Hatur nuhun parantos nganjang ka Nature.com. Vérsi browser anu anjeun anggo gaduh dukungan CSS anu terbatas. Pikeun hasil anu pangsaéna, kami nyarankeun nganggo vérsi browser anjeun anu langkung énggal (atanapi mareuman modeu kompatibilitas dina Internet Explorer). Samentawis waktos, pikeun mastikeun dukungan anu terus-terusan, kami nunjukkeun situs ieu tanpa gaya atanapi JavaScript.
Aplikasi kecerdasan buatan klinis (AI) nuju mekar gancang, tapi kurikulum sakola médis anu tos aya nawiskeun pangajaran anu kawates anu ngawengku widang ieu. Di dieu kami ngajelaskeun kursus pelatihan kecerdasan buatan anu kami kembangkeun sareng pasihan ka mahasiswa médis Kanada sareng masihan rekomendasi pikeun pelatihan ka hareup.
Kecerdasan jieunan (AI) dina widang médis tiasa ningkatkeun efisiensi tempat damel sareng ngabantosan pangambilan kaputusan klinis. Pikeun nungtun panggunaan kecerdasan jieunan sacara aman, dokter kedah ngagaduhan pamahaman ngeunaan kecerdasan jieunan. Seueur koméntar anu ngadukung pangajaran konsép AI1, sapertos ngajelaskeun modél AI sareng prosés verifikasi2. Nanging, sakedik rencana terstruktur anu parantos dilaksanakeun, khususna dina tingkat nasional. Pinto dos Santos et al.3. 263 mahasiswa médis disurvei sareng 71% satuju yén aranjeunna peryogi pelatihan dina kecerdasan jieunan. Ngajarkeun kecerdasan jieunan ka pamiarsa médis meryogikeun desain anu ati-ati anu ngagabungkeun konsép téknis sareng non-téknis pikeun mahasiswa anu sering ngagaduhan pangaweruh sateuacanna anu lega. Kami ngajelaskeun pangalaman kami dina nganteurkeun séri bengkel AI ka tilu kelompok mahasiswa médis sareng masihan rekomendasi pikeun pendidikan médis ka hareup dina AI.
Bengkel Bubuka kana Kecerdasan Buatan dina Kedokteran salami lima minggu pikeun mahasiswa kedokteran diayakeun tilu kali antara bulan Pebruari 2019 sareng April 2021. Jadwal pikeun unggal bengkel, kalayan pedaran ringkes ngeunaan parobihan kursus, dipidangkeun dina Gambar 1. Kursus kami ngagaduhan tilu tujuan pembelajaran utama: mahasiswa ngartos kumaha data diolah dina aplikasi kecerdasan buatan, nganalisis literatur kecerdasan buatan pikeun aplikasi klinis, sareng ngamangpaatkeun kasempetan pikeun kolaborasi sareng insinyur anu ngembangkeun kecerdasan buatan.
Biru nyaéta topik kuliah sareng biru ngora nyaéta période tanya jawab interaktif. Bagian kulawu nyaéta fokus tina tinjauan literatur singget. Bagian oranyeu nyaéta studi kasus anu dipilih anu ngajelaskeun modél atanapi téknik kecerdasan jieunan. Héjo nyaéta kursus pamrograman anu dipandu anu dirancang pikeun ngajarkeun kecerdasan jieunan pikeun ngarengsekeun masalah klinis sareng meunteun modél. Eusi sareng durasi bengkel rupa-rupa dumasar kana penilaian kabutuhan mahasiswa.
Bengkel kahiji diayakeun di Universitas British Columbia ti bulan Pebruari nepi ka April 2019, sareng sadaya 8 pamilon masihan eupan balik anu positip4. Kusabab COVID-19, bengkel kadua diayakeun sacara virtual dina bulan Oktober-Nopember 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 tina iterasi kahiji nyaéta kuliahna teuing intens sareng matéri téoritis teuing. Ngawula ka genep zona waktos Kanada anu béda-béda nyababkeun tantangan tambahan. Ku kituna, bengkel kadua nyingget unggal sési janten 1 jam, nyederhanakeun matéri kursus, nambihan langkung seueur studi kasus, sareng nyiptakeun program boilerplate anu ngamungkinkeun pamilon ngalengkepan cuplikan kode kalayan debugging minimal (Kotak 1). Eupan balik konci tina iterasi kadua kalebet eupan balik positip ngeunaan latihan pamrograman sareng pamundut pikeun nunjukkeun perencanaan pikeun proyék pembelajaran mesin. Ku kituna, dina bengkel katilu kami, anu diayakeun sacara virtual pikeun 126 mahasiswa kedokteran dina bulan Maret-April 2021, kami ngalebetkeun langkung seueur latihan coding interaktif sareng sesi eupan balik proyék pikeun nunjukkeun dampak tina ngagunakeun konsép bengkel dina proyék.
