Faleminderit për vizitën e natyrës.com. Versioni i shfletuesit që po përdorni ka mbështetje të kufizuar CSS. Për rezultate më të mira, ne ju rekomandojmë të përdorni një version më të ri të shfletuesit tuaj (ose të fikni mënyrën e pajtueshmërisë në Internet Explorer). Ndërkohë, për të siguruar mbështetje të vazhdueshme, ne po tregojmë faqen pa stilim ose JavaScript.
Aplikimet e inteligjencës klinike artificiale (AI) po rriten me shpejtësi, por kurrikula ekzistuese e shkollës mjekësore ofrojnë mësime të kufizuara që mbulojnë këtë zonë. Këtu ne përshkruajmë një kurs trajnimi të inteligjencës artificiale që ne i zhvilluam dhe ua dorëzuam studentëve të mjekësisë kanadeze dhe bëjmë rekomandime për trajnime në të ardhmen.
Inteligjenca artificiale (AI) në mjekësi mund të përmirësojë efikasitetin e vendit të punës dhe të ndihmojë vendimmarrjen klinike. Për të udhëhequr me siguri përdorimin e inteligjencës artificiale, mjekët duhet të kenë një kuptim të inteligjencës artificiale. Shumë komente mbrojnë mësimin e koncepteve të AI1, të tilla si shpjegimi i modeleve të AI dhe proceset e verifikimit2. Sidoqoftë, disa plane të strukturuara janë zbatuar, veçanërisht në nivelin kombëtar. Pinto dos Santos et al.3. 263 studentë të mjekësisë u anketuan dhe 71% ranë dakord që ata kishin nevojë për trajnim në inteligjencën artificiale. Mësimi i inteligjencës artificiale për një audiencë mjekësore kërkon një dizajn të kujdesshëm që ndërthur koncepte teknike dhe jo-teknike për studentët që shpesh kanë njohuri të gjera paraprake. Ne përshkruajmë përvojën tonë duke ofruar një seri punëtorish të AI për tre grupe studentësh të mjekësisë dhe bëjmë rekomandime për edukimin e ardhshëm mjekësor në AI.
Paraqitja jonë pesë-javore në Workshopin e Inteligjencës Artificiale në Mjekësi për Studentët e Mjekësisë u mbajt tre herë midis shkurtit 2019 dhe Prillit 2021. Një orar për secilën punëtori, me një përshkrim të shkurtër të ndryshimeve në kurs, është treguar në figurën 1. Kursi ynë ka Tre objektiva të mësimit parësor: Studentët e kuptojnë se si të dhënat përpunohen në aplikimet e inteligjencës artificiale, analizojnë literaturën e inteligjencës artificiale për aplikimet klinike dhe përfitojnë nga mundësitë për të bashkëpunuar me inxhinierët që zhvillojnë inteligjencën artificiale.
Blu është tema e leksionit dhe blu e lehtë është periudha interaktive e pyetjes dhe përgjigjes. Seksioni gri është në fokus të rishikimit të shkurtër të literaturës. Seksionet e portokallit janë studime të rasteve të zgjedhura që përshkruajnë modele ose teknika të inteligjencës artificiale. Green është një kurs programimi i udhëhequr i krijuar për të mësuar inteligjencën artificiale për të zgjidhur problemet klinike dhe për të vlerësuar modelet. Përmbajtja dhe kohëzgjatja e punëtorive ndryshojnë bazuar në një vlerësim të nevojave të studentëve.
Punëtoria e parë u mbajt në Universitetin e Kolumbisë Britanike nga shkurti deri në prill 2019, dhe të gjithë 8 pjesëmarrësit dhanë reagime pozitive44. Për shkak të COVID-19, punëtoria e dytë u mbajt praktikisht në tetor-nëntor 2020, me 222 studentë të mjekësisë dhe 3 banorë nga 8 shkolla mjekësore kanadeze që regjistroheshin. Rrëshqitjet e prezantimit dhe kodi janë ngarkuar në një sit të hyrjes së hapur (http://ubcaimed.github.io). Reagimet kryesore nga përsëritja e parë ishin se ligjëratat ishin shumë intensive dhe materiali shumë teorik. Shërbimi i gjashtë zonave të ndryshme kohore të Kanadasë paraqet sfida shtesë. Kështu, punëtoria e dytë shkurtoi çdo seancë në 1 orë, thjeshtoi materialin e kursit, shtoi më shumë studime të rasteve dhe krijoi programe bojlerësh që i lejonin pjesëmarrësit të plotësojnë copëzat e kodit me debugging minimale (Kutia 1). Reagimet kryesore nga përsëritja e dytë përfshinin reagime pozitive mbi ushtrimet e programimit dhe një kërkesë për të demonstruar planifikimin për një projekt të mësimit të makinerisë. Prandaj, në punëtorinë tonë të tretë, të mbajtur praktikisht për 126 studentë të mjekësisë në Mars-Prill 2021, ne kemi përfshirë ushtrime më interaktive të kodimit dhe seanca të reagimit të projektit për të demonstruar ndikimin e përdorimit të koncepteve të punëtorisë në projekte.
