Faleminderit që vizituat Nature.com.Versioni i shfletuesit që po përdorni ka mbështetje të kufizuar CSS.Për rezultate më të mira, ju rekomandojmë të përdorni një version më të ri të shfletuesit tuaj (ose të çaktivizoni modalitetin e përputhshmërisë në Internet Explorer).Ndërkohë, për të siguruar mbështetje të vazhdueshme, ne po e shfaqim sajtin pa stilim ose JavaScript.
Aplikimet e inteligjencës artificiale klinike (AI) po rriten me shpejtësi, por kurrikulat ekzistuese të shkollave mjekësore ofrojnë mësimdhënie të kufizuar që mbulon këtë fushë.Këtu ne përshkruajmë një kurs trajnimi për inteligjencën artificiale që kemi zhvilluar dhe ofruar studentëve kanadezë të mjekësisë dhe bëjmë rekomandime për trajnime në të ardhmen.
Inteligjenca artificiale (AI) në mjekësi mund të përmirësojë efikasitetin në vendin e punës dhe të ndihmojë vendimmarrjen klinike.Për të udhëhequr në mënyrë të sigurt përdorimin e inteligjencës artificiale, mjekët duhet të kenë një kuptim të caktuar të inteligjencës artificiale.Shumë komente mbrojnë mësimin e koncepteve të AI1, të tilla si shpjegimi i modeleve të AI dhe proceset e verifikimit2.Megjithatë, pak plane të strukturuara janë zbatuar, veçanërisht në nivel kombëtar.Pinto dos Santos etj.3.U anketuan 263 studentë të mjekësisë dhe 71% ranë dakord se kishin nevojë për trajnim në inteligjencën artificiale.Mësimi i inteligjencës artificiale për një audiencë mjekësore kërkon një dizajn të kujdesshëm që kombinon konceptet teknike dhe jo-teknike për studentët që shpesh kanë njohuri të gjera paraprake.Ne përshkruajmë përvojën tonë duke ofruar një seri seminaresh të AI për tre grupe studentësh të mjekësisë dhe bëjmë rekomandime për edukimin e ardhshëm mjekësor në AI.
Punëtoria jonë pesëjavore Hyrje në Inteligjencën Artificiale në Mjekësi për studentët e mjekësisë u mbajt tri herë midis shkurtit 2019 dhe prillit 2021. Një orar për çdo seminar, me një përshkrim të shkurtër të ndryshimeve në kurs, është paraqitur në Figurën 1. Kursi ynë ka tre objektiva kryesorë të të mësuarit: studentët të kuptojnë se si përpunohen të dhënat në aplikacionet e inteligjencës artificiale, të analizojnë literaturën e inteligjencës artificiale për aplikimet klinike dhe të përfitojnë nga mundësitë për të bashkëpunuar me inxhinierë që zhvillojnë inteligjencën artificiale.
Bluja është tema e leksionit dhe bluja e hapur është periudha interaktive e pyetjeve dhe përgjigjeve.Seksioni gri është fokusi i rishikimit të shkurtër të literaturës.Seksionet portokalli janë studime të rasteve të përzgjedhura që përshkruajnë modele ose teknika të inteligjencës artificiale.Green është një kurs programimi i drejtuar i krijuar për të mësuar inteligjencën artificiale për të zgjidhur problemet klinike dhe për të vlerësuar modelet.Përmbajtja dhe kohëzgjatja e seminareve ndryshojnë në bazë të vlerësimit të nevojave të studentëve.
