Takk for at du besøker Nature.com. Nettleserversjonen du bruker har begrenset CSS-støtte. For best resultat anbefaler vi at du bruker en nyere versjon av nettleseren din (eller slår av kompatibilitetsmodus i Internet Explorer). I mellomtiden, for å sikre kontinuerlig støtte, viser vi nettstedet uten styling eller JavaScript.
Anvendelser av klinisk kunstig intelligens (KI) vokser raskt, men eksisterende læreplaner for medisinstudier tilbyr begrenset undervisning som dekker dette området. Her beskriver vi et opplæringskurs i kunstig intelligens som vi utviklet og leverte til kanadiske medisinstudenter, og gir anbefalinger for fremtidig opplæring.
Kunstig intelligens (KI) i medisin kan forbedre effektiviteten på arbeidsplassen og hjelpe til med klinisk beslutningstaking. For å kunne veilede bruken av kunstig intelligens på en sikker måte, må leger ha en viss forståelse av kunstig intelligens. Mange kommentarer anbefaler å lære bort KI-konsepter1, for eksempel å forklare KI-modeller og verifiseringsprosesser2. Imidlertid er det implementert få strukturerte planer, spesielt på nasjonalt nivå. Pinto dos Santos et al.3. 263 medisinstudenter ble spurt, og 71 % var enige i at de trengte opplæring i kunstig intelligens. Å lære bort kunstig intelligens til et medisinsk publikum krever nøye design som kombinerer tekniske og ikke-tekniske konsepter for studenter som ofte har omfattende forkunnskaper. Vi beskriver vår erfaring med å levere en serie KI-workshops til tre grupper medisinstudenter og gir anbefalinger for fremtidig medisinsk utdanning i KI.
Vårt fem uker lange verksted om introduksjon til kunstig intelligens i medisin for medisinstudenter ble holdt tre ganger mellom februar 2019 og april 2021. En tidsplan for hvert verksted, med en kort beskrivelse av endringer i kurset, vises i figur 1. Kurset vårt har tre primære læringsmål: studentene forstår hvordan data behandles i applikasjoner for kunstig intelligens, analyserer litteraturen om kunstig intelligens for kliniske anvendelser og benytter seg av muligheter til å samarbeide med ingeniører som utvikler kunstig intelligens.
Blått er temaet for forelesningen, og lyseblått er den interaktive spørsmål-og-svar-perioden. Den grå delen er fokuset for den korte litteraturgjennomgangen. De oransje delene er utvalgte casestudier som beskriver modeller eller teknikker for kunstig intelligens. Grønt er et veiledet programmeringskurs designet for å lære kunstig intelligens for å løse kliniske problemer og evaluere modeller. Innholdet og varigheten av workshopene varierer basert på en vurdering av studentenes behov.
Det første verkstedet ble holdt ved University of British Columbia fra februar til april 2019, og alle 8 deltakerne ga positive tilbakemeldinger4. På grunn av COVID-19 ble det andre verkstedet holdt virtuelt i oktober-november 2020, med 222 medisinstudenter og 3 spesialister fra 8 kanadiske medisinske fakulteter som registrerte seg. Presentasjonsslides og kode er lastet opp til et nettsted med åpen tilgang (http://ubcaimed.github.io). Den viktigste tilbakemeldingen fra den første iterasjonen var at forelesningene var for intense og materialet for teoretisk. Å betjene Canadas seks forskjellige tidssoner byr på ytterligere utfordringer. Derfor forkortet det andre verkstedet hver økt til 1 time, forenklet kursmaterialet, la til flere casestudier og laget standardprogrammer som tillot deltakerne å fullføre kodestykker med minimal feilsøking (boks 1). Viktig tilbakemelding fra den andre iterasjonen inkluderte positive tilbakemeldinger på programmeringsøvelsene og en forespørsel om å demonstrere planlegging for et maskinlæringsprosjekt. Derfor inkluderte vi i vår tredje workshop, som ble holdt virtuelt for 126 medisinstudenter i mars–april 2021, flere interaktive kodeøvelser og tilbakemeldinger om prosjekter for å demonstrere effekten av å bruke workshopkonsepter på prosjekter.
Dataanalyse: Et studiefelt innen statistikk som identifiserer meningsfulle mønstre i data ved å analysere, bearbeide og kommunisere datamønstre.
Datautvinning: prosessen med å identifisere og utvinne data. I sammenheng med kunstig intelligens er dette ofte stort, med flere variabler for hvert utvalg.