Analiza e të dhënave: Një fushë e studimit në statistika që identifikon modele domethënëse në të dhëna duke analizuar, përpunuar dhe komunikuar modelet e të dhënave.
Minierat e të dhënave: Procesi i identifikimit dhe nxjerrjes së të dhënave. Në kontekstin e inteligjencës artificiale, kjo është shpesh e madhe, me ndryshore të shumta për secilin mostër.
Reduktimi i dimensionit: Procesi i shndërrimit të të dhënave me shumë karakteristika individuale në më pak karakteristika duke ruajtur vetitë e rëndësishme të grupit origjinal të të dhënave.
Karakteristikat (në kontekstin e inteligjencës artificiale): Karakteristikat e matshme të një kampioni. Shpesh përdoret në mënyrë të ndërsjellë me "pronë" ose "të ndryshueshme".
Harta e aktivizimit të gradientit: Një teknikë e përdorur për të interpretuar modelet e inteligjencës artificiale (veçanërisht rrjetet nervore konvolucionare), e cila analizon procesin e optimizimit të pjesës së fundit të rrjetit për të identifikuar rajone të të dhënave ose imazheve që janë shumë parashikuese.
Modeli Standard: Një model ekzistues AI që është trajnuar paraprakisht për të kryer detyra të ngjashme.
Testimi (në kontekstin e inteligjencës artificiale): Vëzhgimi se si një model kryen një detyrë duke përdorur të dhëna që nuk ka hasur më parë.
Trajnimi (në kontekstin e inteligjencës artificiale): Sigurimi i një modeli me të dhëna dhe rezultate në mënyrë që modeli të rregullojë parametrat e tij të brendshëm për të optimizuar aftësinë e tij për të kryer detyra duke përdorur të dhëna të reja.
Vektori: grup i të dhënave. Në mësimin e makinerisë, çdo element i grupit është zakonisht një veçori unike e mostrës.
Tabela 1 rendit kurset e fundit për Prill 2021, përfshirë objektivat e synuara të të mësuarit për secilën temë. Kjo punëtori është e destinuar për ata të rinj në nivelin teknik dhe nuk kërkon ndonjë njohuri matematikore përtej vitit të parë të një diplome mjekësore universitare. Kursi u zhvillua nga 6 studentë të mjekësisë dhe 3 mësues me gradë të përparuar në inxhinieri. Inxhinierët po zhvillojnë teori të inteligjencës artificiale për të dhënë mësim, dhe studentët e mjekësisë po mësojnë materiale klinike të rëndësishme.
Punëtoritë përfshijnë leksione, studime të rasteve dhe programim të udhëhequr. Në ligjëratën e parë, ne rishikojmë konceptet e zgjedhura të analizës së të dhënave në biostatistikë, përfshirë vizualizimin e të dhënave, regresionin logjistik dhe krahasimin e statistikave përshkruese dhe induktive. Megjithëse analiza e të dhënave është themeli i inteligjencës artificiale, ne përjashtojmë tema të tilla si minierat e të dhënave, testimi i rëndësisë ose vizualizimi interaktiv. Kjo ishte për shkak të kufizimeve kohore dhe gjithashtu për shkak se disa studentë universitare kishin trajnime paraprake në biostatistikë dhe donin të mbulonin tema më unike të mësimit të makinerive. Leksioni pasues prezanton metoda moderne dhe diskuton formulimin e problemit të AI, avantazhet dhe kufizimet e modeleve të AI dhe testimin e modelit. Ligjëratat plotësohen nga letërsia dhe hulumtimi praktik mbi pajisjet ekzistuese të inteligjencës artificiale. Ne theksojmë aftësitë e kërkuara për të vlerësuar efektivitetin dhe fizibilitetin e një modeli për të adresuar pyetjet klinike, duke përfshirë kuptimin e kufizimeve të pajisjeve ekzistuese të inteligjencës artificiale. Për shembull, ne u kërkuam studentëve të interpretojnë udhëzimet e dëmtimit të kokës pediatrike të propozuara nga Kupperman et al., 5 i cili zbatoi një algoritëm të pemës së vendimeve të inteligjencës artificiale për të përcaktuar nëse një skanim CT do të ishte i dobishëm bazuar në ekzaminimin e një mjeku. Theksojmë se ky është një shembull i zakonshëm i AI që siguron analitikë parashikuese për mjekët për të interpretuar, në vend se të zëvendësojnë mjekët.
