Tak for dit besøg på Nature.com. Den browserversion, du bruger, har begrænset CSS-understøttelse. For at opnå de bedste resultater anbefaler vi, at du bruger en nyere version af din browser (eller at du slår kompatibilitetstilstand fra i Internet Explorer). I mellemtiden viser vi webstedet uden styling eller JavaScript for at sikre løbende support.
Anvendelser af klinisk kunstig intelligens (AI) vokser hurtigt, men eksisterende læseplaner for lægestudier tilbyder begrænset undervisning på dette område. Her beskriver vi et kursus i kunstig intelligens, som vi har udviklet og afholdt for canadiske medicinstuderende, og kommer med anbefalinger til fremtidig træning.
Kunstig intelligens (AI) inden for medicin kan forbedre effektiviteten på arbejdspladsen og hjælpe med klinisk beslutningstagning. For at kunne vejlede brugen af kunstig intelligens på en sikker måde skal læger have en vis forståelse af kunstig intelligens. Mange kommentarer anbefaler undervisning i AI-begreber1, såsom at forklare AI-modeller og verifikationsprocesser2. Der er dog implementeret få strukturerede planer, især på nationalt niveau. Pinto dos Santos et al.3. 263 medicinstuderende blev adspurgt, og 71 % var enige om, at de havde brug for træning i kunstig intelligens. Undervisning i kunstig intelligens til et medicinsk publikum kræver omhyggeligt design, der kombinerer tekniske og ikke-tekniske koncepter for studerende, der ofte har omfattende forudgående viden. Vi beskriver vores erfaring med at levere en række AI-workshops til tre grupper af medicinstuderende og kommer med anbefalinger til fremtidig medicinsk uddannelse i AI.
Vores fem ugers workshop om introduktion til kunstig intelligens i medicin for medicinstuderende blev afholdt tre gange mellem februar 2019 og april 2021. En tidsplan for hver workshop med en kort beskrivelse af ændringer i kurset vises i figur 1. Vores kursus har tre primære læringsmål: studerende forstår, hvordan data behandles i applikationer med kunstig intelligens, analyserer litteraturen om kunstig intelligens til kliniske anvendelser og udnytter mulighederne for at samarbejde med ingeniører, der udvikler kunstig intelligens.
Blå er emnet for forelæsningen, og lyseblå er den interaktive spørgerunde. Den grå sektion er fokus for den korte litteraturgennemgang. De orange sektioner er udvalgte casestudier, der beskriver modeller eller teknikker i kunstig intelligens. Grøn er et guidet programmeringskursus designet til at undervise i kunstig intelligens til at løse kliniske problemer og evaluere modeller. Indholdet og varigheden af workshoppene varierer baseret på en vurdering af de studerendes behov.
Den første workshop blev afholdt på University of British Columbia fra februar til april 2019, og alle 8 deltagere gav positiv feedback4. På grund af COVID-19 blev den anden workshop afholdt virtuelt i oktober-november 2020, med 222 medicinstuderende og 3 residenter fra 8 canadiske medicinske fakulteter tilmeldt. Præsentationsslides og kode er blevet uploadet til et open access-websted (http://ubcaimed.github.io). Den vigtigste feedback fra den første iteration var, at forelæsningerne var for intense, og materialet for teoretisk. At betjene Canadas seks forskellige tidszoner udgør yderligere udfordringer. Derfor forkortede den anden workshop hver session til 1 time, forenklede kursusmaterialet, tilføjede flere casestudier og skabte standardprogrammer, der gjorde det muligt for deltagerne at færdiggøre kodestykker med minimal fejlfinding (boks 1). Den vigtigste feedback fra den anden iteration omfattede positiv feedback på programmeringsøvelserne og en anmodning om at demonstrere planlægning af et maskinlæringsprojekt. Derfor inkluderede vi i vores tredje workshop, som blev afholdt virtuelt for 126 medicinstuderende i marts-april 2021, flere interaktive kodningsøvelser og feedback-sessioner om projekter for at demonstrere effekten af at bruge workshopkoncepter på projekter.
Dataanalyse: Et studiefelt inden for statistik, der identificerer meningsfulde mønstre i data ved at analysere, bearbejde og kommunikere datamønstre.
Data mining: processen med at identificere og udtrække data. I forbindelse med kunstig intelligens er dette ofte stort, med flere variabler for hver stikprøve.
Dimensionalitetsreduktion: Processen med at transformere data med mange individuelle funktioner til færre funktioner, samtidig med at de vigtige egenskaber fra det oprindelige datasæt bevares.