Analisis Data: Widang ulikan dina statistik anu ngaidéntifikasi pola anu penting dina data ku cara nganalisis, ngolah, sareng ngomunikasikeun pola data.
Panambangan data: prosés ngaidentipikasi sareng ngekstrak data. Dina kontéks kecerdasan jieunan, ieu sering ageung, kalayan sababaraha variabel pikeun unggal sampel.
Réduksi diménsi: Prosés ngarobah data anu mibanda seueur fitur individu jadi fitur anu langkung sakedik bari ngajaga sipat-sipat penting tina kumpulan data aslina.
Ciri-ciri (dina kontéks kecerdasan jieunan): sipat sampel anu bisa diukur. Sering dianggo silih genti jeung "sipat" atawa "variabel".
Peta Aktivasina Gradien: Téhnik anu dianggo pikeun napsirkeun modél kecerdasan jieunan (utamina jaringan saraf konvolusional), anu nganalisis prosés optimalisasi bagian terakhir jaringan pikeun ngaidentipikasi daérah data atanapi gambar anu prédiktif pisan.
Modél Standar: Modél AI anu tos aya anu parantos dilatih sateuacanna pikeun ngalaksanakeun tugas anu sami.
Nguji (dina kontéks kecerdasan jieunan): niténan kumaha modél ngalaksanakeun tugas nganggo data anu teu acan pernah kapanggih sateuacanna.
Latihan (dina kontéks kecerdasan jieunan): Nyayogikeun data sareng hasil kana modél supados modél nyaluyukeun parameter internalna pikeun ngaoptimalkeun kamampuanana pikeun ngalaksanakeun tugas nganggo data énggal.
Vektor: susunan data. Dina pembelajaran mesin, unggal unsur susunan biasana mangrupikeun fitur unik tina sampel.
Tabel 1 ngadaptar kursus panganyarna pikeun April 2021, kalebet tujuan pembelajaran anu ditujukeun pikeun unggal topik. Bengkel ieu ditujukeun pikeun anu anyar dina tingkat téknis sareng henteu meryogikeun pangaweruh matematika saluareun taun kahiji gelar sarjana médis. Kursus ieu dikembangkeun ku 6 mahasiswa médis sareng 3 guru anu gaduh gelar lanjutan dina rékayasa. Insinyur nuju ngembangkeun téori kecerdasan jieunan pikeun ngajar, sareng mahasiswa médis nuju diajar bahan anu relevan sacara klinis.
Lokakarya ngawengku ceramah, studi kasus, sareng pamrograman anu dipandu. Dina kuliah anu munggaran, urang marios konsép anu dipilih ngeunaan analisis data dina biostatistik, kalebet visualisasi data, régrési logistik, sareng babandingan statistik deskriptif sareng induktif. Sanaos analisis data mangrupikeun dasar kecerdasan buatan, urang ngaluarkeun topik sapertos pertambangan data, uji signifikansi, atanapi visualisasi interaktif. Ieu kusabab kendala waktos sareng ogé kusabab sababaraha mahasiswa sarjana parantos ngagaduhan pelatihan sateuacanna dina biostatistik sareng hoyong nutupan topik pembelajaran mesin anu langkung unik. Kuliah salajengna ngenalkeun metode modéren sareng ngabahas rumusan masalah AI, kaunggulan sareng watesan modél AI, sareng uji modél. Kuliah dilengkepan ku literatur sareng panalungtikan praktis ngeunaan alat kecerdasan buatan anu tos aya. Kami nekenkeun kaahlian anu diperyogikeun pikeun meunteun efektivitas sareng kalayakan modél pikeun ngatasi patarosan klinis, kalebet ngartos watesan alat kecerdasan buatan anu tos aya. Salaku conto, kami naroskeun ka mahasiswa pikeun napsirkeun pedoman tatu sirah pediatrik anu diusulkeun ku Kupperman et al., 5 anu ngalaksanakeun algoritma tangkal kaputusan kecerdasan buatan pikeun nangtukeun naha scan CT bakal mangpaat dumasar kana pamariksaan dokter. Kami nekenkeun yén ieu mangrupikeun conto umum AI anu nyayogikeun analitik prédiktif pikeun dokter pikeun napsirkeun, tinimbang ngagentos dokter.
