Hatur nuhun pikeun ngadatangan Nature.com.Versi browser anu anjeun anggo gaduh dukungan CSS kawates.Pikeun hasil nu pangsaena, kami nyarankeun make versi anyar tina browser anjeun (atawa mareuman mode kasaluyuan dina Internet Explorer).Samentara éta, pikeun mastikeun rojongan lumangsung, kami némbongkeun situs tanpa styling atanapi JavaScript.
Aplikasi intelijen buatan klinis (AI) ngembang pesat, tapi kurikulum sakola médis anu aya nawiskeun pangajaran terbatas pikeun daérah ieu.Di dieu kami ngajelaskeun kursus pelatihan kecerdasan buatan anu kami kembangkeun sareng dikirimkeun ka mahasiswa médis Kanada sareng ngadamel saran pikeun palatihan ka hareup.
Kecerdasan jieunan (AI) dina ubar tiasa ningkatkeun efisiensi gaw sareng ngabantosan kaputusan klinis.Pikeun pituduh aman ngagunakeun kecerdasan jieunan, dokter kudu boga sababaraha pamahaman kecerdasan jieunan.Seueur koméntar anu ngadukung pangajaran konsép AI1, sapertos ngajelaskeun modél AI sareng prosés verifikasi2.Tapi, sababaraha rencana terstruktur parantos dilaksanakeun, khususna di tingkat nasional.Pinto dos Santos dkk.3.263 mahasiswa médis ditaliti sareng 71% sapuk yén aranjeunna peryogi palatihan intelijen buatan.Ngajarkeun intelijen buatan ka panongton médis merlukeun desain ati-ati anu ngagabungkeun konsep téknis sareng non-teknis pikeun siswa anu sering gaduh pangaweruh sateuacanna.Kami ngajelaskeun pangalaman kami nganteurkeun séri bengkel AI ka tilu kelompok mahasiswa médis sareng ngadamel saran pikeun pendidikan médis kahareup di AI.
Lima minggu urang Perkenalan pikeun Kecerdasan Artificial dina Bengkel Kedokteran pikeun mahasiswa médis dilaksanakeun tilu kali antara Pébruari 2019 sareng April 2021. Jadwal pikeun unggal bengkel, kalayan pedaran ringkes ngeunaan parobihan kana kursus, dipidangkeun dina Gambar 1. tilu tujuan pembelajaran primér: siswa ngartos kumaha data diolah dina aplikasi kecerdasan jieunan, nganalisis literatur kecerdasan jieunan pikeun aplikasi klinis, sarta ngamangpaatkeun kasempetan pikeun kolaborasi jeung insinyur ngembangkeun kecerdasan jieunan.
Biru mangrupikeun topik ceramah sareng biru muda mangrupikeun waktos tanya jawab interaktif.Bagian abu mangrupa fokus ti review literatur ringkes.Bagian oranyeu mangrupikeun studi kasus anu dipilih anu ngajelaskeun modél atanapi téknik intelijen buatan.Héjo mangrupikeun kursus pemrograman anu dipandu anu dirancang pikeun ngajarkeun intelijen buatan pikeun ngabéréskeun masalah klinis sareng ngaevaluasi modél.Eusi sareng lilana lokakarya rupa-rupa dumasar kana penilaian pangabutuh murid.
Lokakarya munggaran dilaksanakeun di Universitas British Columbia ti bulan Pebruari nepi ka April 2019, sarta sakabeh 8 pamilon masihan eupan balik positif4.Kusabab COVID-19, bengkel kadua dilaksanakeun ampir dina Oktober-Nopémber 2020, kalayan 222 mahasiswa médis sareng 3 warga ti 8 sakola médis Kanada ngadaptar.Slide presentasi sareng kode parantos diunggah ka situs aksés kabuka (http://ubcaimed.github.io).Eupan balik konci ti iteration kahiji nya éta ceramah teuing sengit jeung bahan teuing teoritis.Ngalayanan genep zona waktos anu béda di Kanada nyababkeun tantangan tambahan.Ku kituna, workshop kadua disingget unggal sési pikeun 1 jam, disederhanakeun bahan kursus, ditambahkeun studi kasus leuwih, sarta nyieun program boilerplate nu diwenangkeun pamilon pikeun ngalengkepan snippét kode kalawan debugging minimal (Box 1).Eupan balik konci ti iteration kadua kaasup eupan balik positif dina latihan programming sarta pamundut pikeun demonstrate perencanaan pikeun proyék learning mesin.Ku alatan éta, dina workshop katilu urang, diayakeun ampir pikeun 126 mahasiswa médis dina Maret-April 2021, urang kaasup latihan coding leuwih interaktif jeung sesi eupan balik proyék pikeun demonstrate dampak ngagunakeun konsep workshop on proyék.
