Faleminderit që vizituat Nature.com. Versioni i shfletuesit që po përdorni ka mbështetje të kufizuar CSS. Për rezultate më të mira, ne rekomandojmë përdorimin e një versioni më të ri të shfletuesit tuaj (ose çaktivizimin e modalitetit të përputhshmërisë në Internet Explorer). Ndërkohë, për të siguruar mbështetje të vazhdueshme, ne po e shfaqim faqen pa stilizim ose JavaScript.
Zbatimet e inteligjencës artificiale klinike (IA) po rriten me shpejtësi, por kurrikulat ekzistuese të shkollave mjekësore ofrojnë mësimdhënie të kufizuar që mbulon këtë fushë. Këtu përshkruajmë një kurs trajnimi për inteligjencën artificiale që kemi zhvilluar dhe ofruar për studentët kanadezë të mjekësisë dhe japim rekomandime për trajnime të ardhshme.
Inteligjenca artificiale (IA) në mjekësi mund të përmirësojë efikasitetin në vendin e punës dhe të ndihmojë në vendimmarrjen klinike. Për të udhëhequr në mënyrë të sigurt përdorimin e inteligjencës artificiale, mjekët duhet të kenë njëfarë kuptimi të inteligjencës artificiale. Shumë komente mbështesin mësimdhënien e koncepteve të IA-së1, siç është shpjegimi i modeleve të IA-së dhe proceseve të verifikimit2. Megjithatë, janë zbatuar pak plane të strukturuara, veçanërisht në nivel kombëtar. Pinto dos Santos et al.3. U anketuan 263 studentë mjekësie dhe 71% ranë dakord se kishin nevojë për trajnim në inteligjencën artificiale. Mësimdhënia e 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 në ofrimin e një serie punëtorish të IA-së për tre grupe studentësh të mjekësisë dhe japim rekomandime për arsimin e ardhshëm mjekësor në IA.
Punëtoria jonë pesë-javore Hyrje në Inteligjencën Artificiale në Mjekësi për studentët e mjekësisë u mbajt tri herë midis shkurtit 2019 dhe prillit 2021. Një orar për secilin punëtori, me një përshkrim të shkurtër të ndryshimeve në kurs, është paraqitur në Figurën 1. Kursi ynë ka tre objektiva kryesore të të nxënit: studentët të kuptojnë se si përpunohen të dhënat në aplikacionet e inteligjencës artificiale, të analizojnë literaturën e inteligjencës artificiale për aplikime klinike dhe të shfrytëzojnë mundësitë për të bashkëpunuar me inxhinierë që zhvillojnë inteligjencën artificiale.
Ngjyra blu është tema e leksionit dhe ngjyra blu e çelët është periudha interaktive e pyetjeve dhe përgjigjeve. Seksioni gri është fokusi i rishikimit të shkurtër të literaturës. Seksionet portokalli janë studime rastesh të përzgjedhura që përshkruajnë modele ose teknika të inteligjencës artificiale. Ngjyra jeshile është një kurs programimi i udhëhequr i projektuar për të mësuar inteligjencën artificiale për të zgjidhur problemet klinike dhe për të vlerësuar modelet. Përmbajtja dhe kohëzgjatja e punëtorive ndryshojnë në bazë të një vlerësimi 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, punëtoria e dytë u mbajt virtualisht në tetor-nëntor 2020, me 222 studentë mjekësie dhe 3 rezidentë nga 8 shkolla mjekësore kanadeze që u regjistruan. Sllajdet dhe kodi i prezantimit janë ngarkuar në një faqe me qasje të hapur (http://ubcaimed.github.io). Reagimet kryesore nga versioni i parë ishin se leksionet ishin shumë intensive dhe materiali shumë teorik. Shërbimi ndaj gjashtë zonave të ndryshme kohore të Kanadasë paraqet sfida shtesë. Kështu, punëtoria e dytë e shkurtoi çdo seancë në 1 orë, e thjeshtoi materialin e kursit, shtoi më shumë studime rastesh dhe krijoi programe standarde që u lejonin pjesëmarrësve të përfundonin fragmente kodi me debugging minimal (Kutia 1). Reagimet kryesore nga versioni i dytë përfshinin reagime pozitive mbi ushtrimet e programimit dhe një kërkesë për të demonstruar planifikimin për një projekt të të mësuarit automatik. Prandaj, në seminarin tonë të tretë, të mbajtur virtualisht për 126 studentë të mjekësisë në mars-prill 2021, përfshimë më shumë ushtrime interaktive kodimi dhe seanca reagimi mbi projektet për të demonstruar ndikimin e përdorimit të koncepteve të seminarit në projekte.