Punëtoria e parë u mbajt në Universitetin e British Columbia nga shkurti deri në prill 2019 dhe të 8 pjesëmarrësit dhanë reagime pozitive4.Për shkak të COVID-19, seminari i dytë u mbajt virtualisht në tetor-nëntor 2020, ku u regjistruan 222 studentë të mjekësisë dhe 3 rezidentë nga 8 shkolla kanadeze të mjekësisë.Sllajdet e prezantimit dhe kodi janë ngarkuar në një sajt me akses të hapur (http://ubcaimed.github.io).Reagimi kryesor nga përsëritja e parë ishte se leksionet ishin shumë intensive dhe materiali tepër teorik.Shërbimi i gjashtë zonave të ndryshme kohore të Kanadasë paraqet sfida shtesë.Kështu, seminari i dytë shkurtoi çdo sesion në 1 orë, thjeshtoi materialin e kursit, shtoi më shumë studime të rasteve dhe krijoi programe boilerplate që i lejonin pjesëmarrësit të plotësonin copat e kodit me korrigjim minimal (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 makinerive.Prandaj, në seminarin tonë të tretë, të mbajtur virtualisht për 126 studentë të mjekësisë në mars-prill 2021, ne përfshimë më shumë ushtrime ndërvepruese të kodimit dhe sesione reagimi të projektit për të demonstruar ndikimin e përdorimit të koncepteve të seminarit në projekte.
Analiza e të dhënave: Një fushë studimi në statistika që identifikon modele domethënëse në të dhëna duke analizuar, përpunuar dhe komunikuar modele të dhënash.
Minimi i të dhënave: procesi i identifikimit dhe nxjerrjes së të dhënave.Në kontekstin e inteligjencës artificiale, kjo është shpesh e madhe, me variabla të shumta për çdo mostër.
Reduktimi i dimensioneve: Procesi i transformimit të të dhënave me shumë veçori individuale në më pak veçori duke ruajtur vetitë e rëndësishme të grupit origjinal të të dhënave.
Karakteristikat (në kontekstin e inteligjencës artificiale): vetitë e matshme të një kampioni.Shpesh përdoret në mënyrë të ndërsjellë me "pronë" ose "ndryshore".
Harta e aktivizimit të gradientit: Një teknikë e përdorur për të interpretuar modelet e inteligjencës artificiale (veçanërisht rrjetet nervore konvolucionale), e cila analizon procesin e optimizimit të pjesës së fundit të rrjetit për të identifikuar rajonet e të dhënave ose imazheve që janë shumë parashikuese.
Modeli standard: Një model ekzistues i 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 i 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 të dhënash.Në mësimin e makinerive, çdo element i grupit është zakonisht një veçori unike e mostrës.
Tabela 1 liston kurset më të fundit për prill 2021, duke përfshirë objektivat e synuara të të nxënit për secilën temë.Ky seminar është i destinuar për ata që janë të rinj në nivelin teknik dhe nuk kërkon ndonjë njohuri matematikore përtej vitit të parë të një diplome universitare mjekësore.Kursi u zhvillua nga 6 studentë të mjekësisë dhe 3 mësues me diploma të avancuara në inxhinieri.Inxhinierët po zhvillojnë teorinë e inteligjencës artificiale për të dhënë mësim dhe studentët e mjekësisë po mësojnë materiale të rëndësishme klinikisht.
Punëtoritë përfshijnë leksione, raste studimore dhe programim të drejtuar.Në leksionin e parë, ne shqyrtojmë konceptet e përzgjedhura të analizës së të dhënave në biostatistikë, duke 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 nxjerrja e të dhënave, testimi i rëndësisë ose vizualizimi ndërveprues.Kjo ishte për shkak të kufizimeve kohore dhe gjithashtu sepse disa studentë universitarë kishin pasur trajnim paraprak 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 modeleve.Leksionet plotësohen me literaturë dhe kërkime praktike mbi pajisjet ekzistuese të inteligjencës artificiale.Ne theksojmë aftësitë e nevojshme për të vlerësuar efektivitetin dhe fizibilitetin e një modeli për të adresuar pyetjet klinike, duke përfshirë të kuptuarit e kufizimeve të pajisjeve ekzistuese të inteligjencës artificiale.Për shembull, ne u kërkuam studentëve të interpretonin udhëzimet për dëmtimin e kokës pediatrike të propozuara nga Kupperman et al., 5 i cili zbatoi një algoritëm të pemës së vendimit 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 ofron analiza parashikuese për mjekët për të interpretuar, në vend që të zëvendësojë mjekët.