Në shembujt e programimit të disponueshëm të burimit të hapur Bootstrap (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ne demonstrojmë se si të kryejmë analizën e të dhënave eksploruese, uljen e dimensionit, ngarkimin standard të modelit dhe trajnimin dhe trajnimin . dhe testimi. Ne përdorim fletoret kolaboratorike të Google (Google LLC, Mountain View, CA), të cilat lejojnë që kodi Python të ekzekutohet nga një shfletues në internet. Në Figurën Figura 2 jep një shembull të një ushtrimi programimi. Ky ushtrim përfshin parashikimin e keqdashjeve duke përdorur të dhënat e imazhit të gjirit të hapur Wisconsin dhe një algoritëm të pemës së vendimeve.
Programet e paraqitura gjatë gjithë javës për tema të lidhura dhe zgjidhni shembuj nga aplikacionet e publikuara të AI. Elementet e programimit përfshihen vetëm nëse ato konsiderohen të rëndësishme për të siguruar një pasqyrë të praktikës klinike të ardhshme, siç është mënyra e vlerësimit të modeleve për të përcaktuar nëse ato janë të gatshme për përdorim në provat klinike. Këto shembuj kulmojnë në një aplikim të plotë nga fundi në fund që i klasifikon tumoret si beninje ose malinje bazuar në parametrat e imazhit mjekësor.
Heterogjeniteti i njohurive paraprake. Pjesëmarrësit tanë ndryshuan në nivelin e tyre të njohurive matematikore. Për shembull, studentët me prejardhje të përparuar inxhinierike po kërkojnë më shumë materiale të thella, siç janë mënyra se si të kryejnë transformimet e tyre të Furierit. Sidoqoftë, diskutimi i algoritmit të Furierit në klasë nuk është i mundur sepse kërkon njohuri të thella të përpunimit të sinjalit.
Dalja e pjesëmarrjes. Pjesëmarrja në takimet vijuese u zvogëlua, veçanërisht në formatet në internet. Një zgjidhje mund të jetë për të ndjekur pjesëmarrjen dhe për të siguruar një certifikatë të përfundimit. Shkollat mjekësore dihet se njohin transkriptet e aktiviteteve akademike jashtëshkollore të studentëve, të cilat mund t'i inkurajojnë studentët të ndjekin një diplomë.
Dizajni i kursit: Për shkak se AI përfshin kaq shumë nënfusha, zgjedhja e koncepteve thelbësore të thellësisë dhe gjerësisë së duhur mund të jetë sfiduese. Për shembull, vazhdimësia e përdorimit të mjeteve të AI nga laboratori në klinikë është një temë e rëndësishme. Ndërsa ne mbulojmë përpunimin e të dhënave, ndërtimin e modelit dhe vlefshmërinë, ne nuk përfshijmë tema të tilla si analitikë të të dhënave të mëdha, vizualizim interaktiv ose kryerjen e provave klinike të AI, përkundrazi përqendrohemi në konceptet më unike të AI. Parimi ynë udhëzues është të përmirësojmë shkrim -leximin, jo aftësitë. Për shembull, të kuptuarit se si një model përpunon tiparet e hyrjes është e rëndësishme për interpretueshmërinë. Një mënyrë për ta bërë këtë është të përdorni hartat e aktivizimit të gradientit, të cilat mund të vizualizojnë se cilat rajone të të dhënave janë të parashikueshme. Sidoqoftë, kjo kërkon llogaritjen multivariane dhe nuk mund të prezantohet8. Zhvillimi i një terminologjie të përbashkët ishte sfiduese sepse ne po përpiqeshim të shpjegonim se si të punojmë me të dhëna si vektorë pa formalizëm matematikor. Vini re se terma të ndryshëm kanë të njëjtin kuptim, për shembull, në epidemiologji, një "karakteristikë" përshkruhet si "e ndryshueshme" ose "atribut".
Mbajtja e njohurive. Për shkak se aplikimi i AI është i kufizuar, shkalla në të cilën pjesëmarrësit mbajnë njohuritë mbetet për tu parë. Kurrikulat e shkollës mjekësore shpesh mbështeten në përsëritjen në hapësirë për të forcuar njohuritë gjatë rotacioneve praktike, 9 të cilat gjithashtu mund të zbatohen për arsimin e AI.