Karakteristika (i forbindelse med kunstig intelligens): målbare egenskaber ved en stikprøve. Bruges ofte i flæng med "egenskab" eller "variabel".
Gradient Activation Map: En teknik, der bruges til at fortolke kunstig intelligens-modeller (især konvolutionelle neurale netværk), som analyserer processen med at optimere den sidste del af netværket for at identificere data- eller billedområder, der er meget prædiktive.
Standardmodel: En eksisterende AI-model, der er blevet foruddannet til at udføre lignende opgaver.
Testning (i forbindelse med kunstig intelligens): observation af, hvordan en model udfører en opgave ved hjælp af data, den ikke er stødt på før.
Træning (i forbindelse med kunstig intelligens): At forsyne en model med data og resultater, så modellen justerer sine interne parametre for at optimere sin evne til at udføre opgaver ved hjælp af nye data.
Vektor: datamatrix. I maskinlæring er hvert arrayelement normalt en unik egenskab ved stikprøven.
Tabel 1 viser de seneste kurser for april 2021, inklusive målrettede læringsmål for hvert emne. Denne workshop er beregnet til dem, der er nye på det tekniske niveau, og kræver ingen matematisk viden ud over det første år af en bacheloruddannelse i medicin. Kurset blev udviklet af 6 medicinstuderende og 3 lærere med videregående uddannelser inden for ingeniørvidenskab. Ingeniører udvikler teori om kunstig intelligens til undervisning, og medicinstuderende lærer klinisk relevant materiale.
Workshops omfatter forelæsninger, casestudier og guidet programmering. I den første forelæsning gennemgår vi udvalgte koncepter inden for dataanalyse i biostatistik, herunder datavisualisering, logistisk regression og sammenligning af beskrivende og induktiv statistik. Selvom dataanalyse er fundamentet for kunstig intelligens, udelukker vi emner som data mining, signifikanstestning eller interaktiv visualisering. Dette skyldtes tidsbegrænsninger, og også fordi nogle bachelorstuderende havde forudgående uddannelse i biostatistik og ønskede at dække mere unikke maskinlæringsemner. Den efterfølgende forelæsning introducerer moderne metoder og diskuterer AI-problemformulering, fordele og begrænsninger ved AI-modeller samt modeltestning. Forelæsningerne suppleres af litteratur og praktisk forskning om eksisterende kunstig intelligens-enheder. Vi lægger vægt på de færdigheder, der kræves for at evaluere effektiviteten og gennemførligheden af en model til at adressere kliniske spørgsmål, herunder forståelse af begrænsningerne ved eksisterende kunstig intelligens-enheder. For eksempel bad vi de studerende om at fortolke de pædiatriske retningslinjer for hovedskader foreslået af Kupperman et al.,5 som implementerede en kunstig intelligens-beslutningstræalgoritme for at bestemme, om en CT-scanning ville være nyttig baseret på en læges undersøgelse. Vi understreger, at dette er et almindeligt eksempel på, at AI leverer prædiktiv analyse, som læger kan fortolke, snarere end at erstatte læger.
I de tilgængelige open source bootstrap-programmeringseksempler (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) demonstrerer vi, hvordan man udfører eksplorativ dataanalyse, dimensionalitetsreduktion, indlæsning af standardmodeller samt træning og testning. Vi bruger Google Colaboratory notebooks (Google LLC, Mountain View, CA), som tillader udførelse af Python-kode fra en webbrowser. Figur 2 viser et eksempel på en programmeringsøvelse. Denne øvelse involverer forudsigelse af maligniteter ved hjælp af Wisconsin Open Breast Imaging Dataset6 og en beslutningstræalgoritme.
Præsenter programmer i løbet af ugen om relaterede emner og vælg eksempler fra publicerede AI-applikationer. Programmeringselementer inkluderes kun, hvis de anses for relevante for at give indsigt i fremtidig klinisk praksis, såsom hvordan man evaluerer modeller for at afgøre, om de er klar til brug i kliniske forsøg. Disse eksempler kulminerer i en fuldgyldig end-to-end-applikation, der klassificerer tumorer som godartede eller ondartede baseret på medicinske billedparametre.
Heterogenitet i forudgående viden. Vores deltageres niveau af matematisk viden varierede. For eksempel søger studerende med en avanceret ingeniørbaggrund mere dybdegående materiale, såsom hvordan man udfører deres egne Fourier-transformationer. Det er dog ikke muligt at diskutere Fourier-algoritmen i klassen, da det kræver dybdegående viden om signalbehandling.