Në shembujt e disponueshëm të programimit bootstrap me burim të hapur (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ne demonstrojmë se si të kryejmë analizën e të dhënave eksploruese, reduktimin e dimensioneve, ngarkimin standard të modelit dhe trajnimin .dhe testimi.Ne përdorim fletoret e Google Colaboratory (Google LLC, Mountain View, CA), të cilat lejojnë që kodi Python të ekzekutohet nga një shfletues ueb.Në Fig. Figura 2 jep një shembull të një ushtrimi programimi.Ky ushtrim përfshin parashikimin e sëmundjeve malinje duke përdorur Wisconsin Open Breast Imaging Dataset6 dhe një algoritëm të pemës së vendimit.
Prezantoni programe gjatë gjithë javës për tema të ngjashme dhe zgjidhni shembuj nga aplikacionet e publikuara të AI.Elementet e programimit përfshihen vetëm nëse ato konsiderohen të rëndësishme për të siguruar njohuri mbi praktikën klinike të ardhshme, si për shembull se si të vlerësohen modelet për të përcaktuar nëse ato janë gati për përdorim në provat klinike.Këta shembuj arrijnë kulmin me 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 të mëparshme.Pjesëmarrësit tanë ndryshonin në nivelin e tyre të njohurive matematikore.Për shembull, studentët me prejardhje të avancuar inxhinierike po kërkojnë materiale më të thelluara, si p.sh. si të kryejnë transformimet e tyre të Furierit.Megjithatë, diskutimi i algoritmit Fourier në klasë nuk është i mundur sepse kërkon njohuri të thelluara të përpunimit të sinjalit.
Dalja e frekuentimit.Pjesëmarrja në takimet vijuese ra, veçanërisht në formatet online.Një zgjidhje mund të jetë gjurmimi i pjesëmarrjes dhe sigurimi i një certifikate përfundimi.Dihet se shkollat mjekësore 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 mbulojmë parapërpunimin e të dhënave, ndërtimin e modelit dhe vërtetimin, ne nuk përfshijmë tema të tilla si analitika e të dhënave të mëdha, vizualizimi interaktiv ose kryerja e provave klinike të AI, përkundrazi ne fokusohemi 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 i rëndësishëm për interpretueshmërinë.Një mënyrë për ta bërë këtë është përdorimi i hartave të aktivizimit të gradientit, të cilat mund të vizualizojnë se cilat rajone të të dhënave janë të parashikueshme.Megjithatë, kjo kërkon llogaritje me shumë variacione dhe nuk mund të prezantohet8.Zhvillimi i një terminologjie të përbashkët ishte sfidues sepse ne po përpiqeshim të shpjegonim se si të punonim me të dhënat si vektorë pa formalizëm matematikor.Vini re se terma të ndryshëm kanë të njëjtin kuptim, për shembull, në epidemiologji, një "karakteristik" përshkruhet si "ndryshues" ose "atribut".
Ruajtja e njohurive.Për shkak se aplikimi i AI është i kufizuar, shkalla në të cilën pjesëmarrësit ruajnë njohuritë mbetet për t'u parë.Kurrikula e shkollave mjekësore shpesh mbështetet në përsëritjen e ndarë për të përforcuar njohuritë gjatë rrotullimeve praktike,9 të cilat mund të zbatohen gjithashtu në edukimin e AI.
Profesionalizmi është më i rëndësishëm se shkrim-leximi.Thellësia e materialit është projektuar pa ashpërsi matematikore, gjë që ishte një problem kur niseshin kurse klinike në inteligjencën artificiale.Në shembujt e programimit, ne përdorim një program shabllon që u lejon pjesëmarrësve të plotësojnë fushat dhe të ekzekutojnë softuerin pa pasur nevojë të kuptojnë se si të konfigurojnë një mjedis të plotë programimi.
