Bedankt voor het bezoeken van Nature.com. De versie van de browser die u gebruikt, heeft beperkte CSS -ondersteuning. Voor de beste resultaten raden we aan om een nieuwere versie van uw browser te gebruiken (of de compatibiliteitsmodus uit te schakelen in Internet Explorer). In de tussentijd laten we de site zien zonder styling of javascript.
Toepassingen van klinische kunstmatige intelligentie (AI) groeien snel, maar bestaande medische schoolcurricula bieden een beperkt onderwijs voor dit gebied. Hier beschrijven we een cursus kunstmatige intelligentie die we hebben ontwikkeld en geleverd aan Canadese medische studenten en doen we aanbevelingen voor toekomstige training.
Kunstmatige intelligentie (AI) in de geneeskunde kan de efficiëntie op de werkplek verbeteren en klinische besluitvorming helpen. Om het gebruik van kunstmatige intelligentie veilig te begeleiden, moeten artsen enig begrip hebben van kunstmatige intelligentie. Veel opmerkingen pleiten voor het onderwijzen van AI -concepten1, zoals het uitleggen van AI -modellen en verificatieprocessen2. Er zijn echter weinig gestructureerde plannen geïmplementeerd, vooral op nationaal niveau. Pinto Dos Santos et al.3. 263 medische studenten werden ondervraagd en 71% was het erover eens dat ze training nodig hadden in kunstmatige intelligentie. Het onderwijzen van kunstmatige intelligentie aan een medisch publiek vereist zorgvuldig ontwerp dat technische en niet-technische concepten combineert voor studenten die vaak uitgebreide voorkennis hebben. We beschrijven onze ervaring met het leveren van een reeks AI -workshops aan drie groepen medische studenten en doen aanbevelingen voor toekomstig medisch onderwijs in AI.
Onze vijf weken durende introductie van kunstmatige intelligentie in de medicijnworkshop voor medische studenten werd drie keer gehouden tussen februari 2019 en april 2021. Een schema voor elke workshop, met een korte beschrijving van wijzigingen in de cursus, wordt getoond in figuur 1. Onze cursus heeft Drie primaire leerdoelen: studenten begrijpen hoe gegevens worden verwerkt in kunstmatige intelligentietoepassingen, analyseer de kunstmatige intelligentieliteratuur voor klinische toepassingen en profiteren van mogelijkheden om samen te werken met ingenieurs die kunstmatige intelligentie ontwikkelen.
Blauw is het onderwerp van de lezing en lichtblauw is de interactieve vraag- en antwoordperiode. De grijze sectie is de focus van het korte literatuuronderzoek. De oranje secties zijn geselecteerde case studies die kunstmatige intelligentiemodellen of technieken beschrijven. Green is een geleide programmeercursus die is ontworpen om kunstmatige intelligentie te leren om klinische problemen op te lossen en modellen te evalueren. De inhoud en duur van de workshops variëren op basis van een beoordeling van de behoeften van studenten.
De eerste workshop werd gehouden aan de Universiteit van British Columbia van februari tot april 2019, en alle 8 deelnemers gaven positieve feedback4. Vanwege COVID-19 werd de tweede workshop vrijwel gehouden in oktober-november 2020, met 222 medische studenten en 3 inwoners van 8 Canadese medische scholen die zich registreren. Presentatiedia's en code zijn geüpload naar een open toegangssite (http://ubcaimed.github.io). De belangrijkste feedback van de eerste iteratie was dat de lezingen te intens waren en het materiaal te theoretisch. Het serveren van de zes verschillende tijdzones van Canada vormt extra uitdagingen. De tweede workshop verkortte dus elke sessie tot 1 uur, vereenvoudigde het cursusmateriaal, voegde meer casestudy's toe en creëerden ketelprogramma's waarmee deelnemers konden codefragmenten met minimale foutopsporing voltooien (Box 1). Belangrijkste feedback van de tweede iteratie omvatte positieve feedback over de programmeeroefeningen en een verzoek om de planning aan te tonen voor een machine learning -project. Daarom, in onze derde workshop, vrijwel gehouden voor 126 medische studenten in maart-april 2021, hebben we meer interactieve coderingsoefeningen en projectfeedbacksessies opgenomen om de impact van het gebruik van workshopconcepten op projecten aan te tonen.