Analisis Data: Hiji widang ulikan dina statistik anu nangtukeun pola bermakna dina data ku cara nganalisis, ngolah, jeung komunikasi pola data.
Data mining: prosés ngaidéntifikasi sareng ékstraksi data.Dina konteks kecerdasan jieunan, ieu mindeng badag, kalawan sababaraha variabel pikeun tiap sampel.
Pangurangan dimensi: Prosés ngarobih data kalayan seueur fitur individu kana fitur anu langkung sakedik bari ngajaga sipat penting tina set data asli.
Karakteristik (dina konteks kecerdasan jieunan): sipat diukur tina sampel.Mindeng dipaké silih tukeur jeung "harta" atawa "variabel".
Peta Aktivasi Gradién: Téhnik anu digunakeun pikeun napsirkeun modél intelijen jieunan (utamana jaringan saraf konvolusional), anu nganalisa prosés ngaoptimalkeun bagian ahir jaringan pikeun ngaidentipikasi daérah data atanapi gambar anu prediktif pisan.
Modél Standar: Modél AI anu tos aya anu tos dilatih pikeun ngalaksanakeun tugas anu sami.
Nguji (dina kontéks kecerdasan jieunan): niténan kumaha modél ngalaksanakeun tugas ngagunakeun data anu teu acan kapendak sateuacanna.
Latihan (dina konteks kecerdasan jieunan): Nyayogikeun model sareng data sareng hasil supados modél nyaluyukeun parameter internalna pikeun ngaoptimalkeun kamampuan pikeun ngalaksanakeun tugas nganggo data anyar.
Véktor: susunan data.Dina pembelajaran mesin, unggal unsur susunan biasana ciri unik tina sampel.
Tabél 1 daptar kursus-kursus panganyarna pikeun April 2021, kalebet tujuan diajar anu disasarkeun pikeun unggal topik.Bengkel ieu dimaksudkeun pikeun anu anyar dina tingkat téknis sareng henteu meryogikeun pangaweruh matematika saluareun taun mimiti gelar sarjana médis.Kursus ieu dikembangkeun ku 6 mahasiswa médis sareng 3 guru kalayan gelar maju dina rékayasa.Insinyur nuju ngembangkeun téori intelijen buatan pikeun ngajar, sareng mahasiswa médis diajar bahan anu relevan sacara klinis.
Lokakarya kalebet ceramah, studi kasus, sareng program dipandu.Dina kuliah kahiji, urang marios konsép anu dipilih tina analisis data dina biostatistika, kalebet visualisasi data, régrési logistik, sareng ngabandingkeun statistik deskriptif sareng induktif.Sanaos analisis data mangrupikeun pondasi intelijen buatan, kami ngaluarkeun topik sapertos pertambangan data, uji signifikansi, atanapi visualisasi interaktif.Ieu kusabab kendala waktos sareng ogé kusabab sababaraha mahasiswa sarjana ngagaduhan pelatihan sateuacana dina biostatistika sareng hoyong nutupan topik pembelajaran mesin anu langkung unik.Kuliah saterusna ngenalkeun métode modern jeung ngabahas rumusan masalah AI, kaunggulan jeung watesan model AI, sarta nguji model.Kuliahna dilengkepan ku literatur sareng panalungtikan praktis ngeunaan alat intelijen buatan anu aya.Urang ngantebkeun kaahlian diperlukeun pikeun evaluate efektivitas jeung feasibility model pikeun ngajawab patarosan klinis, kaasup pamahaman watesan alat kecerdasan jieunan aya.Contona, urang nanya ka siswa pikeun napsirkeun tungtunan tatu sirah murangkalih diajukeun ku Kupperman et al., 5 nu ngalaksanakeun hiji algoritma tangkal kaputusan kecerdasan jieunan pikeun nangtukeun naha a CT scan bakal mangpaat dumasar kana ujian dokter urang.Kami negeskeun yén ieu mangrupikeun conto umum tina AI anu nyayogikeun analitik prediktif pikeun napsirkeun dokter, tinimbang ngagentos dokter.