Analiza e të dhënave: Një fushë studimi në statistikë që identifikon modele kuptimplote në të dhëna duke analizuar, përpunuar dhe komunikuar modelet e të dhënave.
Minierimi i të dhënave: procesi i identifikimit dhe nxjerrjes së të dhënave. Në kontekstin e inteligjencës artificiale, kjo është shpesh e madhe, me variabla të shumëfishta për secilën mostër.
Reduktimi i dimensionalitetit: Procesi i transformimit 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): vetitë e matshme të një mostre. Shpesh përdoret në mënyrë të ndërsjellë me "veti" 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.
Model Standard: Një model ekzistues i IA-së 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): Ofrimi i të dhënave dhe rezultateve për një model 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.
Vektor: varg i të dhënave. Në të mësuarit automatik, çdo element i vargut është zakonisht një veçori unike e mostrës.
Tabela 1 rendit kurset më të fundit për prillin 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 mjekësore universitare. Kursi u zhvillua nga 6 studentë mjekësie 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 klinikisht të rëndësishme.
Punëtoritë përfshijnë leksione, studime rastesh dhe programim të udhëhequr. Në leksionin e parë, ne shqyrtojmë koncepte të zgjedhura të analizës së të dhënave në biostatistikë, duke përfshirë vizualizimin e të dhënave, regresionin logjistik dhe krahasimin e statistikave përshkruese dhe induktive. Edhe pse analiza e të dhënave është themeli i inteligjencës artificiale, ne përjashtojmë tema të tilla si nxjerrja e të dhënave, testimi i rëndësisë ose vizualizimi interaktiv. Kjo ndodhi për shkak të kufizimeve kohore dhe gjithashtu sepse disa studentë universitarë kishin trajnime paraprake në biostatistikë dhe donin të mbulonin tema më unike të të mësuarit automatik. Leksioni pasues prezanton metoda moderne dhe diskuton formulimin e problemeve të IA-së, avantazhet dhe kufizimet e modeleve të IA-së dhe testimin e modelit. Leksionet plotësohen nga literatura dhe kërkimet 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 kuptimin e kufizimeve të pajisjeve ekzistuese të inteligjencës artificiale. Për shembull, ne i kërkuam studentëve të interpretojnë udhëzimet për lëndimet në kokë pediatrike të propozuara nga Kupperman et al., 5 të cilat zbatuan 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. Ne theksojmë se ky është një shembull i zakonshëm i IA-së që ofron analiza parashikuese për mjekët për t'i interpretuar, në vend që të zëvendësojë mjekët.
Në shembujt e programimit bootstrap me burim të hapur (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ne demonstrojmë se si të kryhet analiza eksploruese e të dhënave, zvogëlimi i dimensionalitetit, ngarkimi standard i modelit dhe trajnimi dhe testimi. Ne përdorim fletoret Google Colaboratory (Google LLC, Mountain View, CA), të cilat lejojnë që kodi Python të ekzekutohet nga një shfletues interneti. Në Fig. Figura 2 jep një shembull të një ushtrimi programimi. Ky ushtrim përfshin parashikimin e neoplazmave malinje duke përdorur Wisconsin Open Breast Imaging Dataset6 dhe një algoritëm të pemës së vendimeve.
Prezantoni programe gjatë gjithë javës mbi tema të lidhura dhe zgjidhni shembuj nga aplikacionet e publikuara të inteligjencës artificiale. Elementet e programimit përfshihen vetëm nëse konsiderohen të rëndësishme për të ofruar njohuri mbi praktikën klinike të ardhshme, siç është mënyra e vlerësimit të modeleve për të përcaktuar nëse ato janë gati për përdorim në provat klinike. Këta shembuj kulmojnë në një aplikacion të plotë nga fillimi në fund që klasifikon tumoret si beninje ose malinje bazuar në parametrat e imazhit mjekësor.
Heterogjeniteti i njohurive paraprake. Pjesëmarrësit tanë ndryshonin në nivelin e njohurive matematikore. Për shembull, studentët me formim të avancuar në inxhinieri kërkojnë materiale më të thelluara, siç është mënyra e kryerjes së transformimeve të tyre të Furierit. Megjithatë, diskutimi i algoritmit të Furierit në klasë nuk është i mundur sepse kërkon njohuri të thella të përpunimit të sinjalit.