Gegevensanalyse: een studieveld in statistieken dat betekenisvolle patronen in gegevens identificeert door gegevenspatronen te analyseren, te verwerken en te communiceren.
Datamining: het proces van het identificeren en extraheren van gegevens. In de context van kunstmatige intelligentie is dit vaak groot, met meerdere variabelen voor elk monster.
Dimensionaliteitsreductie: het proces van het omzetten van gegevens met veel individuele functies in minder functies met behoud van de belangrijke eigenschappen van de oorspronkelijke gegevensset.
Kenmerken (in de context van kunstmatige intelligentie): meetbare eigenschappen van een monster. Vaak door elkaar gebruikt met "eigenschap" of "variabele".
Gradiëntactiveringskaart: een techniek die wordt gebruikt om kunstmatige intelligentiemodellen te interpreteren (met name convolutionele neurale netwerken), die het proces van het optimaliseren van het laatste deel van het netwerk analyseert om regio's van gegevens of afbeeldingen te identificeren die zeer voorspellend zijn.
Standaardmodel: een bestaand AI-model dat vooraf is opgeleid om vergelijkbare taken uit te voeren.
Testen (in de context van kunstmatige intelligentie): observeren hoe een model een taak uitvoert met behulp van gegevens die het nog niet eerder heeft aangetroffen.
Training (in de context van kunstmatige intelligentie): het verstrekken van een model met gegevens en resultaten zodat het model zijn interne parameters aanpast om zijn vermogen om taken uit te voeren met behulp van nieuwe gegevens te optimaliseren.
Vector: array van gegevens. In machine learning is elk array -element meestal een uniek kenmerk van het monster.
Tabel 1 geeft een overzicht van de nieuwste cursussen voor april 2021, inclusief gerichte leerdoelen voor elk onderwerp. Deze workshop is bedoeld voor diegenen die nieuw zijn op het technische niveau en vereist geen wiskundige kennis na het eerste jaar van een niet -gegradueerde medische graad. De cursus is ontwikkeld door 6 medische studenten en 3 leraren met geavanceerde graden in engineering. Ingenieurs ontwikkelen kunstmatige intelligentietheorie om les te geven en medische studenten leren klinisch relevant materiaal.
Workshops omvatten lezingen, casestudy's en geleide programmering. In de eerste lezing beoordelen we geselecteerde concepten van gegevensanalyse in biostatistiek, inclusief datavisualisatie, logistieke regressie en de vergelijking van beschrijvende en inductieve statistieken. Hoewel gegevensanalyse de basis is van kunstmatige intelligentie, sluiten we onderwerpen uit zoals datamining, significantietests of interactieve visualisatie. Dit was te wijten aan tijdsbeperkingen en ook omdat sommige niet -gegradueerde studenten voorafgaande training in biostatistiek hadden gehad en meer unieke onderwerpen op machine learning wilden behandelen. De daaropvolgende lezing introduceert moderne methoden en bespreekt AI -probleemformulering, voordelen en beperkingen van AI -modellen en modellentests. De lezingen worden aangevuld met literatuur en praktisch onderzoek naar bestaande apparaten voor kunstmatige intelligentie. We benadrukken de vaardigheden die nodig zijn om de effectiviteit en haalbaarheid van een model te evalueren om klinische vragen te beantwoorden, waaronder het begrijpen van de beperkingen van bestaande kunstmatige intelligentie -apparaten. We hebben bijvoorbeeld studenten gevraagd om de pediatrische richtlijnen voor hoofdletsels te interpreteren, voorgesteld door Kupperman et al., 5 die een algoritme voor de beslissingsbomen voor kunstmatige intelligentie implementeerden om te bepalen of een CT -scan nuttig zou zijn op basis van het onderzoek van een arts. We benadrukken dat dit een veel voorkomend voorbeeld is van AI die voorspellende analyses biedt voor artsen om artsen te interpreteren, in plaats van het vervangen van artsen.
