Bedankt voor uw bezoek aan Nature.com. De browserversie die u gebruikt, biedt beperkte CSS-ondersteuning. Voor het beste resultaat raden we aan een nieuwere versie van uw browser te gebruiken (of de compatibiliteitsmodus in Internet Explorer uit te schakelen). Om de ondersteuning te blijven garanderen, tonen we de site in de tussentijd zonder opmaak of JavaScript.
De toepassingen van klinische kunstmatige intelligentie (AI) nemen snel toe, maar de bestaande curricula van medische opleidingen besteden slechts beperkt aandacht aan dit onderwerp. In dit artikel beschrijven we een door ons ontwikkelde en aan Canadese medische studenten gegeven training in kunstmatige intelligentie en doen we aanbevelingen voor toekomstige trainingen.
Kunstmatige intelligentie (AI) in de geneeskunde kan de efficiëntie op de werkplek verbeteren en de klinische besluitvorming ondersteunen. Om het gebruik van AI op een veilige manier te begeleiden, moeten artsen enige kennis van AI hebben. Veel commentaren pleiten voor het onderwijzen van AI-concepten¹, zoals het uitleggen van AI-modellen en verificatieprocessen². Er zijn echter weinig gestructureerde plannen geïmplementeerd, vooral niet op nationaal niveau. Pinto dos Santos et al.³ ondervroegen 263 geneeskundestudenten en 71% gaf aan dat ze training in kunstmatige intelligentie nodig hadden. Het onderwijzen van kunstmatige intelligentie aan een medisch publiek vereist een zorgvuldige opzet die technische en niet-technische concepten combineert voor studenten die vaak al over uitgebreide voorkennis beschikken. We beschrijven onze ervaring met het geven van een reeks AI-workshops aan drie groepen geneeskundestudenten en doen aanbevelingen voor toekomstig medisch onderwijs in AI.
Onze vijfweekse workshop 'Inleiding tot kunstmatige intelligentie in de geneeskunde' voor geneeskundestudenten werd tussen februari 2019 en april 2021 drie keer gehouden. Een schema van elke workshop, met een korte beschrijving van de wijzigingen in de cursus, is te zien in Figuur 1. Onze cursus heeft drie hoofddoelen: studenten begrijpen hoe data wordt verwerkt in toepassingen van kunstmatige intelligentie, analyseren de literatuur over kunstmatige intelligentie voor klinische toepassingen en benutten de mogelijkheden om samen te werken met ingenieurs die kunstmatige intelligentie ontwikkelen.
Blauw geeft het onderwerp van de lezing aan en lichtblauw de interactieve vraag- en antwoordsessie. Het grijze gedeelte is gewijd aan een kort literatuuroverzicht. De oranje gedeeltes bevatten geselecteerde casestudies die modellen of technieken voor kunstmatige intelligentie beschrijven. Groen is een begeleide programmeercursus die is ontworpen om kunstmatige intelligentie te leren gebruiken voor het oplossen van klinische problemen en het evalueren van modellen. De inhoud en duur van de workshops variëren op basis van een inschatting van de behoeften van de studenten.
De eerste workshop vond plaats 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 virtueel gehouden in oktober-november 2020, met 222 geneeskundestudenten en 3 artsen in opleiding van 8 Canadese medische faculteiten. Presentatieslides en code zijn geüpload naar een open access-site (http://ubcaimed.github.io). De belangrijkste feedback van de eerste editie was dat de colleges te intensief waren en het materiaal te theoretisch. Het bedienen van de zes verschillende tijdzones in Canada brengt extra uitdagingen met zich mee. Daarom werden in de tweede workshop de sessies ingekort tot 1 uur, werd het cursusmateriaal vereenvoudigd, werden er meer casestudies toegevoegd en werden er standaardprogramma's ontwikkeld waarmee deelnemers codefragmenten konden voltooien met minimale foutopsporing (Box 1). Belangrijke feedback van de tweede editie omvatte positieve feedback op de programmeeroefeningen en een verzoek om een planning voor een machine learning-project te demonstreren. Daarom hebben we in onze derde workshop, die in maart-april 2021 virtueel plaatsvond voor 126 geneeskundestudenten, meer interactieve codeeroefeningen en feedbacksessies op projecten opgenomen om de impact van het toepassen van workshopconcepten op projecten aan te tonen.
Data-analyse: Een vakgebied binnen de statistiek dat betekenisvolle patronen in data identificeert door middel van analyse, verwerking en communicatie van deze patronen.
Datamining: het proces van het identificeren en extraheren van gegevens. In de context van kunstmatige intelligentie gaat het vaak om grote hoeveelheden gegevens, met meerdere variabelen per steekproef.