Profesionalizmi është më i rëndësishëm sesa shkrim -leximi. Thellësia e materialit është krijuar pa ashpërsi matematikore, e cila ishte një problem kur filloni kurse klinike në inteligjencën artificiale. Në shembujt e programimit, ne përdorim një program shablloni që lejon pjesëmarrësit të plotësojnë fushat dhe të drejtojnë softuerin pa pasur nevojë të kuptojmë se si të krijojnë një mjedis të plotë programimi.
Shqetësimet për inteligjencën artificiale të adresuara: Ekziston një shqetësim i gjerë se inteligjenca artificiale mund të zëvendësojë disa detyra klinike3. Për të adresuar këtë çështje, ne shpjegojmë kufizimet e AI, përfshirë faktin se pothuajse të gjitha teknologjitë e AI të aprovuara nga rregullatorët kërkojnë mbikëqyrje të mjekut11. Ne gjithashtu theksojmë rëndësinë e paragjykimit sepse algoritmet janë të prirur për paragjykime, veçanërisht nëse grupi i të dhënave nuk është i ndryshëm12. Si pasojë, një nëngrup i caktuar mund të modelohet gabimisht, duke çuar në vendime të padrejta klinike.
Burimet janë të disponueshme publikisht: Ne kemi krijuar burime të disponueshme publikisht, përfshirë rrëshqitjet e ligjëratave dhe kodin. Megjithëse qasja në përmbajtje sinkron është e kufizuar për shkak të zonave kohore, përmbajtja me burim të hapur është një metodë e përshtatshme për mësimin asinkron pasi ekspertiza e AI nuk është e disponueshme në të gjitha shkollat mjekësore.
Bashkëpunim ndërdisiplinor: Kjo punëtori është një ndërmarrje e përbashkët e iniciuar nga studentët e mjekësisë për të planifikuar kurse së bashku me inxhinierët. Kjo demonstron mundësi bashkëpunimi dhe boshllëqe të njohurive në të dy fushat, duke lejuar pjesëmarrësit të kuptojnë rolin e mundshëm që ata mund të kontribuojnë në të ardhmen.
Përcaktoni kompetencat thelbësore të AI. Përcaktimi i një liste të kompetencave siguron një strukturë të standardizuar që mund të integrohet në kurrikulat mjekësore ekzistuese të bazuara në kompetenca. Kjo punëtori aktualisht përdor nivelet e objektivit të të mësuarit 2 (të kuptuarit), 3 (aplikim) dhe 4 (analiza) të taksonomisë së Bloom. Të kesh burime në nivele më të larta të klasifikimit, të tilla si krijimi i projekteve, mund të forcojë më tej njohuritë. Kjo kërkon të punosh me ekspertë klinikë për të përcaktuar se si temat e AI mund të aplikohen në rrjedhën e punës klinike dhe parandalimin e mësimit të temave të përsëritura të përfshira tashmë në kurrikulat standarde mjekësore.
Krijoni studime të rasteve duke përdorur AI. Ngjashëm me shembujt klinikë, mësimi i bazuar në raste mund të forcojë konceptet abstrakte duke theksuar rëndësinë e tyre me pyetjet klinike. Për shembull, një studim i punëtorisë analizoi sistemin e zbulimit të retinopatisë diabetike të bazuar në AI të Google 13 për të identifikuar sfidat përgjatë shtegut nga laboratori në klinikë, siç janë kërkesat e vlefshme të jashtme dhe rrugët e miratimit rregullator.
Përdorni mësimin eksperimental: Aftësitë teknike kërkojnë praktikë të përqendruar dhe aplikim të përsëritur për të zotëruar, të ngjashme me përvojat rrotulluese të të mësuarit të kursantëve klinikë. Një zgjidhje e mundshme është modeli i klasës së rrahur, i cili është raportuar të përmirësojë mbajtjen e njohurive në arsimin inxhinierik14. Në këtë model, studentët rishikojnë materialin teorik në mënyrë të pavarur dhe koha e klasës i kushtohet zgjidhjes së problemeve përmes studimeve të rasteve.
Shkallëzimi për pjesëmarrësit multidisiplinar: Ne parashikojmë miratimin e AI që përfshin bashkëpunim nëpër disiplina të shumta, përfshirë mjekë dhe profesionistë të shëndetit aleatë me nivele të ndryshme trajnimi. Prandaj, kurrikulat mund të kenë nevojë të zhvillohen në konsultim me fakultetin nga departamente të ndryshme për të përshtatur përmbajtjen e tyre në fusha të ndryshme të kujdesit shëndetësor.