Dimensjonalitetsreduksjon: Prosessen med å transformere data med mange individuelle funksjoner til færre funksjoner samtidig som de viktige egenskapene til det opprinnelige datasettet bevares.
Kjennetegn (i sammenheng med kunstig intelligens): målbare egenskaper ved en prøve. Brukes ofte om hverandre med «egenskap» eller «variabel».
Gradient Activation Map: En teknikk som brukes til å tolke kunstig intelligens-modeller (spesielt konvolusjonelle nevrale nettverk), som analyserer prosessen med å optimalisere den siste delen av nettverket for å identifisere data- eller bildeområder som er svært prediktive.
Standardmodell: En eksisterende AI-modell som er forhåndstrint til å utføre lignende oppgaver.
Testing (i sammenheng med kunstig intelligens): å observere hvordan en modell utfører en oppgave ved hjelp av data den ikke har møtt før.
Trening (i sammenheng med kunstig intelligens): Å gi en modell data og resultater slik at modellen justerer sine interne parametere for å optimalisere evnen til å utføre oppgaver ved hjelp av nye data.
Vektor: datamatrise. I maskinlæring er hvert matriseelement vanligvis en unik egenskap ved utvalget.
Tabell 1 viser de nyeste kursene for april 2021, inkludert målrettede læringsmål for hvert emne. Denne workshopen er beregnet på de som er nye på det tekniske nivået og krever ingen matematiske kunnskaper utover det første året av en medisinsk bachelorgrad. Kurset ble utviklet av 6 medisinstudenter og 3 lærere med høyere grader i ingeniørfag. Ingeniører utvikler teori om kunstig intelligens for å undervise, og medisinstudenter lærer klinisk relevant materiale.
Workshopene inkluderer forelesninger, casestudier og veiledet programmering. I den første forelesningen gjennomgår vi utvalgte konsepter innen dataanalyse i biostatistikk, inkludert datavisualisering, logistisk regresjon og sammenligning av beskrivende og induktiv statistikk. Selv om dataanalyse er grunnlaget for kunstig intelligens, ekskluderer vi emner som datautvinning, signifikansetesting eller interaktiv visualisering. Dette skyldtes tidsbegrensninger og også fordi noen studenter på bachelornivå hadde tidligere opplæring i biostatistikk og ønsket å dekke mer unike maskinlæringsemner. Den påfølgende forelesningen introduserer moderne metoder og diskuterer AI-problemformulering, fordeler og begrensninger ved AI-modeller, og modelltesting. Forelesningene suppleres av litteratur og praktisk forskning på eksisterende kunstig intelligens-enheter. Vi legger vekt på ferdighetene som kreves for å evaluere effektiviteten og gjennomførbarheten av en modell for å adressere kliniske spørsmål, inkludert å forstå begrensningene ved eksisterende kunstig intelligens-enheter. For eksempel ba vi studentene om å tolke retningslinjene for pediatriske hodeskader foreslått av Kupperman et al.,5 som implementerte en beslutningstrealgoritme for kunstig intelligens for å avgjøre om en CT-skanning ville være nyttig basert på en leges undersøkelse. Vi understreker at dette er et vanlig eksempel på at AI gir prediktiv analyse for leger å tolke, snarere enn å erstatte leger.
I de tilgjengelige eksemplene på åpen kildekode-bootstrap-programmering (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) demonstrerer vi hvordan man utfører utforskende dataanalyse, dimensjonalitetsreduksjon, lasting av standardmodeller, samt trening og testing. Vi bruker Google Colaboratory-notatbøker (Google LLC, Mountain View, CA), som tillater kjøring av Python-kode fra en nettleser. Figur 2 viser et eksempel på en programmeringsøvelse. Denne øvelsen innebærer å forutsi maligniteter ved hjelp av Wisconsin Open Breast Imaging Dataset6 og en beslutningstre-algoritme.
Presenter programmer gjennom uken om relaterte emner og velg eksempler fra publiserte AI-applikasjoner. Programmeringselementer er kun inkludert hvis de anses som relevante for å gi innsikt i fremtidig klinisk praksis, for eksempel hvordan man evaluerer modeller for å avgjøre om de er klare for bruk i kliniske studier. Disse eksemplene kulminerer i en fullverdig ende-til-ende-applikasjon som klassifiserer svulster som godartede eller ondartede basert på medisinske bildeparametere.
Heterogenitet i forkunnskaper. Deltakerne våre hadde variert nivå av matematisk kunnskap. For eksempel er studenter med avansert ingeniørbakgrunn på utkikk etter mer dyptgående materiale, for eksempel hvordan de kan utføre sine egne Fourier-transformasjoner. Det er imidlertid ikke mulig å diskutere Fourier-algoritmen i klassen fordi det krever inngående kunnskap om signalbehandling.
