Спасибо за посещение сайта Nature.com. Версия используемого вами браузера имеет ограниченную поддержку CSS. Для достижения наилучших результатов мы рекомендуем использовать более новую версию вашего браузера (или отключить режим совместимости в Internet Explorer). В настоящее время, для обеспечения дальнейшей поддержки, сайт отображается без стилей и JavaScript.
Применение клинического искусственного интеллекта (ИИ) быстро растет, однако существующие учебные программы медицинских вузов предлагают ограниченное количество материалов по этой теме. В данной статье мы описываем разработанный нами и проведенный для канадских студентов-медиков курс обучения искусственному интеллекту и даем рекомендации по его дальнейшему развитию.
Искусственный интеллект (ИИ) в медицине может повысить эффективность работы и помочь в принятии клинических решений. Для безопасного использования искусственного интеллекта врачам необходимо иметь определенное понимание его принципов. Многие высказываются за обучение концепциям ИИ¹, таким как объяснение моделей ИИ и процессов верификации². Однако было реализовано лишь несколько структурированных планов, особенно на национальном уровне. Пинто дос Сантос и др.³. Было опрошено 263 студента-медика, и 71% из них согласились с тем, что им необходимо обучение искусственному интеллекту. Обучение искусственному интеллекту медицинской аудитории требует тщательного подхода, сочетающего технические и нетехнические концепции для студентов, которые часто обладают обширными предварительными знаниями. Мы описываем наш опыт проведения серии семинаров по ИИ для трех групп студентов-медиков и даем рекомендации для будущего медицинского образования в области ИИ.
Наш пятинедельный вводный семинар по искусственному интеллекту 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 представлено на рисунке 1. Наш курс имеет три основные цели обучения: студенты понимают, как обрабатываются данные в приложениях искусственного интеллекта, анализируют литературу по искусственному интеллекту для клинического применения и используют возможности для сотрудничества с инженерами, разрабатывающими искусственный интеллект.
Синий цвет обозначает тему лекции, а светло-синий — интерактивную сессию вопросов и ответов. Серый раздел посвящен краткому обзору литературы. Оранжевые разделы содержат избранные примеры из практики, описывающие модели или методы искусственного интеллекта. Зеленый цвет обозначает курс программирования с пошаговым руководством, предназначенный для обучения искусственному интеллекту решению клинических задач и оценке моделей. Содержание и продолжительность семинаров варьируются в зависимости от оценки потребностей студентов.
Первый семинар проходил 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 в виртуальном формате в октябре-ноябре 2020 года, в нем приняли участие 222 студента-медика и 3 ординатора из 8 канадских медицинских школ. Презентационные слайды и код были загружены на сайт открытого доступа (http://ubcaimed.github.io). Ключевой отзыв после первого семинара заключался в том, что лекции были слишком интенсивными, а материал слишком теоретическим. Обслуживание шести разных часовых поясов Канады создает дополнительные сложности. Таким образом, на втором семинаре продолжительность каждого занятия была сокращена до 1 часа, материал курса упрощен, добавлено больше примеров из практики и созданы шаблонные программы, которые позволили участникам завершать фрагменты кода с минимальной отладкой (Box 1). Ключевые отзывы после второго семинара включали положительные отзывы о программных упражнениях и просьбу продемонстрировать планирование проекта по машинному обучению. Поэтому на нашем третьем семинаре, проведенном в виртуальном формате для 126 студентов-медиков в марте-апреле 2021 года, мы включили больше интерактивных упражнений по программированию и сессий обратной связи по проектам, чтобы продемонстрировать влияние применения концепций семинара на проекты.
Анализ данных: область статистики, изучающая значимые закономерности в данных путем анализа, обработки и представления этих закономерностей.
Добыча данных: процесс идентификации и извлечения данных. В контексте искусственного интеллекта это часто большие массивы данных, содержащие множество переменных для каждого образца.
Снижение размерности: процесс преобразования данных, содержащих множество отдельных признаков, в данные с меньшим количеством признаков при сохранении важных свойств исходного набора данных.
Характеристики (в контексте искусственного интеллекта): измеримые свойства образца. Часто используются как синоним слов «свойство» или «переменная».
Карта градиентной активации: 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 прогностической ценностью.
Стандартная модель: существующая модель искусственного интеллекта, предварительно обученная для выполнения аналогичных задач.
Тестирование (в контексте искусственного интеллекта): наблюдение за тем, как модель выполняет задачу, используя данные, с которыми она ранее не сталкивалась.
Обучение (в контексте искусственного интеллекта): Предоставление модели данных и результатов, чтобы модель корректировала свои внутренние параметры для оптимизации своей способности выполнять задачи, используя новые данные.
Вектор: массив данных. В машинном обучении каждый элемент массива обычно представляет собой уникальную характеристику образца.
В таблице 1 перечислены последние курсы на апрель 2021 года, включая целевые учебные цели по каждой теме. Этот семинар предназначен для тех, кто только начинает осваивать технические темы, и не требует каких-либо математических знаний, кроме знаний, полученных на первом курсе медицинского факультета. Курс был разработан 6 студентами-медиками и 3 преподавателями с высшим образованием в области инженерии. Инженеры разрабатывают теорию искусственного интеллекта для преподавания, а студенты-медики изучают клинически значимый материал.