Rrjedhje e pjesëmarrjes. Pjesëmarrja në takimet pasuese ka rënë, veçanërisht në formatet online. Një zgjidhje mund të jetë gjurmimi i pjesëmarrjes dhe dhënia e një certifikate përfundimi. Shkollat mjekësore njihen për njohjen e transkripteve të aktiviteteve akademike jashtëshkollore të studentëve, të cilat mund t'i inkurajojnë studentët të ndjekin një diplomë.
Dizajni i Kursit: Meqenëse IA përfshin kaq shumë nënfusha, zgjedhja e koncepteve kryesore me thellësi dhe gjerësi të përshtatshme mund të jetë sfiduese. Për shembull, vazhdimësia e përdorimit të mjeteve të IA-së nga laboratori në klinikë është një temë e rëndësishme. Ndërsa ne mbulojmë përpunimin paraprak të të dhënave, ndërtimin e modelit dhe validimin, ne nuk përfshijmë tema të tilla si analiza e të dhënave të mëdha, vizualizimi interaktiv ose kryerja e provave klinike të IA-së, në vend të kësaj ne përqendrohemi në konceptet më unike të IA-së. Parimi ynë udhëheqës 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 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 shumëvariabël dhe nuk mund të futet8. Zhvillimi i një terminologjie të përbashkët ishte sfidues sepse po përpiqeshim të shpjegonim se si të punojmë me të dhënat si vektorë pa formalizëm matematik. Vini re se terma të ndryshëm kanë të njëjtin kuptim, për shembull, në epidemiologji, një "karakteristikë" përshkruhet si një "ndryshore" ose "atribut".
Ruajtja e njohurive. Meqenëse zbatimi i IA-së është i kufizuar, mbetet për t’u parë se sa i ruajnë njohuritë pjesëmarrësit. Kurrikulat e shkollave mjekësore shpesh mbështeten në përsëritjen me intervale kohore për të përforcuar njohuritë gjatë rotacioneve praktike,9 të cilat mund të zbatohen edhe në edukimin e IA-së.
Profesionalizmi është më i rëndësishëm sesa shkrim-leximi. Thellësia e materialit është hartuar pa rigorozitet matematikor, gjë që ishte problem gjatë nisjes së kurseve 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 të trajtuara: Ekziston një shqetësim i përhapur se inteligjenca artificiale mund të zëvendësojë disa detyra klinike3. Për të adresuar këtë çështje, ne shpjegojmë kufizimet e IA-së, duke përfshirë faktin se pothuajse të gjitha teknologjitë e IA-së të miratuara nga rregullatorët kërkojnë mbikëqyrje nga mjeku11. Ne gjithashtu theksojmë rëndësinë e paragjykimeve sepse algoritmet janë të prirura ndaj paragjykimeve, veçanërisht nëse grupi i të dhënave nuk është i larmishëm12. Si pasojë, një nëngrup i caktuar mund të modelohet gabimisht, duke çuar në vendime klinike të padrejta.
Burimet janë të disponueshme publikisht: Ne kemi krijuar burime të disponueshme publikisht, duke përfshirë diapozitiva leksionesh dhe kod. Edhe pse 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 në IA nuk është e disponueshme në të gjitha shkollat mjekësore.
Bashkëpunim Ndërdisiplinor: Ky seminar është një sipërmarrje e përbashkët e iniciuar nga studentët e mjekësisë për të planifikuar kurse së bashku me inxhinierët. Kjo tregon mundësitë e bashkëpunimit dhe boshllëqet e njohurive në të dyja fushat, duke u lejuar pjesëmarrësve të kuptojnë rolin e mundshëm që mund të kontribuojnë në të ardhmen.
Përcaktoni kompetencat thelbësore të IA-së. Përcaktimi i një liste kompetencash ofron një strukturë të standardizuar që mund të integrohet në kurrikulat ekzistuese mjekësore të bazuara në kompetenca. Ky seminar aktualisht përdor Nivelet 2 të Objektivave të të Mësuarit (Kuptimi), 3 (Zbatimi) dhe 4 (Analiza) të Taksonomisë së Bloom-it. Të kesh burime në nivele më të larta klasifikimi, siç është krijimi i projekteve, mund të forcojë më tej njohuritë. Kjo kërkon bashkëpunim me ekspertë klinikë për të përcaktuar se si temat e IA-së mund të aplikohen në rrjedhat e punës klinike dhe për të parandaluar mësimdhënien e temave përsëritëse që tashmë përfshihen në kurrikulat standarde mjekësore.