Dimensionaliteitsreductie: Het proces waarbij data met veel afzonderlijke kenmerken wordt omgezet in minder kenmerken, met behoud van de belangrijke eigenschappen van de oorspronkelijke dataset.
Kenmerken (in de context van kunstmatige intelligentie): meetbare eigenschappen van een steekproef. Wordt vaak door elkaar gebruikt met 'eigenschap' of 'variabele'.
Gradient Activation Map: Een techniek die wordt gebruikt om modellen van kunstmatige intelligentie (met name convolutionele neurale netwerken) te interpreteren. Deze techniek analyseert het proces van het optimaliseren van het laatste deel van het netwerk om gebieden in data of afbeeldingen te identificeren die een hoge voorspellende waarde hebben.
Standaardmodel: Een bestaand AI-model dat vooraf is getraind 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 is tegengekomen.
Training (in de context van kunstmatige intelligentie): Het voorzien van een model van data en resultaten, zodat het model zijn interne parameters aanpast om zijn vermogen om taken uit te voeren met behulp van nieuwe data te optimaliseren.
Vector: een array van gegevens. In machine learning is elk element van een array meestal een uniek kenmerk van het voorbeeld.
Tabel 1 geeft een overzicht van de meest recente cursussen voor april 2021, inclusief de beoogde leerdoelen voor elk onderwerp. Deze workshop is bedoeld voor mensen die nog niet bekend zijn met het technische niveau en vereist geen wiskundige kennis die verder gaat dan het eerste jaar van een bacheloropleiding geneeskunde. De cursus is ontwikkeld door 6 geneeskundestudenten en 3 docenten met een masterdiploma in de ingenieurswetenschappen. Ingenieurs ontwikkelen theorieën over kunstmatige intelligentie om te onderwijzen, en geneeskundestudenten leren klinisch relevante stof.
De workshops omvatten lezingen, casestudies en begeleid programmeren. In de eerste lezing bespreken we een aantal geselecteerde concepten van data-analyse in de biostatistiek, waaronder datavisualisatie, logistische regressie en de vergelijking van beschrijvende en inductieve statistiek. Hoewel data-analyse de basis vormt van kunstmatige intelligentie, sluiten we onderwerpen zoals datamining, significantietoetsing en interactieve visualisatie uit. Dit was vanwege tijdgebrek en omdat sommige bachelorstudenten al een opleiding in biostatistiek hadden gevolgd en zich liever wilden verdiepen in meer specifieke machine learning-onderwerpen. De daaropvolgende lezing introduceert moderne methoden en bespreekt de formulering van AI-problemen, de voordelen en beperkingen van AI-modellen en het testen van modellen. De lezingen worden aangevuld met literatuuronderzoek en praktijkvoorbeelden van bestaande kunstmatige intelligentie-apparaten. We benadrukken de vaardigheden die nodig zijn om de effectiviteit en haalbaarheid van een model te evalueren voor het beantwoorden van klinische vragen, inclusief inzicht in de beperkingen van bestaande kunstmatige intelligentie-apparaten. Zo vroegen we studenten bijvoorbeeld om de richtlijnen voor hoofdletsel bij kinderen van Kupperman et al.⁵ te interpreteren, waarin een beslissingsboomalgoritme met kunstmatige intelligentie werd geïmplementeerd om te bepalen of een CT-scan nuttig zou zijn op basis van het lichamelijk onderzoek door een arts. We benadrukken dat dit een veelvoorkomend voorbeeld is van AI die voorspellende analyses levert die artsen kunnen interpreteren, en niet dat AI artsen vervangt.
In de beschikbare open-source bootstrap-programmeervoorbeelden (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) laten we zien hoe je verkennende data-analyse, dimensionaliteitsreductie, standaard modelladen en training en testen uitvoert. We gebruiken Google Colaboratory notebooks (Google LLC, Mountain View, CA), waarmee Python-code vanuit een webbrowser kan worden uitgevoerd. 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.
Gedurende de week worden programma's gepresenteerd over verwante onderwerpen en worden voorbeelden uit gepubliceerde AI-toepassingen getoond. Programmeerelementen worden alleen opgenomen als ze relevant worden geacht voor het verkrijgen van inzicht in de toekomstige klinische praktijk, bijvoorbeeld hoe modellen geëvalueerd kunnen worden om te bepalen of ze geschikt zijn voor gebruik in klinische studies. Deze voorbeelden culmineren in een volwaardige end-to-end-toepassing die tumoren classificeert als goedaardig of kwaadaardig op basis van parameters uit medische beelden.