В программу семинаров входят лекции, разбор конкретных примеров и управляемое программирование. На 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 было связано с ограничениями по времени, а также с тем, что некоторые студенты имели предварительную подготовку в области биостатистики и хотели изучить более уникальные темы машинного обучения. На последующей лекции представлены современные методы и обсуждаются формулировка задач ИИ, преимущества и ограничения моделей ИИ, а также тестирование моделей. Лекции дополняются литературой и практическими исследованиями существующих устройств искусственного интеллекта. Мы делаем акцент на навыках, необходимых для оценки эффективности и целесообразности модели для решения клинических вопросов, включая понимание ограничений существующих устройств искусственного интеллекта. Например, мы попросили студентов интерпретировать рекомендации по лечению черепно-мозговых травм у детей, предложенные Купперманом и др.⁵, в которых был реализован алгоритм дерева решений искусственного интеллекта для определения целесообразности проведения КТ-сканирования 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 с открытым исходным кодом (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) мы демонстрируем, как выполнять разведочный анализ данных, снижение размерности, стандартную загрузку модели, а также 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 прогнозирование злокачественных новообразований с использованием набора данных Wisconsin Open Breast Imaging Dataset6 и алгоритма дерева решений.
В течение недели будут представлены программы по смежным темам, а также выбраны примеры из опубликованных приложений ИИ. Элементы программирования включаются только в том случае, если они считаются релевантными для понимания будущей клинической практики, например, как оценивать модели, чтобы определить, готовы ли они к использованию в клинических испытаниях. Эти примеры завершаются созданием полноценного комплексного приложения, которое классифицирует опухоли как доброкачественные или злокачественные на основе параметров медицинских изображений.
Разнообразие предварительных знаний. Уровень математических знаний наших участников различался. Например, студенты с углубленным инженерным образованием ищут более подробные материалы, такие как способы выполнения собственных преобразований Фурье. Однако обсуждение алгоритма Фурье на занятиях невозможно, поскольку это требует глубоких знаний в области обработки сигналов.
Отток участников. Посещаемость последующих встреч снизилась, особенно в онлайн-формате. Решением может стать отслеживание посещаемости и выдача сертификата об окончании курса. Известно, что медицинские вузы учитывают академические достижения студентов, что может стимулировать их к получению высшего образования.
Разработка курса: Поскольку ИИ охватывает множество подразделов, выбор основных концепций соответствующей глубины и широты может быть сложной задачей. Например, важной темой является непрерывность использования инструментов ИИ от лаборатории до клиники. Хотя мы рассматриваем предварительную обработку данных, построение моделей и валидацию, мы не включаем такие темы, как анализ больших данных, интерактивная визуализация или проведение клинических испытаний ИИ, вместо этого мы фокусируемся на наиболее уникальных концепциях ИИ. Наш главный принцип — повышение грамотности, а не навыков. Например, понимание того, как модель обрабатывает входные признаки, 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 введено в курс8. Разработка общей терминологии была сложной задачей, поскольку мы пытались объяснить, как работать с данными как с векторами без математического формализма. Следует отметить, что разные термины имеют одинаковое значение, например, в эпидемиологии «характеристика» описывается как «переменная» или «атрибут».
Сохранение знаний. Поскольку применение ИИ ограничено, степень сохранения знаний участниками еще предстоит выяснить. В учебных программах медицинских вузов часто используется метод интервального повторения для закрепления знаний во время практических занятий⁹, который также может быть применен к обучению с использованием ИИ.
Профессионализм важнее грамотности. Глубина материала разработана 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, не разбираясь в настройке полноценной среды программирования.
Рассмотрены опасения по поводу искусственного интеллекта: Широко распространено опасение, что искусственный интеллект может заменить некоторые клинические обязанности³. Для решения этой проблемы мы объясняем ограничения ИИ, в том числе тот факт, что почти все технологии ИИ, одобренные регулирующими органами, требуют наблюдения врача¹¹. Мы также подчеркиваем важность учета предвзятости, поскольку алгоритмы подвержены предвзятости, особенно если набор данных не является разнообразным¹². Следовательно, определенная подгруппа может быть смоделирована неправильно, что приведет к несправедливым клиническим решениям.
Ресурсы находятся в открытом доступе: Мы создали общедоступные ресурсы, включая слайды лекций и код. Хотя доступ к синхронному контенту ограничен из-за разницы во времени, контент с открытым исходным кодом является удобным методом асинхронного обучения, поскольку эксперты в области ИИ доступны не во всех медицинских вузах.
Междисциплинарное сотрудничество: Этот семинар — совместный проект студентов-медиков, инициированный для планирования курсов совместно с инженерами. Он демонстрирует возможности сотрудничества и пробелы в знаниях в обеих областях, позволяя участникам понять потенциальную роль, которую они могут сыграть в будущем.