Udgående fremmøde. Fremmødet ved opfølgningsmøder faldt, især i onlineformater. En løsning kan være at spore fremmødet og udstede et eksamensbevis. Medicinske fakulteter er kendt for at anerkende udskrifter af studerendes fritidsaktiviteter, hvilket kan tilskynde studerende til at forfølge en uddannelse.
Kursusdesign: Fordi AI spænder over så mange underfelter, kan det være udfordrende at vælge kernekoncepter med passende dybde og bredde. For eksempel er kontinuiteten i brugen af AI-værktøjer fra laboratoriet til klinikken et vigtigt emne. Selvom vi dækker dataforbehandling, modelbygning og validering, inkluderer vi ikke emner som big data-analyse, interaktiv visualisering eller udførelse af kliniske AI-forsøg. I stedet fokuserer vi på de mest unikke AI-koncepter. Vores ledende princip er at forbedre læsefærdigheder, ikke færdigheder. For eksempel er det vigtigt for fortolkningen at forstå, hvordan en model behandler inputfunktioner. En måde at gøre dette på er at bruge gradientaktiveringskort, som kan visualisere, hvilke områder af dataene der er forudsigelige. Dette kræver dog multivariat kalkulus og kan ikke introduceres8. Det var udfordrende at udvikle en fælles terminologi, fordi vi forsøgte at forklare, hvordan man arbejder med data som vektorer uden matematisk formalisme. Bemærk, at forskellige udtryk har samme betydning. For eksempel beskrives en "karakteristik" i epidemiologi som en "variabel" eller "attribut".
Videnbevaring. Da anvendelsen af AI er begrænset, er det endnu uvist, i hvilket omfang deltagerne bevarer viden. Lægeuddannelsernes læseplaner er ofte afhængige af gentagelser med mellemrum for at styrke viden under praktiske rotationer,9 hvilket også kan anvendes på AI-uddannelse.
Professionalisme er vigtigere end læsefærdigheder. Materialets dybde er designet uden matematisk stringens, hvilket var et problem ved lanceringen af kliniske kurser i kunstig intelligens. I programmeringseksemplerne bruger vi et skabelonprogram, der giver deltagerne mulighed for at udfylde felter og køre softwaren uden at skulle finde ud af, hvordan man konfigurerer et komplet programmeringsmiljø.
Bekymringer om kunstig intelligens behandlet: Der er udbredt bekymring for, at kunstig intelligens kan erstatte nogle kliniske opgaver3. For at adressere dette problem forklarer vi begrænsningerne ved AI, herunder det faktum, at næsten alle AI-teknologier, der er godkendt af tilsynsmyndigheder, kræver lægeligt tilsyn11. Vi understreger også vigtigheden af bias, fordi algoritmer er tilbøjelige til bias, især hvis datasættet ikke er forskelligartet12. Følgelig kan en bestemt undergruppe modelleres forkert, hvilket fører til urimelige kliniske beslutninger.
Ressourcer er offentligt tilgængelige: Vi har oprettet offentligt tilgængelige ressourcer, herunder forelæsningsslides og kode. Selvom adgangen til synkront indhold er begrænset på grund af tidszoner, er open source-indhold en bekvem metode til asynkron læring, da AI-ekspertise ikke er tilgængelig på alle medicinske fakulteter.
Tværfagligt samarbejde: Denne workshop er et fælles projekt, der er initieret af medicinstuderende for at planlægge kurser sammen med ingeniører. Dette demonstrerer samarbejdsmuligheder og videnshuller på begge områder, hvilket giver deltagerne en forståelse af den potentielle rolle, de kan bidrage med i fremtiden.
Definer AI-kernekompetencer. Definition af en liste over kompetencer giver en standardiseret struktur, der kan integreres i eksisterende kompetencebaserede medicinske læseplaner. Denne workshop bruger i øjeblikket læringsmålsniveau 2 (forståelse), 3 (anvendelse) og 4 (analyse) af Blooms taksonomi. Ressourcer på højere klassifikationsniveauer, såsom oprettelse af projekter, kan yderligere styrke viden. Dette kræver samarbejde med kliniske eksperter for at bestemme, hvordan AI-emner kan anvendes i kliniske arbejdsgange og forhindre undervisning i gentagne emner, der allerede er inkluderet i standard medicinske læseplaner.