Dina conto pamrograman bootstrap sumber terbuka anu sayogi (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), urang nunjukkeun kumaha ngalaksanakeun analisis data éksplorasi, réduksi diménsi, pemuatan modél standar, sareng latihan sareng uji coba. Urang nganggo buku catetan Google Colaboratory (Google LLC, Mountain View, CA), anu ngamungkinkeun kode Python dieksekusi tina panyungsi wéb. Dina Gambar. Gambar 2 nyayogikeun conto latihan pamrograman. Latihan ieu ngalibatkeun ngaramalkeun malignansi nganggo Wisconsin Open Breast Imaging Dataset6 sareng algoritma tangkal kaputusan.
Nampilkeun program sapanjang minggu ngeunaan topik anu aya patalina sareng pilih conto tina aplikasi AI anu diterbitkeun. Unsur pamrograman ngan ukur kalebet upami dianggap relevan pikeun masihan wawasan kana prakték klinis ka hareup, sapertos kumaha meunteun modél pikeun nangtukeun naha éta siap dianggo dina uji klinis. Conto-conto ieu ngahasilkeun aplikasi lengkep anu ngaklasifikasikeun tumor salaku jinak atanapi ganas dumasar kana parameter gambar médis.
Heterogenitas pangaweruh sateuacanna. Pamilon urang rupa-rupa dina tingkat pangaweruh matematika maranéhanana. Contona, siswa anu gaduh latar tukang rékayasa tingkat luhur milarian bahan anu langkung jero, sapertos kumaha ngalakukeun transformasi Fourier sorangan. Nanging, ngabahas algoritma Fourier di kelas teu mungkin sabab meryogikeun pangaweruh anu jero ngeunaan pamrosésan sinyal.
Arus kahadiran kaluar. Kahadiran dina rapat susulan turun, khususna dina format online. Solusina tiasa waé nyaéta ngalacak kahadiran sareng nyayogikeun sertipikat parantosan. Sakola médis dipikanyaho ngakuan transkrip kagiatan akademik ekstrakurikuler mahasiswa, anu tiasa ngadorong mahasiswa pikeun ngudag gelar.
Desain Kursus: Kusabab AI ngawengku seueur subwidang, milih konsép inti anu jero sareng lega tiasa nangtang. Salaku conto, kontinuitas panggunaan alat AI ti laboratorium ka klinik mangrupikeun topik anu penting. Sanaos urang ngabahas pra-pamrosésan data, ngawangun modél, sareng validasi, urang henteu ngalebetkeun topik sapertos analitik data ageung, visualisasi interaktif, atanapi ngalaksanakeun uji klinis AI, tapi urang fokus kana konsép AI anu paling unik. Prinsip panduan urang nyaéta pikeun ningkatkeun literasi, sanés katerampilan. Salaku conto, ngartos kumaha modél ngolah fitur input penting pikeun interpretabilitas. Salah sahiji cara pikeun ngalakukeun ieu nyaéta nganggo peta aktivasi gradien, anu tiasa ngabayangkeun daérah data mana anu tiasa diprediksi. Nanging, ieu meryogikeun kalkulus multivariat sareng henteu tiasa diwanohkeun8. Ngembangkeun terminologi umum nangtang sabab urang nyobian ngajelaskeun kumaha damel sareng data salaku véktor tanpa formalisme matematis. Catet yén istilah anu béda gaduh harti anu sami, contona, dina epidemiologi, "karakteristik" digambarkeun salaku "variabel" atanapi "atribut."
Ingetan élmu pangaweruh. Kusabab aplikasi AI diwatesanan, tingkat mana pamilon inget élmu pangaweruh masih kedah ditingali. Kurikulum sakola médis sering ngandelkeun pengulangan jarak pikeun nguatkeun élmu pangaweruh salami rotasi praktis,9 anu ogé tiasa diterapkeun kana pendidikan AI.