Heterogeniteit van voorkennis. Onze deelnemers verschilden in hun niveau van wiskundige kennis. Studenten met een geavanceerde technische achtergrond zijn bijvoorbeeld op zoek naar meer diepgaande informatie, zoals hoe ze zelf Fourier-transformaties kunnen uitvoeren. Het bespreken van het Fourier-algoritme in de les is echter niet mogelijk, omdat dit diepgaande kennis van signaalverwerking vereist.
Afname van deelnemers. De opkomst bij vervolgvergaderingen is gedaald, met name bij online bijeenkomsten. Een mogelijke oplossing is het registreren van de aanwezigheid en het verstrekken van een certificaat van deelname. Het is bekend dat medische faculteiten de transcripten van buitenschoolse academische activiteiten van studenten erkennen, wat studenten kan aanmoedigen om een opleiding te volgen.
Cursusopzet: Omdat AI zoveel subgebieden omvat, kan het een uitdaging zijn om kernconcepten met de juiste 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 data-preprocessing, modelbouw en validatie behandelen, nemen we onderwerpen zoals big data-analyse, interactieve visualisatie of het uitvoeren van klinische AI-onderzoeken niet op. In plaats daarvan richten we ons op de meest unieke AI-concepten. Ons leidende principe is het verbeteren van de kennis, niet de vaardigheden. Het begrijpen hoe een model inputkenmerken verwerkt, is bijvoorbeeld belangrijk voor de interpreteerbaarheid. Een manier om dit te doen is door middel van gradient activatiekaarten, die visualiseren welke delen van de data 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 je met data als vectoren kunt werken zonder wiskundige formalismen. Merk op dat verschillende termen dezelfde betekenis hebben; in de epidemiologie wordt een 'kenmerk' bijvoorbeeld beschreven als een 'variabele' of 'attribuut'.
Kennisbehoud. Omdat de toepassing van AI beperkt is, moet nog blijken in hoeverre deelnemers de kennis behouden. Medische opleidingen maken vaak gebruik van gespreide herhaling om kennis te versterken tijdens stages,9 wat ook kan worden toegepast op AI-onderwijs.
Professionaliteit is belangrijker dan taalvaardigheid. De diepgang van het materiaal is ontworpen zonder wiskundige nauwkeurigheid, wat een probleem was bij de lancering van klinische cursussen in kunstmatige intelligentie. In de programmeervoorbeelden gebruiken we een sjabloonprogramma waarmee deelnemers velden kunnen invullen en de software kunnen uitvoeren zonder dat ze een complete programmeeromgeving hoeven op te zetten.
Bezwaren tegen kunstmatige intelligentie worden aangepakt: Er bestaat wijdverspreide bezorgdheid dat kunstmatige intelligentie bepaalde klinische taken zou kunnen vervangen³. Om dit probleem aan te pakken, leggen we de beperkingen van AI uit, waaronder het feit dat bijna alle door regelgevende instanties goedgekeurde AI-technologieën toezicht van een arts vereisen¹¹. We benadrukken ook het belang van bias, omdat algoritmen gevoelig zijn voor bias, vooral als de dataset niet divers is¹². Daardoor kan een bepaalde subgroep onjuist worden gemodelleerd, wat kan leiden tot oneerlijke klinische beslissingen.
Bronnen zijn openbaar beschikbaar: We hebben openbaar beschikbare bronnen gecreëerd, waaronder collegepresentaties en code. Hoewel de toegang tot synchrone content beperkt is vanwege tijdzones, is open source-content een handige methode voor asynchroon leren, aangezien AI-expertise niet op alle medische faculteiten beschikbaar is.
Interdisciplinaire samenwerking: Deze workshop is een gezamenlijk initiatief van geneeskundestudenten om samen met ingenieurs cursussen te ontwikkelen. Het laat samenwerkingsmogelijkheden en kennislacunes in beide vakgebieden zien, waardoor deelnemers inzicht krijgen in hun potentiële rol in de toekomst.
Definieer de kerncompetenties voor AI. 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 (Toepassing) en 4 (Analyse) van de taxonomie van Bloom. Het gebruik van bronnen op hogere classificatieniveaus, zoals het opzetten van projecten, kan de kennis verder versterken. Dit vereist samenwerking met klinische experts om te bepalen hoe AI-onderwerpen kunnen worden toegepast in klinische werkprocessen en om te voorkomen dat onderwerpen die al in standaard medische curricula zijn opgenomen, herhaaldelijk worden behandeld.