Fraflytende oppmøte. Oppmøtet på oppfølgingsmøter gikk ned, spesielt i nettbaserte formater. En løsning kan være å spore oppmøte og gi et fullføringsbevis. Medisinskoler er kjent for å anerkjenne karakterutskrifter av studentenes fritidsaktiviteter, noe som kan oppmuntre studentene til å ta en grad.
Kursdesign: Fordi KI spenner over så mange underfelt, kan det være utfordrende å velge kjernekonsepter med passende dybde og bredde. For eksempel er kontinuiteten i bruken av KI-verktøy fra laboratoriet til klinikken et viktig tema. Selv om vi dekker dataforbehandling, modellbygging og validering, inkluderer vi ikke emner som stordataanalyse, interaktiv visualisering eller gjennomføring av kliniske KI-studier. I stedet fokuserer vi på de mest unike KI-konseptene. Vårt veiledende prinsipp er å forbedre leseferdigheter, ikke ferdigheter. For eksempel er det viktig for tolkbarheten å forstå hvordan en modell behandler inputfunksjoner. En måte å gjøre dette på er å bruke gradientaktiveringskart, som kan visualisere hvilke områder av dataene som er forutsigbare. Dette krever imidlertid multivariat kalkulus og kan ikke introduseres8. Å utvikle en felles terminologi var utfordrende fordi vi prøvde å forklare hvordan man arbeider med data som vektorer uten matematisk formalisme. Merk at forskjellige begreper har samme betydning. I epidemiologi beskrives for eksempel en "karakteristikk" som en "variabel" eller "attributt".
Kunnskapsbevaring. Fordi bruken av AI er begrenset, gjenstår det å se i hvilken grad deltakerne beholder kunnskap. Læreplaner for medisinstudier er ofte avhengige av repetisjon med mellomrom for å forsterke kunnskap under praktiske rotasjoner,9 noe som også kan anvendes på AI-utdanning.
Profesjonalitet er viktigere enn leseferdighet. Materialets dybde er utformet uten matematisk stringens, noe som var et problem da vi lanserte kliniske kurs i kunstig intelligens. I programmeringseksemplene bruker vi et malprogram som lar deltakerne fylle ut felt og kjøre programvaren uten å måtte finne ut hvordan de skal sette opp et komplett programmeringsmiljø.
Bekymringer rundt kunstig intelligens adressert: Det er utbredt bekymring for at kunstig intelligens kan erstatte noen kliniske oppgaver3. For å adressere dette problemet forklarer vi begrensningene ved AI, inkludert det faktum at nesten alle AI-teknologier som er godkjent av regulatorer, krever legetilsyn11. Vi understreker også viktigheten av skjevhet fordi algoritmer er utsatt for skjevheter, spesielt hvis datasettet ikke er mangfoldig12. Følgelig kan en viss undergruppe modelleres feil, noe som fører til urettferdige kliniske beslutninger.
Ressurser er offentlig tilgjengelige: Vi har laget offentlig tilgjengelige ressurser, inkludert forelesningslysbilder og kode. Selv om tilgangen til synkront innhold er begrenset på grunn av tidssoner, er åpen kildekode-innhold en praktisk metode for asynkron læring, siden AI-ekspertise ikke er tilgjengelig på alle medisinske fakulteter.
Tverrfaglig samarbeid: Denne workshopen er et samarbeid initiert av medisinstudenter for å planlegge kurs sammen med ingeniører. Dette demonstrerer samarbeidsmuligheter og kunnskapshull på begge områder, slik at deltakerne kan forstå den potensielle rollen de kan bidra med i fremtiden.
Definer kjernekompetanser innen AI. Å definere en liste over kompetanser gir en standardisert struktur som kan integreres i eksisterende kompetansebaserte medisinske læreplaner. Denne workshopen bruker for tiden læringsmålnivå 2 (forståelse), 3 (anvendelse) og 4 (analyse) av Blooms taksonomi. Å ha ressurser på høyere klassifiseringsnivåer, for eksempel å lage prosjekter, kan styrke kunnskapen ytterligere. Dette krever samarbeid med kliniske eksperter for å bestemme hvordan AI-emner kan brukes i kliniske arbeidsflyter og forhindre undervisning i repeterende emner som allerede er inkludert i standard medisinske læreplaner.