Profesionalisme leuwih penting tibatan literasi. Jerona matéri dirancang tanpa katelitian matematis, anu janten masalah nalika ngaluncurkeun kursus klinis dina kecerdasan buatan. Dina conto pamrograman, urang nganggo program témplat anu ngamungkinkeun pamilon ngeusian kolom sareng ngajalankeun parangkat lunak tanpa kedah terang kumaha nyetél lingkungan pamrograman anu lengkep.
Kahariwang ngeunaan kecerdasan jieunan dibahas: Aya kahariwangan anu nyebar yén kecerdasan jieunan tiasa ngagentos sababaraha tugas klinis3. Pikeun ngabahas masalah ieu, kami ngajelaskeun watesan AI, kalebet kanyataan yén ampir sadaya téknologi AI anu disatujuan ku régulator meryogikeun pangawasan dokter11. Kami ogé nekenkeun pentingna bias sabab algoritma rentan ka bias, khususna upami set data henteu rupa-rupa12. Akibatna, subgrup anu tangtu tiasa dimodelkeun sacara salah, anu ngarah kana kaputusan klinis anu henteu adil.
Sumber daya sayogi kanggo umum: Kami parantos nyiptakeun sumber daya anu sayogi kanggo umum, kalebet slide kuliah sareng kode. Sanaos aksés kana eusi sinkron diwatesan kusabab zona waktos, eusi sumber terbuka mangrupikeun metode anu merenah pikeun diajar asinkron sabab kaahlian AI henteu sayogi di sadaya sakola médis.
Kolaborasi Interdisipliner: Bengkel ieu mangrupikeun usaha patungan anu diprakarsai ku mahasiswa kedokteran pikeun ngarencanakeun kursus babarengan sareng insinyur. Ieu nunjukkeun kasempetan kolaborasi sareng celah pangaweruh dina dua widang éta, ngamungkinkeun pamilon pikeun ngartos peran poténsial anu tiasa disumbangkeun di masa depan.
Nangtukeun kompetensi inti AI. Nangtukeun daptar kompetensi nyadiakeun struktur standar anu tiasa diintegrasikeun kana kurikulum médis berbasis kompetensi anu tos aya. Bengkel ieu ayeuna nganggo Tingkat Tujuan Diajar 2 (Pamahaman), 3 (Aplikasi), sareng 4 (Analisis) tina Taksonomi Bloom. Ngagaduhan sumber daya dina tingkat klasifikasi anu langkung luhur, sapertos nyiptakeun proyék, tiasa langkung nguatkeun pangaweruh. Ieu meryogikeun damel sareng para ahli klinis pikeun nangtukeun kumaha topik AI tiasa diterapkeun kana alur kerja klinis sareng nyegah pangajaran topik anu diulang-ulang anu parantos kalebet dina kurikulum médis standar.
Jieun studi kasus nganggo AI. Sarupa sareng conto klinis, pembelajaran berbasis kasus tiasa nguatkeun konsép abstrak ku cara nyorot relevansi na kana patarosan klinis. Salaku conto, hiji studi bengkel nganalisis sistem deteksi retinopati diabetik berbasis AI Google 13 pikeun ngaidentipikasi tantangan sapanjang jalur ti laboratorium ka klinik, sapertos sarat validasi éksternal sareng jalur persetujuan pangaturan.
Ngagunakeun pembelajaran éksperiential: Kamampuh téknis meryogikeun latihan anu fokus sareng aplikasi anu diulang-ulang pikeun dikuasai, sami sareng pangalaman diajar anu dirotasi ku peserta pelatihan klinis. Salah sahiji solusi poténsial nyaéta modél kelas flipped, anu parantos dilaporkeun ningkatkeun ingetan pangaweruh dina pendidikan rékayasa14. Dina modél ieu, siswa marios bahan téoritis sacara mandiri sareng waktos kelas dikhususkeun pikeun ngarengsekeun masalah ngalangkungan studi kasus.