Krijoni studime rastesh duke përdorur inteligjencën artificiale. Ngjashëm me shembujt klinikë, të mësuarit e bazuar në raste mund të përforcojë konceptet abstrakte duke theksuar rëndësinë e tyre për pyetjet klinike. Për shembull, një studim në punëtori analizoi sistemin e zbulimit të retinopatisë diabetike të bazuar në inteligjencën artificiale të Google 13 për të identifikuar sfidat përgjatë rrugës nga laboratori në klinikë, siç janë kërkesat e validimit të jashtëm dhe rrugët e miratimit rregullator.
Përdorni të nxënit me anë të përvojës: Aftësitë teknike kërkojnë praktikë të fokusuar dhe zbatim të përsëritur për t’u zotëruar, ngjashëm me përvojat e të nxënit me rotacion të praktikantëve klinikë. Një zgjidhje e mundshme është modeli i klasës së përmbysur, 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 orës së mësimit i kushtohet zgjidhjes së problemeve përmes studimeve të rasteve.
Shkallëzimi për pjesëmarrësit shumëdisiplinorë: Ne parashikojmë miratimin e inteligjencës artificiale që përfshin bashkëpunimin në disiplina të shumta, duke përfshirë mjekët dhe profesionistët e shëndetësisë me nivele të ndryshme trajnimi. Prandaj, kurrikula mund të duhet të zhvillohet në konsultim me fakultetin nga departamente të ndryshme për të përshtatur përmbajtjen e tyre në fusha të ndryshme të kujdesit shëndetësor.
Inteligjenca artificiale është teknologji e lartë dhe konceptet e saj kryesore lidhen me matematikën dhe shkencën kompjuterike. Trajnimi i personelit të kujdesit shëndetësor për të kuptuar inteligjencën artificiale paraqet sfida unike në përzgjedhjen e përmbajtjes, rëndësinë klinike dhe metodat e ofrimit të saj. Shpresojmë që njohuritë e fituara nga punëtoritë mbi Inteligjencën Artificiale në Arsim do t'i ndihmojnë edukatorët e ardhshëm të përqafojnë mënyra inovative për të integruar Inteligjencën Artificiale në arsimin mjekësor.
Skripti Python i Google Colaboratory është me burim të hapur dhe i disponueshëm në: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG dhe Khan, S. Ripërcaktimi i edukimit mjekësor: një thirrje për veprim. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG etj. Çfarë duhet të dinë vërtet studentët e mjekësisë rreth inteligjencës artificiale? Numrat NPZh. Mjekësia 3, 1–3 (2020).
Dos Santos, DP, etj. Qëndrimet e studentëve të mjekësisë ndaj inteligjencës artificiale: një studim shumëqendror. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., dhe Singla, R. Hyrje në të mësuarit automatik për studentët e mjekësisë: një projekt pilot. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identifikimi i fëmijëve me rrezik shumë të ulët për dëmtim klinikisht të rëndësishëm të trurit pas dëmtimit të kokës: një studim prospektiv i kohortës. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH dhe Mangasarian, OL. Ekstraktimi i karakteristikave 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 të mësuarit automatik për kujdesin shëndetësor. Nat. Matt. 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 IEEE mbi Vizionin Kompjuterik, 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 OSCE në arsimin mjekësor universitar. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB dhe Garg PS Mësimi automatik dhe edukimi mjekësor. Numrat NPZh. mjekësi. 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 Mjekësia me performancë të lartë: konvergjenca e inteligjencës njerëzore dhe artificiale. Nat. medicine. 25, 44–56 (2019).
Bede, E. et al. Vlerësimi i përqendruar te njeriu i një sistemi të të mësuarit të thellë të vendosur në klinikë për zbulimin e retinopatisë diabetike. Procedurat e Konferencës CHI 2020 mbi Faktorët Njerëzorë në Sistemet Kompjuterike (2020).
Kerr, B. Klasa e përmbysur në arsimin inxhinierik: Një përmbledhje kërkimore. Aktet e Konferencës Ndërkombëtare 2015 mbi Mësimin Bashkëpunues Ndërveprues (2015).
Autorët falënderojnë Danielle Walker, Tim Salcudin dhe Peter Zandstra nga Klusteri i Kërkimit të Imazherisë 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 përgjegjës për organizimin logjistik të projektit dhe analizën e seminareve. 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 kontributet e tyre në rishikimin e këtij punimi.
Koha e postimit: 19 shkurt 2024