Shqetësimet në lidhje me inteligjencën artificiale: Ekziston një shqetësim i gjerë se inteligjenca artificiale mund të zëvendësojë disa detyra klinike3.Për të adresuar këtë çështje, ne shpjegojmë kufizimet e AI, duke përfshirë faktin se pothuajse të gjitha teknologjitë e AI të miratuara nga rregullatorët kërkojnë mbikëqyrjen e mjekut11.Ne gjithashtu theksojmë rëndësinë e paragjykimit sepse algoritmet janë të prirur ndaj paragjykimeve, veçanërisht nëse grupi i të dhënave nuk është i larmishëm12.Rrjedhimisht, një nëngrup i caktuar mund të modelohet gabimisht, duke çuar në vendime të padrejta klinike.
Burimet janë të disponueshme për publikun: Ne kemi krijuar burime të disponueshme publikisht, duke përfshirë rrëshqitjet e leksioneve dhe kodin.Megjithëse qasja në përmbajtje sinkrone është e kufizuar për shkak të zonave kohore, përmbajtja me burim të hapur është një metodë e përshtatshme për të mësuarit asinkron pasi ekspertiza e AI nuk është e disponueshme në të gjitha shkollat mjekësore.
Bashkëpunimi ndërdisiplinor: Ky seminar është një sipërmarrje e përbashkët e iniciuar nga studentët e mjekësisë për të planifikuar kurse së bashku me inxhinierët.Kjo demonstron mundësi bashkëpunimi dhe boshllëqe njohurish në të dyja fushat, duke i lejuar pjesëmarrësit të kuptojnë rolin e mundshëm që mund të kontribuojnë në të ardhmen.
Përcaktoni kompetencat kryesore të AI.Përcaktimi i një liste kompetencash siguron një strukturë të standardizuar që mund të integrohet në kurrikulat ekzistuese mjekësore të bazuara në kompetenca.Ky seminar aktualisht përdor Nivelet e Objektivave Mësimore 2 (Kuptimi), 3 (Zbatimi) dhe 4 (Analiza) e Taksonomisë së Bloom-it.Pasja e burimeve në nivele më të larta të klasifikimit, si krijimi i projekteve, mund të forcojë më tej njohuritë.Kjo kërkon të punohet me ekspertë klinikë për të përcaktuar se si temat e AI mund të aplikohen në rrjedhat klinike të punës dhe parandalimin e mësimdhënies së temave të përsëritura të përfshira tashmë në kurrikulat standarde mjekësore.
Krijo raste studimore duke përdorur AI.Ngjashëm me shembujt klinikë, mësimi i bazuar në raste mund të përforcojë konceptet abstrakte duke theksuar rëndësinë e tyre për pyetjet klinike.Për shembull, një studim seminari analizoi sistemin e zbulimit të retinopatisë diabetike të bazuar në AI të Google 13 për të identifikuar sfidat përgjatë rrugës nga laboratori në klinikë, të tilla si kërkesat e jashtme të vlefshmërisë dhe rrugët e miratimit rregullator.
Përdorni të mësuarit eksperimental: Aftësitë teknike kërkojnë praktikë të përqendruar dhe aplikim të përsëritur për të zotëruar, të ngjashme me përvojat e rotacionit të të mësuarit të kursantëve klinikë.Një zgjidhje e mundshme është modeli i klasës së kthyer, i cili është raportuar se përmirëson ruajtjen e njohurive në arsimin inxhinierik14.Në këtë model, studentët shqyrtojnë materialin teorik në mënyrë të pavarur dhe koha e klasës i kushtohet zgjidhjes së problemeve përmes studimeve të rasteve.