In de beschikbare open source bootstrap -programmeervoorbeelden (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) laten we zien hoe verkennende gegevensanalyse, dimensionaliteitsreductie, standaardmodelbelasting en training kunnen worden . en testen. We gebruiken Google Colaboratory Notebooks (Google LLC, Mountain View, CA), waarmee Python -code kan worden uitgevoerd vanuit een webbrowser. In Fig. Figuur 2 geeft een voorbeeld van een programmeeroefening. Deze oefening omvat het voorspellen van maligniteiten met behulp van de Wisconsin Open Breast Imaging Dataset6 en een beslissingsboomalgoritme.
Presenteer programma's gedurende de week over gerelateerde onderwerpen en selecteer voorbeelden van gepubliceerde AI -applicaties. Programmeerelementen worden alleen opgenomen als ze als relevant worden beschouwd voor het geven van inzicht in toekomstige klinische praktijk, zoals hoe ze modellen kunnen evalueren om te bepalen of ze klaar zijn voor gebruik in klinische onderzoeken. Deze voorbeelden culmineren in een volwaardige end-to-end-toepassing die tumoren classificeert als goedaardig of kwaadaardig op basis van medische beeldparameters.
Heterogeniteit van voorkennis. Onze deelnemers varieerden in hun niveau van wiskundige kennis. Studenten met geavanceerde technische achtergronden zijn bijvoorbeeld op zoek naar meer diepgaand materiaal, zoals hoe ze hun eigen Fourier-transformaties kunnen uitvoeren. Het bespreken van het Fourier-algoritme in de klas is echter niet mogelijk omdat het een diepgaande kennis van signaalverwerking vereist.
Aanwezigheidsstroom. De aanwezigheid op vervolgvergaderingen daalde, vooral in online formaten. Een oplossing kan zijn om de aanwezigheid te volgen en een certificaat van voltooiing te bieden. Van medische scholen is bekend dat ze transcripties herkennen van de buitenschoolse academische activiteiten van studenten, die studenten kunnen aanmoedigen om een diploma te behalen.
Cursusontwerp: omdat AI zoveel subvelden overspant, kan het een uitdaging zijn om kernconcepten van geschikte diepte en breedte te selecteren. De continuïteit van het gebruik van AI -tools van het laboratorium naar de kliniek is bijvoorbeeld een belangrijk onderwerp. Hoewel we betrekking hebben op voorbewerking, modelopbouw en validatie, bevatten we geen onderwerpen zoals big data -analyse, interactieve visualisatie of het uitvoeren van AI -klinische proeven, in plaats daarvan richten we ons op de meest unieke AI -concepten. Ons leidende principe is om geletterdheid te verbeteren, geen vaardigheden. Inzicht in hoe een model inputfuncties verwerkt, is bijvoorbeeld belangrijk voor interpreteerbaarheid. Een manier om dit te doen is door de activeringskaarten van gradiënt te gebruiken, die kunnen visualiseren welke regio's van de gegevens voorspelbaar zijn. Dit vereist echter multivariate calculus en kan niet worden geïntroduceerd8. Het ontwikkelen van een gemeenschappelijke terminologie was een uitdaging omdat we probeerden uit te leggen hoe we met gegevens als vectoren konden werken zonder wiskundig formalisme. Merk op dat verschillende termen dezelfde betekenis hebben, bijvoorbeeld in epidemiologie, een 'kenmerk' wordt beschreven als een 'variabele' of 'attribuut'.
Kennisbehoud. Omdat de toepassing van AI beperkt is, valt de mate waarin deelnemers kennis behouden nog te bezien. Curricula van de medische school is vaak gebaseerd op een afstandelijke herhaling om kennis te versterken tijdens praktische rotaties, 9 die ook kunnen worden toegepast op AI -opleiding.