Lag casestudier ved hjelp av AI. I likhet med kliniske eksempler kan casebasert læring forsterke abstrakte konsepter ved å fremheve deres relevans for kliniske spørsmål. For eksempel analyserte en workshopstudie Googles AI-baserte system for deteksjon av diabetisk retinopati 13 for å identifisere utfordringer langs veien fra laboratorium til klinikk, for eksempel eksterne valideringskrav og godkjenningsveier for myndigheter.
Bruk erfaringsbasert læring: Tekniske ferdigheter krever fokusert øvelse og gjentatt anvendelse for å mestre, i likhet med de roterende læringsopplevelsene til kliniske traineer. En potensiell løsning er den omvendte klasserommet-modellen, som har vist seg å forbedre kunnskapslagring i ingeniørutdanning14. I denne modellen gjennomgår studentene teoretisk materiale uavhengig, og klassetiden vies til å løse problemer gjennom casestudier.
Skalering for tverrfaglige deltakere: Vi ser for oss at bruk av kunstig intelligens innebærer samarbeid på tvers av flere fagområder, inkludert leger og alliert helsepersonell med varierende opplæringsnivå. Derfor kan det være nødvendig å utvikle læreplaner i samråd med fakultetet fra ulike avdelinger for å skreddersy innholdet til ulike områder innen helsevesenet.
Kunstig intelligens er høyteknologisk, og kjernekonseptene er relatert til matematikk og informatikk. Å lære opp helsepersonell til å forstå kunstig intelligens byr på unike utfordringer når det gjelder valg av innhold, klinisk relevans og leveringsmetoder. Vi håper at innsikten fra AI in Education-workshopene vil hjelpe fremtidige lærere med å omfavne innovative måter å integrere AI i medisinsk utdanning på.
Google Collaboratory Python-skriptet er åpen kildekode og tilgjengelig på: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG og Khan, S. Å tenke nytt om medisinsk utdanning: en oppfordring til handling. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG osv. Hva trenger medisinstudenter egentlig å vite om kunstig intelligens? NPZh-tall. Medisin 3, 1–3 (2020).
Dos Santos, DP, et al. Medisinstudenters holdninger til kunstig intelligens: en multisenterundersøkelse. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., og Singla, R. Introduksjon til maskinlæring for medisinstudenter: et pilotprosjekt. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identifisering av barn med svært lav risiko for klinisk signifikant hjerneskade etter hodeskade: en prospektiv kohortstudie. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH og Mangasarian, OL. Ekstraksjon av kjernefysiske trekk for diagnose av brystsvulster. Biomedisinsk vitenskap. Bildebehandling. Biomedisinsk vitenskap. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. og Peng, L. Hvordan utvikle maskinlæringsmodeller for helsevesenet. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Visuell tolkning av dype nettverk via gradientbasert lokalisering. Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K og Ilic D. Utvikling og evaluering av en spiralmodell for vurdering av evidensbasert medisinsk kompetanse ved bruk av OSCE i medisinsk bachelorutdanning. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB og Garg PS Maskinlæring og medisinsk utdanning. NPZh-tall. medisin. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. og de Rooy, M. Kunstig intelligens i radiologi: 100 kommersielle produkter og deres vitenskapelige bevis. EURO. stråling. 31, 3797–3804 (2021).
Topol, EJ Høytytende medisin: konvergensen av menneskelig og kunstig intelligens. Nat. medicine. 25, 44–56 (2019).
Bede, E. et al. Menneskesentrert evaluering av et dyplæringssystem distribuert i klinikken for påvisning av diabetisk retinopati. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (2020).
Kerr, B. Det omvendte klasserommet i ingeniørutdanning: En forskningsgjennomgang. Proceedings of the 2015 International Conference on Interactive Collaborative Learning (2015).
Forfatterne takker Danielle Walker, Tim Salcudin og Peter Zandstra fra forskningsklyngen for biomedisinsk avbildning og kunstig intelligens ved University of British Columbia for støtte og finansiering.
RH, PP, ZH, RS og MA var ansvarlige for å utvikle undervisningsinnholdet til workshopen. RH og PP var ansvarlige for å utvikle programmeringseksemplene. KYF, OY, MT og PW var ansvarlige for den logistiske organiseringen av prosjektet og analysen av workshopene. RH, OY, MT og RS var ansvarlige for å lage figurer og tabeller. RH, KYF, PP, ZH, OY, MY, PW, TL, MA og RS var ansvarlige for å utarbeide og redigere dokumentet.
Kommunikasjonsmedisin takker Carolyn McGregor, Fabio Moraes og Aditya Borakati for deres bidrag til gjennomgangen av dette arbeidet.
Publisert: 19. februar 2024