Ngaronjatkeun skala pikeun pamilon multidisiplin: Kami ngabayangkeun adopsi AI anu ngalibatkeun kolaborasi di sababaraha disiplin, kalebet dokter sareng profésional kaséhatan sekutu kalayan tingkat pelatihan anu béda-béda. Ku alatan éta, kurikulum panginten kedah dikembangkeun dina konsultasi sareng fakultas ti departemen anu béda-béda pikeun nyaluyukeun eusina kana widang perawatan kaséhatan anu béda-béda.
Kecerdasan jieunan nyaéta téknologi luhur sareng konsép inti na aya hubunganana sareng matematika sareng élmu komputer. Ngalatih tanaga kasehatan pikeun ngartos kecerdasan jieunan nampilkeun tantangan unik dina pamilihan eusi, relevansi klinis, sareng metode pangiriman. Kami ngarepkeun wawasan anu diala tina bengkel AI dina Pendidikan bakal ngabantosan pendidik ka hareup nganut cara-cara inovatif pikeun ngahijikeun AI kana pendidikan médis.
Skrip Google Colaboratory Python téh sumber terbuka sareng sayogi di: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG sareng Khan, S. Ngarenungkeun deui atikan médis: ajakan pikeun bertindak. Akkad. ubar. 88, 1407–1410 (2013).
McCoy, LG jsb. Naon anu leres-leres kedah dipikanyaho ku mahasiswa kedokteran ngeunaan kecerdasan buatan? Nomer NPZh. Kedokteran 3, 1–3 (2020).
Dos Santos, DP, et al. Sikep mahasiswa médis kana kecerdasan jieunan: survéy multisenter. EURO. radiasi. 29, 1640–1646 (2019).
Fan, KY, Hu, R., sareng Singla, R. Bubuka kana pembelajaran mesin pikeun mahasiswa kedokteran: proyék pilot. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Ngaidentipikasi barudak anu résiko pisan rendah tina tatu otak anu signifikan sacara klinis saatos tatu sirah: studi kohort prospektif. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH sareng Mangasarian, OL. Ékstraksi fitur nuklir pikeun diagnosis tumor payudara. Élmu Biomédis. Pangolahan gambar. Élmu Biomédis. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. sareng Peng, L. Kumaha ngembangkeun modél pembelajaran mesin pikeun kasehatan. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Interpretasi visual jaringan jero ngaliwatan lokalisasi dumasar gradien. Prosiding Konferensi Internasional IEEE ngeunaan Visi Komputer, 618–626 (2017).
Kumaravel B, Stewart K sareng Ilic D. Pangwangunan sareng évaluasi modél spiral pikeun meunteun kompetensi kadokteran dumasar bukti nganggo OSCE dina pendidikan médis sarjana. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB sareng Garg PS Pembelajaran mesin sareng pendidikan médis. Angka NPZh. ubar. 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 kecerdasan manusa sareng jieunan. Kedokteran Nasional. 25, 44–56 (2019).
Bede, E. et al. Evaluasi anu museur kana manusa tina sistem pembelajaran jero anu dianggo di klinik pikeun ngadeteksi retinopati diabetik. Prosiding Konferensi CHI 2020 ngeunaan Faktor Manusa dina Sistem Komputasi (2020).
Kerr, B. Kelas flipped dina pendidikan rékayasa: Tinjauan panalungtikan. Prosiding Konferensi Internasional 2015 ngeunaan Pembelajaran Kolaboratif Interaktif (2015).
Para panulis ngucapkeun hatur nuhun ka Danielle Walker, Tim Salcudin, sareng Peter Zandstra ti Klaster Panalungtikan Biomedis Imaging and Artificial Intelligence di Universitas British Columbia kanggo dukungan sareng pendanaanna.
RH, PP, ZH, RS sareng MA tanggung jawab pikeun ngembangkeun eusi pangajaran bengkel. RH sareng PP tanggung jawab pikeun ngembangkeun conto pamrograman. KYF, OY, MT sareng PW tanggung jawab kana organisasi logistik proyék sareng analisis bengkel. RH, OY, MT, RS tanggung jawab pikeun nyiptakeun gambar sareng tabel. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS tanggung jawab pikeun nyusun sareng ngédit dokumén.
Kedokteran Komunikasi ngucapkeun hatur nuhun ka Carolyn McGregor, Fabio Moraes, sareng Aditya Borakati kanggo kontribusina kana ulasan ieu karya.
Waktos posting: 19-Peb-2024