Shkallëzimi për pjesëmarrësit multidisiplinarë: Ne parashikojmë adoptimin e AI që përfshin bashkëpunimin në disiplina të shumta, duke përfshirë mjekë dhe profesionistë shëndetësorë aleatë me nivele të ndryshme trajnimi.Prandaj, kurrikulat mund të kenë nevojë të zhvillohen në konsultim me fakultetet 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 e saj thelbësore lidhen me matematikën dhe shkencat kompjuterike.Trajnimi i personelit të kujdesit shëndetësor për të kuptuar inteligjencën artificiale paraqet sfida unike në përzgjedhjen e përmbajtjes, rëndësinë klinike dhe metodat e shpërndarjes.Shpresojmë që njohuritë e marra nga punëtoritë e AI në Edukim do t'i ndihmojnë edukatorët e ardhshëm të përqafojnë mënyra inovative për të integruar AI në edukimin mjekësor.
Skripti Google Colaboratory Python është me burim të hapur dhe disponohet në: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG dhe Khan, S. Rimendimi i edukimit mjekësor: një thirrje për veprim.Akad.bar.88, 1407–1410 (2013).
McCoy, LG etj. Çfarë duhet të dinë vërtet studentët e mjekësisë për inteligjencën artificiale?NPZh numrat.Mjekësia 3, 1–3 (2020).
Dos Santos, DP, etj.Qëndrimet e studentëve të mjekësisë ndaj inteligjencës artificiale: një studim shumëqendror.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.mësojnë.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).
Street, WN, Wolberg, WH dhe Mangasarian, OL.Ekstraktimi i veçorive bërthamore për diagnostikimin e tumorit të gjirit.Shkenca Biomjekësore.Përpunimi i imazhit.Shkenca Biomjekësore.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. dhe Peng, L. Si të zhvillohen modele të mësimit të makinerive për kujdesin shëndetësor.Nat.Mat.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: Interpretimi vizual i rrjeteve të thella nëpërmjet lokalizimit të bazuar në gradient.Procedurat e Konferencës Ndërkombëtare të IEEE mbi Vizionin Kompjuterik, 618–626 (2017).
Kumaravel B, Stewart K dhe Ilic D. Zhvillimi dhe vlerësimi i një modeli spirale për vlerësimin e kompetencave të mjekësisë të bazuara në dëshmi duke përdorur OSBE-në në arsimin universitar mjekësor.Mjekësia BMK.mësojnë.21, 1–9 (2021).
Kolachalama VB dhe Garg PS Mësimi i makinerisë dhe edukimi mjekësor.NPZh numrat.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 komerciale dhe provat e tyre shkencore.EURO.rrezatimi.31, 3797–3804 (2021).
Topol, EJ Mjekësi me performancë të lartë: konvergjenca e inteligjencës njerëzore dhe artificiale.Nat.bar.25, 44–56 (2019).
Bede, E. et al.Vlerësimi me në qendër njeriun i një sistemi të të mësuarit të thellë të vendosur në klinikë për zbulimin e retinopatisë diabetike.Punimet e Konferencës CHI 2020 mbi Faktorët Njerëzor në Sistemet Kompjuterike (2020).
Kerr, B. Klasa e kthyer në edukimin inxhinierik: Një përmbledhje kërkimore.Procedurat e Konferencës Ndërkombëtare 2015 mbi Mësimin Bashkëpunues Ndërveprues (2015).
Autorët falënderojnë Danielle Walker, Tim Salcudin dhe Peter Zandstra nga Grupi i Kërkimeve të Imazhe Biomjekësore dhe Inteligjencës Artificiale në Universitetin e Kolumbisë Britanike për mbështetjen dhe financimin.
RH, PP, ZH, RS dhe MA ishin përgjegjës për zhvillimin e përmbajtjes mësimore të seminarit.RH dhe PP ishin përgjegjës për zhvillimin e shembujve të programimit.KYF, OY, MT dhe PW ishin përgjegjëse 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 përgjegjëse për hartimin dhe redaktimin e dokumentit.
Communication Medicine falenderon Carolyn McGregor, Fabio Moraes dhe Aditya Borakati për kontributin e tyre në rishikimin e kësaj pune.
Koha e postimit: Shkurt-19-2024