Dina conto pemrograman open source bootstrap anu sayogi (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), urang nunjukkeun kumaha ngalakukeun analisis data éksplorasi, pangurangan dimensi, muatan modél standar, sareng latihan. .jeung nguji.Kami nganggo notebook Google Colaboratory (Google LLC, Mountain View, CA), anu ngamungkinkeun kode Python dieksekusi tina browser wéb.Dina Gbr. Gambar 2 nyadiakeun conto latihan programming.Latihan ieu ngalibatkeun ngaramal malignancies nganggo Wisconsin Open Breast Imaging Dataset6 sareng algoritma tangkal kaputusan.
Nampilkeun program sapanjang minggu dina topik anu aya hubunganana sareng pilih conto tina aplikasi AI anu diterbitkeun.Elemen pemrograman ngan dilebetkeun upami aranjeunna dianggap relevan pikeun masihan wawasan kana prakték klinis anu bakal datang, sapertos kumaha cara meunteun modél pikeun nangtukeun naha éta siap dianggo dina uji klinis.Conto ieu culminate dina aplikasi tungtung-to-tungtung pinuh nu ngagolongkeun tumor sakumaha benign atanapi malignant dumasar kana parameter gambar médis.
Heterogenitas pangaweruh saméméhna.pamilon urang variatif dina tingkat maranéhanana pangaweruh matematik.Salaku conto, murid anu ngagaduhan latar tukang rékayasa maju milarian bahan anu langkung jero, sapertos kumaha ngalakukeun transformasi Fourier sorangan.Sanajan kitu, ngabahas algoritma Fourier di kelas teu mungkin sabab merlukeun pangaweruh dina-jero ngolah sinyal.
Kadatangan outflow.Kahadiran dina rapat susulan turun, khususna dina format online.Solusina nyaéta pikeun ngalacak kehadiran sareng nyayogikeun sertipikat parantosan.Sakola médis dipikanyaho mikawanoh transkrip kagiatan akademik ekstrakurikuler siswa, anu tiasa nyorong siswa pikeun ngudag gelar.
Desain Kursus: Kusabab AI ngalangkungan seueur subwidang, milih konsép inti anu jero sareng lebar anu pas tiasa janten tantangan.Salaku conto, kontinuitas panggunaan alat AI ti laboratorium ka klinik mangrupikeun topik anu penting.Bari urang nutupan preprocessing data, wangunan model, jeung validasi, urang teu kaasup jejer kayaning analytics data badag, visualisasi interaktif, atawa ngalakonan uji klinis AI, tinimbang fokus kana konsep AI paling unik.Prinsip pituduh kami nyaéta pikeun ningkatkeun literasi, sanés kaahlian.Contona, ngartos kumaha modél ngolah fitur input penting pikeun interprétasi.Salah sahiji cara pikeun ngalakukeun ieu nyaéta ngagunakeun peta aktivasina gradién, anu tiasa ngabayangkeun daérah data anu tiasa diprediksi.Sanajan kitu, ieu merlukeun kalkulus multivariate sarta teu bisa diwanohkeun8.Ngamekarkeun terminologi umum éta nangtang sabab urang nyobian ngajelaskeun kumaha carana dianggo kalayan data salaku vektor tanpa formalism matematik.Catet yén istilah anu béda gaduh hartos anu sami, contona, dina epidemiologi, "karakteristik" didadarkeun salaku "variabel" atanapi "atribut".
ingetan pangaweruh.Kusabab aplikasi AI diwatesan, extent dimana pamilon nahan pangaweruh tetep bisa ditempo.Kurikulum sakola médis sering ngandelkeun pengulangan jarak pikeun nguatkeun pangaweruh salami rotasi praktis,9 anu ogé tiasa diterapkeun kana pendidikan AI.
