искусственного интеллекта. Подобно клиническим примерам, обучение на основе случаев может усилить абстрактные концепции, подчеркивая их актуальность к клиническим вопросам. Например, в одном исследовании семинара проанализировано система обнаружения диабетической ретинопатии на основе AI на основе диабетической ретинопатии Google, чтобы определить проблемы на пути от лаборатории к клинике, такие как требования внешней проверки и пути одобрения регулирующих органов.
Используйте эмпирическое обучение: технические навыки требуют целенаправленной практики и повторного применения для освоения, аналогично вращающемуся обучению стажеров. Одним из потенциальных решений является перевернутая модель в классе, которая, как сообщается, улучшает удержание знаний в инженерном образовании14. В этой модели студенты пересматривают теоретический материал независимо, и время класса посвящено решению проблем с помощью тематических исследований.
Масштабирование для междисциплинарных участников: мы предполагаем, что усыновление ИИ включает в себя сотрудничество по нескольким дисциплинам, включая врачей и союзных медицинских работников с различными уровнями обучения. Поэтому, возможно, потребуется разработать учебные программы в консультации с преподавателями из разных отделов, чтобы адаптировать их содержание к различным областям здравоохранения.
Искусственный интеллект является высокотехнологичным, и его основные концепции связаны с математикой и информатикой. Обучение медицинского персонала для понимания искусственного интеллекта представляет уникальные проблемы при выборе содержания, клинической значимости и методах доставки. Мы надеемся, что идеи, полученные на семинарах по ИИ в образовании, помогут будущим преподавателям использовать инновационные способы интеграции ИИ в медицинское образование.
Скрипт Python Google Colaboratory имеет открытый исходный код и доступен по адресу: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prover, KG и Khan, S. Переосмысление медицинского образования: призыв к действию. Аккад. лекарство. 88, 1407–1410 (2013).
McCoy, LG и т. Д. Что студенты -медики действительно должны знать об искусственном интеллекте? NPZH номеры. Медицина 3, 1–3 (2020).
Dos Santos, DP, et al. Отношение студентов -медиков к искусственному интеллекту: многоцентровый опрос. ЕВРО. излучение. 29, 1640–1646 (2019).
Fan, KY, Hu, R. и Singla, R. Введение в машинное обучение для студентов -медиков: пилотный проект. J. Med. преподавание 54, 1042–1043 (2020).
Cooperman N, et al. Выявление детей с очень низким риском клинически значимой травмы головного мозга после травмы головы: проспективное когортное исследование. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH и Mangasarian, OL. Экстракция ядерных элементов для диагностики опухоли молочной железы. Биомедицинская наука. Обработка изображений. Биомедицинская наука. Вайс. 1905, 861–870 (1993).
Chen, Phc, Liu, Y. and Peng, L. Как разработать модели машинного обучения для здравоохранения. НАТ Матт 18, 410–414 (2019).
Selvaraju, RR et al. Grad-Cam: Визуальная интерпретация глубоких сетей посредством локализации на основе градиентов. Материалы Международной конференции IEEE по компьютерному видению, 618–626 (2017).
Kumaravel B, Stewart K и ILIC D. Разработка и оценка спиральной модели для оценки компетенций на основе доказательной медицины с использованием ОБСЕ в медицинском образовании бакалавриата. BMK Medicine. преподавание 21, 1–9 (2021).
Колахалама В.Б. и Гарг Пс Машинное обучение и медицинское образование. NPZH номеры. лекарство. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, ​​S., Rutten, MJ, Van Ginneken, B. и De Rooy, M. Искусственный интеллект в радиологии: 100 коммерческих продуктов и их научные данные. ЕВРО. излучение. 31, 3797–3804 (2021).
Топол, EJ Высокопроизводительная медицина: сближение человеческого и искусственного интеллекта. НАТ лекарство. 25, 44–56 (2019).
Bede, E. et al. Оценка, ориентированная на человека глубокой системы обучения, развернутой в клинике для обнаружения диабетической ретинопатии. Труды конференции Чи 2020 года по человеческим факторам в вычислительных системах (2020).
Керр Б. Перевернутая класс в области инженерного образования: обзор исследований. Материалы Международной конференции 2015 года по интерактивному совместному обучению (2015).
Авторы благодарят Даниэль Уокер, Тима Салкудина и Питера Зандстра из кластера биомедицинской визуализации и исследований искусственного интеллекта в Университете Британской Колумбии за поддержку и финансирование.
RH, PP, ZH, RS и MA были ответственны за разработку контента для обучения семинара. RH и PP были ответственны за разработку примеров программирования. KYF, OY, MT и PW были ответственны за логистическую организацию проекта и анализ семинаров. RH, OY, MT, RS были ответственны за создание фигур и таблиц. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS были ответственны за составление и редактирование документа.
Коммуникационная медицина благодарит Кэролин МакГрегор, Фабио Мораеса и Адитью Боракати за их вклад в обзор этой работы.


Время публикации: 19 февраля2024 года