Skab casestudier ved hjælp af AI. I lighed med kliniske eksempler kan casebaseret læring forstærke abstrakte koncepter ved at fremhæve deres relevans for kliniske spørgsmål. For eksempel analyserede et workshopstudie Googles AI-baserede system til detektion af diabetisk retinopati 13 for at identificere udfordringer undervejs fra laboratorium til klinik, såsom eksterne valideringskrav og veje til godkendelse af myndigheder.
Brug erfaringsbaseret læring: Tekniske færdigheder kræver fokuseret øvelse og gentagen anvendelse for at mestre, svarende til de roterende læringsoplevelser, som kliniske praktikanter har. En potentiel løsning er den omvendte klasseværelsesmodel, som har vist sig at forbedre videnfastholdelsen i ingeniøruddannelsen14. I denne model gennemgår de studerende teoretisk materiale uafhængigt, og klassetiden er afsat til at løse problemer gennem casestudier.
Skalering for tværfaglige deltagere: Vi forestiller os, at implementeringen af AI involverer samarbejde på tværs af flere discipliner, herunder læger og andre sundhedsprofessionelle med varierende uddannelsesniveauer. Derfor kan det være nødvendigt at udvikle læseplaner i samråd med fakultetet fra forskellige afdelinger for at skræddersy deres indhold til forskellige områder af sundhedsvæsenet.
Kunstig intelligens er højteknologisk, og dens kernekoncepter er relateret til matematik og datalogi. Uddannelse af sundhedspersonale i at forstå kunstig intelligens præsenterer unikke udfordringer i forbindelse med valg af indhold, klinisk relevans og formidlingsmetoder. Vi håber, at indsigten fra AI in Education-workshoppen vil hjælpe fremtidige undervisere med at omfavne innovative måder at integrere AI i medicinsk uddannelse.
Google Collaboratory Python-scriptet er open source og tilgængeligt på: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG og Khan, S. Gentænkning af medicinsk uddannelse: en opfordring til handling. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG osv. Hvad har medicinstuderende egentlig brug for at vide om kunstig intelligens? NPZh-tal. Medicine 3, 1–3 (2020).
Dos Santos, DP m.fl. Medicinstuderendes holdninger til kunstig intelligens: en multicenterundersøgelse. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., og Singla, R. Introduktion til maskinlæring for medicinstuderende: et pilotprojekt. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identificering af børn med meget lav risiko for klinisk signifikant hjerneskade efter hovedskade: et prospektivt kohortestudie. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH og Mangasarian, OL. Ekstraktion af nukleære egenskaber til diagnose af brysttumorer. Biomedicinsk videnskab. Billedbehandling. Biomedicinsk videnskab. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. og Peng, L. Sådan udvikler du maskinlæringsmodeller til sundhedsvæsenet. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Visuel fortolkning af dybe netværk via gradientbaseret lokalisering. Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K og Ilic D. Udvikling og evaluering af en spiralmodel til vurdering af evidensbaserede medicinske kompetencer ved hjælp af OSCE i lægeuddannelsen på bachelorniveau. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB og Garg PS Maskinlæring og medicinsk uddannelse. NPZh-numre. medicin. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. og de Rooy, M. Kunstig intelligens i radiologi: 100 kommercielle produkter og deres videnskabelige beviser. EURO. stråling. 31, 3797-3804 (2021).
Topol, EJ Højtydende medicin: konvergensen af menneskelig og kunstig intelligens. Nat. medicine. 25, 44–56 (2019).
Bede, E. et al. Menneskecentreret evaluering af et dyb læringssystem implementeret i klinikken til påvisning af diabetisk retinopati. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (2020).
Kerr, B. Det omvendte klasseværelse i ingeniøruddannelsen: En forskningsoversigt. Proceedings of the 2015 International Conference on Interactive Collaborative Learning (2015).
Forfatterne takker Danielle Walker, Tim Salcudin og Peter Zandstra fra forskningsklyngen Biomedical Imaging and Artificial Intelligence ved University of British Columbia for støtte og finansiering.
RH, PP, ZH, RS og MA var ansvarlige for at udvikle workshoppens undervisningsindhold. RH og PP var ansvarlige for at udvikle programmeringseksemplerne. KYF, OY, MT og PW var ansvarlige for den logistiske organisering af projektet og analysen af workshoppene. RH, OY, MT og RS var ansvarlige for at udarbejde figurer og tabeller. RH, KYF, PP, ZH, OY, MY, PW, TL, MA og RS var ansvarlige for udarbejdelse og redigering af dokumentet.
Kommunikationsmedicin takker Carolyn McGregor, Fabio Moraes og Aditya Borakati for deres bidrag til gennemgangen af dette arbejde.
Opslagstidspunkt: 19. feb. 2024