Professionaliteit is belangrijker dan geletterdheid. De diepte van het materiaal is ontworpen zonder wiskundige strengheid, wat een probleem was bij het lanceren van klinische cursussen in kunstmatige intelligentie. In de programmeervoorbeelden gebruiken we een sjabloonprogramma waarmee deelnemers velden kunnen invullen en de software kunnen uitvoeren zonder erachter te komen hoe u een complete programmeeromgeving instelt.
Bezorgdheid over aangepakt kunstmatige intelligentie: er is een wijdverbreide bezorgdheid dat kunstmatige intelligentie enkele klinische taken zou kunnen vervangen3. Om dit probleem aan te pakken, leggen we de beperkingen van AI uit, inclusief het feit dat bijna alle AI -technologieën die door toezichthouders zijn goedgekeurd, artsen toezicht11 vereisen11. We benadrukken ook het belang van bias omdat algoritmen vatbaar zijn voor bias, vooral als de gegevensset niet divers is12. Bijgevolg kan een bepaalde subgroep onjuist worden gemodelleerd, wat leidt tot oneerlijke klinische beslissingen.
Bronnen zijn openbaar beschikbaar: we hebben openbaar beschikbare bronnen gecreëerd, waaronder lezingen en code. Hoewel de toegang tot synchrone inhoud beperkt is vanwege tijdzones, is open source -inhoud een handige methode voor asynchroon leren, omdat AI -expertise niet beschikbaar is op alle medische scholen.
Interdisciplinaire samenwerking: deze workshop is een joint venture die door medische studenten is geïnitieerd om cursussen samen met ingenieurs te plannen. Dit toont samenwerkingsmogelijkheden en kennislacunes op beide gebieden, waardoor deelnemers de mogelijke rol kunnen begrijpen die ze in de toekomst kunnen bijdragen.
Definieer AI -kerncompetenties. Het definiëren van een lijst met competenties biedt een gestandaardiseerde structuur die kan worden geïntegreerd in bestaande competentiegebaseerde medische curricula. Deze workshop maakt momenteel gebruik van leerdoelniveaus 2 (begrip), 3 (applicatie) en 4 (analyse) van de taxonomie van Bloom. Het hebben van middelen op hogere classificatieniveaus, zoals het creëren van projecten, kan de kennis verder versterken. Dit vereist het werken met klinische experts om te bepalen hoe AI -onderwerpen kunnen worden toegepast op klinische workflows en het voorkomen van het onderwijs van repetitieve onderwerpen die al in standaard medische curricula zijn opgenomen.
Maak casestudy's met behulp van AI. Net als bij klinische voorbeelden kan case-based leren abstracte concepten versterken door hun relevantie voor klinische vragen te benadrukken. Eén workshopstudie analyseerde bijvoorbeeld Google's AI-gebaseerde diabetische retinopathie-detectiesysteem 13 om uitdagingen langs het pad van lab naar kliniek te identificeren, zoals externe validatievereisten en goedkeuringsroutes voor regelgeving.
Gebruik ervaringsgericht leren: technische vaardigheden vereisen gerichte praktijk en herhaalde toepassing om te beheersen, vergelijkbaar met de roterende leerervaringen van klinische stagiairs. Een potentiële oplossing is het omgedraaide klaslokaalmodel, waarvan is gemeld dat het de kennisbehoud in engineeringonderwijs verbetert14. In dit model beoordelen studenten onafhankelijk theoretisch materiaal en is de klassentijd gewijd aan het oplossen van problemen door middel van case studies.
Schalen voor multidisciplinaire deelnemers: we stellen de AI -acceptatie voor met samenwerking tussen meerdere disciplines, waaronder artsen en geallieerde gezondheidswerkers met verschillende trainingsniveaus. Daarom moet curricula mogelijk worden ontwikkeld in overleg met de faculteit van verschillende afdelingen om hun inhoud aan te passen aan verschillende gebieden van de gezondheidszorg.