Определение основных компетенций в области ИИ. Определение списка компетенций обеспечивает стандартизированную структуру, которую можно интегрировать в существующие медицинские учебные программы, основанные на компетенциях. В настоящее время в этом семинаре используются уровни учебных целей 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. Это требует сотрудничества с клиническими экспертами для определения того, как темы ИИ могут быть применены в клинических рабочих процессах, и предотвращения преподавания повторяющихся тем, уже включенных в стандартные медицинские учебные программы.
Создавайте тематические исследования с использованием ИИ. Подобно клиническим примерам, обучение на основе конкретных случаев может укреплять абстрактные концепции, подчеркивая их связь с клиническими вопросами. Например, в одном из исследований, проведенных в рамках семинара, анализировалась система обнаружения диабетической ретинопатии на основе ИИ от Google 13, чтобы выявить проблемы на пути от лаборатории к клинике, такие как требования к внешней валидации и пути получения разрешений от регулирующих органов.
Используйте обучение на основе опыта: для освоения технических навыков требуется целенаправленная практика и многократное применение, аналогично ротационному обучению стажеров в клинической практике. Одним из потенциальных решений является модель «перевернутого класса», которая, как сообщается, улучшает усвоение знаний в инженерном образовании14. В этой модели студенты самостоятельно изучают теоретический материал, а время занятий посвящается решению задач на основе тематических исследований.
Масштабирование для междисциплинарных участников: Мы предполагаем, что внедрение ИИ будет включать сотрудничество между различными дисциплинами, включая врачей и специалистов смежных медицинских профессий с разным уровнем подготовки. Поэтому учебные программы, возможно, потребуется разрабатывать в консультации с преподавателями из разных отделов, чтобы адаптировать их содержание к различным областям здравоохранения.
Искусственный интеллект — это высокотехнологичная технология, основные концепции которой связаны с математикой и информатикой. Обучение медицинского персонала пониманию искусственного интеллекта сопряжено с уникальными трудностями в выборе контента, клинической значимости и методах его применения. Мы надеемся, что знания, полученные на семинарах по искусственному интеллекту в образовании, помогут будущим преподавателям внедрить инновационные способы интеграции ИИ в медицинское образование.
Скрипт Google Colaboratory на Python является проектом с открытым исходным кодом 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. медицина. 88, 1407–1410 (2013).
Маккой, Л.Г. и др. Что действительно нужно знать студентам-медикам об искусственном интеллекте? Числа НПЖ. Медицина 3, 1–3 (2020).
Дос Сантос, Д.П. и др. Отношение студентов-медиков к искусственному интеллекту: многоцентровое исследование. EURO. радиация. 29, 1640–1646 (2019).
Фан, К.Ю., Ху, Р., и Сингла, Р. Введение в машинное обучение для студентов-медиков: пилотный проект. Журнал медицинского обучения. 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. Lancet 374, 1160–1170 (2009).
Стрит, В.Н., Вольберг, В.Х. и Мангасариан, О.Л. Извлечение ядерных признаков для диагностики опухолей молочной железы. Биомедицинская наука. Обработка изображений. Биомедицинская наука. Вейсс. 1905, 861–870 (1993).
Чен, ПХК, Лю, Ю. и Пэн, Л. Как разрабатывать модели машинного обучения для здравоохранения. Nat. Matt. 18, 410–414 (2019).
Селвараджу, Р.Р. и др. Grad-cam: Визуальная интерпретация глубоких нейронных сетей с помощью локализации на основе градиента. Труды Международной конференции IEEE по компьютерному зрению, 618–626 (2017).
Кумаравел Б., Стюарт К. и Илич Д. Разработка и оценка спиральной модели для оценки компетенций в области доказательной медицины с использованием OSCE в рамках додипломного медицинского образования. BMK Medicine. teach. 21, 1–9 (2021).
Колачалама В.Б. и Гарг П.С. Машинное обучение и медицинское образование. НПЖ числа. медицина. 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).
Топол, Э. Дж. Высокоэффективная медицина: конвергенция человеческого и искусственного интеллекта. Национальная медицина. 25, 44–56 (2019).
Беде, Э. и др. Оценка системы глубокого обучения, используемой в клинике для выявления диабетической ретинопатии, с учетом человеческого фактора. Труды конференции CHI 2020 по человеческим факторам в вычислительных системах (2020).
Керр, Б. Перевернутый класс в инженерном образовании: обзор исследований. Труды Международной конференции по интерактивному совместному обучению 2015 года (2015).
Авторы выражают благодарность Даниэль Уокер, Тиму Салкудину и Питеру Зандстре из исследовательского кластера биомедицинской визуализации и искусственного интеллекта Университета Британской Колумбии за поддержку и финансирование.
RH, PP, ZH, RS и MA отвечали за разработку учебного контента для семинаров. 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.
Журнал Communication Medicine выражает благодарность Кэролин Макгрегор, Фабио Мораесу и Адитье Боракати за их вклад в рецензирование данной работы.
Дата публикации: 19 февраля 2024 г.