Profesionalisme langkung penting tibatan literasi.Jero bahan dirarancang tanpa rigor matematika, anu janten masalah nalika ngaluncurkeun kursus klinis dina intelijen buatan.Dina conto programming, urang ngagunakeun program template anu ngamungkinkeun pamilon pikeun ngeusian kaluar widang tur ngajalankeun software nu tanpa kudu angka kaluar kumaha carana nyetél lingkungan programming lengkep.
Kasalempang intelijen jieunan kajawab: Aya kahariwang umum yén intelijen jieunan tiasa ngagentos sababaraha tugas klinis3.Pikeun ngajawab masalah ieu, urang ngajelaskeun watesan AI, kaasup kanyataan yén ampir sakabéh téknologi AI disatujuan ku régulator merlukeun pangawasan dokter11.Urang ogé ngantebkeun pentingna bias sabab algoritma anu rawan bias, utamana lamun susunan data henteu diverse12.Akibatna, hiji subgroup tangtu bisa dimodelkeun salah, ngarah kana kaputusan klinis adil.
Sumberdaya sadia pikeun umum: Kami geus dijieun sumberdaya sadia umum, kaasup slides ceramah jeung kode.Sanajan aksés ka eusi sinkron diwatesan alatan zona waktu, eusi open source mangrupakeun metoda merenah pikeun diajar asynchronous sabab kaahlian AI teu sadia di sakabéh sakola médis.
Kolaborasi Interdisipliner: Bengkel ieu mangrupikeun usaha gabungan anu diprakarsai ku mahasiswa médis pikeun ngarencanakeun kursus sareng insinyur.Ieu nunjukkeun kasempetan kolaborasi sareng jurang pangaweruh dina dua daérah, anu ngamungkinkeun para pamilon ngartos peran poténsial anu aranjeunna tiasa nyumbang di hareup.
Nangtukeun kompetensi inti AI.Nangtukeun daptar kompeténsi nyadiakeun struktur standar nu bisa terpadu kana kurikulum médis dumasar-kompeténsi aya.Ieu lokakarya ayeuna ngagunakeun Tujuan Diajar Tingkatan 2 (Pamahaman), 3 (Aplikasi), jeung 4 (Analisis) Taksonomi Bloom.Ngabogaan sumber daya dina tingkat klasifikasi anu langkung luhur, sapertos nyiptakeun proyék, tiasa langkung nguatkeun pangaweruh.Ieu merlukeun gawé bareng ahli klinis pikeun nangtukeun kumaha topik AI bisa dilarapkeun ka workflows klinis jeung nyegah pangajaran topik repetitive geus kaasup dina curricula médis baku.
Jieun studi kasus ngagunakeun AI.Sarupa jeung conto klinis, pembelajaran dumasar-kasus bisa nguatkeun konsép abstrak ku panyorot relevansi maranéhna pikeun patarosan klinis.Contona, hiji ulikan lokakarya nganalisa sistem deteksi retinopathy diabetes basis AI Google 13 pikeun ngaidentipikasi tantangan sapanjang jalur ti lab ka klinik, sapertos syarat validasi éksternal sareng jalur persetujuan pangaturan.
Anggo pembelajaran pangalaman: Kaahlian téknis ngabutuhkeun prakték anu difokuskeun sareng aplikasi anu diulang pikeun ngawasaan, sami sareng pangalaman diajar puteran para pelatih klinis.Salah sahiji solusi poténsial nyaéta modél kelas flipped, anu dilaporkeun ningkatkeun ingetan pangaweruh dina pendidikan rékayasa14.Dina modél ieu, siswa marios matéri téoritis sacara mandiri sareng waktos kelas dikhususkeun pikeun ngaréngsékeun masalah ngaliwatan studi kasus.
Skala pikeun pamilon multidisiplin: Urang ngabayangkeun nyoko AI ngalibetkeun kolaborasi dina sababaraha disiplin, kalebet dokter sareng profésional kaséhatan sekutu kalayan tingkat pelatihan anu béda-béda.Ku alatan éta, kurikulum panginten kedah dikembangkeun dina konsultasi sareng dosen ti departemén anu béda pikeun nyaluyukeun eusina kana daérah anu béda-béda palayanan kaséhatan.