Inteligjenca artificiale është e teknologjisë së lartë dhe konceptet thelbësore të tij kanë të bëjnë me matematikën dhe shkencën e kompjuterave. Trajnimi i personelit të kujdesit shëndetësor për të kuptuar inteligjencën artificiale paraqet sfida unike në zgjedhjen e përmbajtjes, rëndësinë klinike dhe metodat e shpërndarjes. Shpresojmë që pasqyrat e fituara nga AI në punëtoritë e arsimit do të ndihmojnë arsimtarët e ardhshëm të përqafojnë mënyra inovative për të integruar AI në edukimin mjekësor.
Skenari i Python Colaboratory Google është me burim të hapur dhe i disponueshëm në: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG dhe Khan, S. Rethinking Edukimi Mjekësor: Një thirrje për veprim. Akkad. bar. 88, 1407–1410 (2013).
McCoy, LG etj. Whatfarë duhet të dinë me të vërtetë studentët e mjekësisë për inteligjencën artificiale? Numrat e NPZH. Mjekësia 3, 1–3 (2020).
Dos Santos, DP, et al. Qëndrimet e studentëve të mjekësisë ndaj inteligjencës artificiale: Një studim multicenter. Euro rrezatimi 29, 1640–1646 (2019).
Fan, KY, Hu, R., dhe Singla, R. Hyrje në mësimin e makinerive për studentët e mjekësisë: Një projekt pilot. J. Med. mësoj. 54, 1042-1043 (2020).
Cooperman N, et al. Identifikimi i fëmijëve me rrezik shumë të ulët të dëmtimit klinik të rëndësishëm të trurit pas dëmtimit të kokës: një studim i ardhshëm i grupit. Lancet 374, 1160–1170 (2009).
Rruga, WN, Wolberg, WH dhe Mangasarian, ol. Nxjerrja e tipareve bërthamore për diagnostikimin e tumorit të gjirit. Shkenca Biomjekësore. Përpunimi i figurës. Shkenca Biomjekësore. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. dhe Peng, L. Si të zhvilloni modele të mësimit të makinerive për kujdesin shëndetësor. Nat Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-Cam: Interpretimi vizual i rrjeteve të thella përmes lokalizimit të bazuar në gradient. Procedimet e Konferencës Ndërkombëtare të IEEE për vizionin e kompjuterit, 618–626 (2017).
Kumaravel B, Stewart K dhe Ilic D. Zhvillimi dhe vlerësimi i një modeli spiral për vlerësimin e kompetencave të mjekësisë të bazuara në prova duke përdorur OSBE në edukimin mjekësor universitar. Mjekësia BMK. mësoj. 21, 1–9 (2021).
Kolachalama VB dhe Garg PS Mësimi i makinerisë dhe edukimi mjekësor. Numrat e NPZH. bar. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. dhe De Rooy, M. Inteligjenca Artificiale në Radiologji: 100 produkte tregtare dhe provat e tyre shkencore. Euro rrezatimi 31, 3797–3804 (2021).
Topol, EJ Mjekësia me performancë të lartë: Konvergjenca e inteligjencës njerëzore dhe artificiale. Nat bar. 25, 44-56 (2019).
Bede, E. et al. Vlerësimi i përqendruar nga njeriu i një sistemi të mësimit të thellë të vendosur në klinikë për zbulimin e retinopatisë diabetike. Procedimet e Konferencës CHI të vitit 2020 për faktorët njerëzorë në sistemet e informatikës (2020).
Kerr, B. Klasa e rrokullisur në arsimin inxhinierik: Një përmbledhje kërkimore. Procedimet e Konferencës Ndërkombëtare të 2015 për mësimin ndërveprues bashkëpunues (2015).
Autorët falënderojnë Danielle Walker, Tim Salcudin dhe Peter Zandstra nga grupi i kërkimit të Imazheve Biomjekësore dhe Inteligjencës Artificiale në Universitetin e Kolumbisë Britanike për mbështetje dhe financim.
RH, PP, ZH, RS dhe MA ishin përgjegjës për zhvillimin e përmbajtjes mësimore të punëtorisë. RH dhe PP ishin përgjegjës për zhvillimin e shembujve të programimit. Kyf, Oy, MT dhe PW ishin përgjegjës për organizimin logjistik të projektit dhe analizën e punëtorive. RH, OY, MT, RS ishin përgjegjës për krijimin e figurave dhe tabelave. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ishin përgjegjës për hartimin dhe redaktimin e dokumentit.
Mjekësia e komunikimit falënderon Carolyn McGregor, Fabio Moraes dhe Aditya Borakati për kontributin e tyre në rishikimin e kësaj pune.
Koha e postimit: Shkurt-19-2024