Kunstmatige intelligentie is hightech en de kernconcepten zijn gerelateerd aan wiskunde en informatica. Healthcare -personeel trainen om kunstmatige intelligentie te begrijpen, biedt unieke uitdagingen in inhoudselectie, klinische relevantie en leveringsmethoden. We hopen dat de inzichten die zijn verkregen van de AI in onderwijsworkshops zullen helpen toekomstige opvoeders innovatieve manieren te omarmen om AI te integreren in medisch onderwijs.
Het Google Colaboratory Python -script is open source en beschikbaar op: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG en Khan, S. Heroverweging van medisch onderwijs: een oproep tot actie. Akkad. geneesmiddel. 88, 1407–1410 (2013).
McCoy, LG enz. Wat moeten medische studenten echt weten over kunstmatige intelligentie? NPZH -nummers. Geneeskunde 3, 1–3 (2020).
Dos Santos, DP, et al. De houding van medische studenten ten opzichte van kunstmatige intelligentie: een multicenter -enquête. EURO. Straling. 29, 1640–1646 (2019).
Fan, KY, Hu, R. en Singla, R. Inleiding tot machine learning voor medische studenten: een pilootproject. J. Med. onderwijzen. 54, 1042-1043 (2020).
Coopman N, et al. Kinderen identificeren met een zeer laag risico op klinisch significant hersenletsel na hoofdletsel: een prospectieve cohortstudie. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH en Mangasarian, ol. Nucleair kenmerkextractie voor borsttumordiagnose. Biomedische wetenschap. Beeldverwerking. Biomedische wetenschap. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. en Peng, L. Hoe machine learning modellen te ontwikkelen voor gezondheidszorg. Nat. Mat. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-CAM: visuele interpretatie van diepe netwerken via op gradiënt gebaseerde lokalisatie. Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K en ILIC D. Ontwikkeling en evaluatie van een spiraalvormig model voor het beoordelen van evidence-based medicijncompetenties die OSCE gebruiken in niet-gegradueerde medisch onderwijs. BMK Medicine. onderwijzen. 21, 1–9 (2021).
Kolachalama VB en Garg PS PS Machine Learning and Medical Education. NPZH -nummers. geneesmiddel. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. en de Rooy, M. Kunstmatige intelligentie in radiologie: 100 commerciële producten en hun wetenschappelijk bewijs. EURO. Straling. 31, 3797–3804 (2021).
Topol, EJ High-Performance Medicine: The Convergence of Human and Artificial Intelligence. Nat. geneesmiddel. 25, 44–56 (2019).
Bede, E. et al. Hensgerichte evaluatie van een diep leersysteem dat in de kliniek is ingezet voor de detectie van diabetische retinopathie. Proceedings van de 2020 CHI -conferentie over menselijke factoren in computersystemen (2020).
Kerr, B. The Fliped Classroom in Engineering Education: A Research Review. Proceedings of the 2015 International Conference on Interactive Collaborative Learning (2015).
De auteurs bedanken Danielle Walker, Tim Salcudin en Peter Zandstra van de Biomedical Imaging and Artificial Intelligence Research Cluster aan de Universiteit van British Columbia voor ondersteuning en financiering.
RH, PP, ZH, RS en MA waren verantwoordelijk voor het ontwikkelen van de inhoud van de workshop die onderwijst is. RH en PP waren verantwoordelijk voor het ontwikkelen van de programmeervoorbeelden. KYF, OY, MT en PW waren verantwoordelijk voor de logistieke organisatie van het project en de analyse van de workshops. RH, OY, MT, RS waren verantwoordelijk voor het maken van de cijfers en tabellen. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS waren verantwoordelijk voor het opstellen en bewerken van het document.
Communicatiemedicijn Bedankt Carolyn McGregor, Fabio Moraes en Aditya Borakati voor hun bijdragen aan de beoordeling van dit werk.
Posttijd: 19 februari-2024