Kecerdasan buatan nyaéta téknologi luhur sareng konsép intina aya hubunganana sareng matematika sareng élmu komputer.Ngalatih tanaga kasehatan pikeun ngartos intelijen buatan nampilkeun tantangan unik dina pilihan eusi, relevansi klinis, sareng metode pangiriman.Kami ngarepkeun wawasan anu ditampi tina bengkel AI dina Pendidikan bakal ngabantosan pendidik masa depan nangkeup cara inovatif pikeun ngahijikeun AI kana pendidikan médis.
Skrip Google Colaboratory Python open source sareng sayogi di: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG jeung Khan, S. Rethinking atikan médis: panggero pikeun aksi.Akkad.landong.88, 1407–1410 (2013).
McCoy, LG jsb Naon anu mahasiswa médis bener kudu nyaho ngeunaan kecerdasan jieunan?angka NPZh.Kedokteran 3, 1–3 (2020).
Dos Santos, DP, et al.Sikep mahasiswa médis nuju kecerdasan jieunan: survey multicenter.EURO.radiasi.29, 1640–1646 (2019).
Fan, KY, Hu, R., sarta Singla, R. Bubuka pikeun mesin learning pikeun siswa médis: a pilot project.J. Med.ngajarkeun.54, 1042–1043 (2020).
Cooperman N, et al.Ngidentipikasi murangkalih anu résiko pisan rendah tina tatu otak anu signifikan sacara klinis saatos tatu sirah: ulikan cohort prospektif.Lancet 374, 1160-1170 (2009).
jalan, WN, Wolberg, WH jeung Mangasarian, OL.Ekstraksi fitur nuklir pikeun diagnosis tumor payudara.Élmu Biomédis.Ngolah gambar.Élmu Biomédis.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. jeung Peng, L. Kumaha ngamekarkeun model learning mesin keur Podomoro.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: Interprétasi visual tina jaringan jero via lokalisasi dumasar-gradién.Prosiding Konférénsi Internasional IEEE on Computer Vision, 618-626 (2017).
Kumaravel B, Stewart K sarta Ilic D. Ngembangkeun sarta evaluasi model spiral pikeun assessing kompetensi ubar dumasar-bukti maké OSCE dina pangajaran médis sarjana.BMK Kedokteran.ngajarkeun.21, 1–9 (2021).
Kolachalama VB sareng Garg PS Mesin diajar sareng pendidikan médis.angka NPZh.landong.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. jeung de Rooy, M. kecerdasan jieunan di radiology: 100 produk komérsial sarta bukti ilmiah maranéhna.EURO.radiasi.31, 3797–3804 (2021).
Topol, EJ Kedokteran Kinerja Tinggi: konvergénsi intelijen manusa sareng jieunan.Nat.landong.25, 44–56 (2019).
Bede, E. et al.Evaluasi anu dipuseurkeun ku manusa tina sistem diajar anu jero anu dipasang di klinik pikeun ngadeteksi retinopathy diabetes.Prosiding Konférénsi CHI 2020 ngeunaan Faktor Asasi Manusa dina Sistem Komputasi (2020).
Kerr, B. The flipped kelas dina pangajaran rékayasa: A review panalungtikan.Prosiding Konférénsi Internasional 2015 on Interactive Collaborative Learning (2015).
Panulis ngahaturkeun nuhun ka Danielle Walker, Tim Salcudin, sareng Peter Zandstra ti Cluster Biomédis Imaging sareng Artificial Intelligence Research di Universitas British Columbia pikeun dukungan sareng dana.
RH, PP, ZH, RS jeung MA tanggung jawab pikeun mekarkeun eusi pangajaran workshop.RH sareng PP tanggung jawab pikeun ngembangkeun conto program.KYF, OY, MT sareng PW tanggung jawab pikeun organisasi logistik proyék sareng analisa bengkel.RH, OY, MT, RS tanggung jawab pikeun nyieun inohong jeung tabel.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS tanggung jawab pikeun nyusun sareng ngédit dokumén.
Kedokteran Komunikasi hatur nuhun Carolyn McGregor, Fabio Moraes, sareng Aditya Borakati pikeun kontribusina pikeun ulasan karya ieu.
waktos pos: Feb-19-2024