Maak casestudies met behulp van AI. Net als bij klinische voorbeelden kan casusgebaseerd leren abstracte concepten versterken door hun relevantie voor klinische vraagstukken te benadrukken. Zo analyseerde een workshopstudie bijvoorbeeld het AI-gebaseerde detectiesysteem voor diabetische retinopathie van Google¹³ om uitdagingen op de weg van laboratorium naar kliniek te identificeren, zoals externe validatievereisten en goedkeuringsprocedures van regelgevende instanties.
Maak gebruik van ervaringsgericht leren: Technische vaardigheden vereisen gerichte oefening en herhaalde toepassing om ze te beheersen, vergelijkbaar met de roterende leerervaringen van klinische stagiairs. Een mogelijke oplossing is het flipped classroom-model, waarvan is aangetoond dat het de kennisretentie in het technisch onderwijs verbetert14. In dit model bestuderen studenten de theoretische stof zelfstandig en wordt de lestijd besteed aan het oplossen van problemen aan de hand van casestudies.
Opschaling voor multidisciplinaire deelnemers: We voorzien dat de adoptie van AI samenwerking tussen verschillende disciplines vereist, waaronder artsen en paramedici met uiteenlopende opleidingsniveaus. Daarom zullen curricula mogelijk in overleg met docenten van verschillende afdelingen ontwikkeld moeten worden om de inhoud af te stemmen op verschillende gebieden binnen de gezondheidszorg.
Kunstmatige intelligentie is een hightech vakgebied waarvan de kernconcepten verwant zijn aan wiskunde en informatica. Het trainen van zorgpersoneel in kunstmatige intelligentie brengt unieke uitdagingen met zich mee op het gebied van inhoudsselectie, klinische relevantie en lesmethoden. We hopen dat de inzichten die zijn opgedaan tijdens de workshops 'AI in het onderwijs' toekomstige docenten zullen helpen om innovatieve manieren te omarmen om AI in het medisch onderwijs te integreren.
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. medicine. 88, 1407–1410 (2013).
McCoy, LG enz. Wat moeten geneeskundestudenten nu echt weten over kunstmatige intelligentie? NPZh-nummers. Geneeskunde 3, 1–3 (2020).
Dos Santos, DP, et al. Houding van medische studenten ten opzichte van kunstmatige intelligentie: een multicenteronderzoek. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., en Singla, R. Inleiding tot machinaal leren voor medische studenten: een pilotproject. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Kinderen identificeren met een zeer laag risico op klinisch significant hersenletsel na een hoofdletsel: een prospectieve cohortstudie. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH en Mangasarian, OL. Extractie van nucleaire kenmerken voor de diagnose van borsttumoren. Biomedische wetenschappen. Beeldverwerking. Biomedische wetenschappen. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. en Peng, L. Hoe machine learning-modellen voor de gezondheidszorg te ontwikkelen. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Visuele interpretatie van diepe netwerken via op gradiënten gebaseerde lokalisatie. Proceedings van de IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K en Ilic D. Ontwikkeling en evaluatie van een spiraalmodel voor het beoordelen van competenties in evidence-based medicine met behulp van OSCE in de bacheloropleiding geneeskunde. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB en Garg PS. Machine learning en medisch onderwijs. NPZh-nummers. Geneeskunde. 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. Hoogwaardige geneeskunde: de convergentie van menselijke en kunstmatige intelligentie. Nat. medicine. 25, 44–56 (2019).
Bede, E. et al. Mensgerichte evaluatie van een deep learning-systeem dat in de kliniek wordt ingezet voor de detectie van diabetische retinopathie. Proceedings van de CHI-conferentie over menselijke factoren in computersystemen (2020).
Kerr, B. Het omgekeerde klaslokaal in het technisch onderwijs: een literatuuroverzicht. Proceedings van de International Conference on Interactive Collaborative Learning 2015 (2015).
De auteurs bedanken Danielle Walker, Tim Salcudin en Peter Zandstra van de Biomedical Imaging and Artificial Intelligence Research Cluster aan de Universiteit van Brits-Columbia voor hun steun en financiering.
RH, PP, ZH, RS en MA waren verantwoordelijk voor het ontwikkelen van de lesinhoud van de workshop. 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 en RS waren verantwoordelijk voor het maken van de figuren en tabellen. RH, KYF, PP, ZH, OY, MY, PW, TL, MA en RS waren verantwoordelijk voor het opstellen en redigeren van het document.
Communication Medicine bedankt Carolyn McGregor, Fabio Moraes en Aditya Borakati voor hun bijdragen aan de beoordeling van dit werk.
Geplaatst op: 19 februari 2024