Vielen Dank für Ihren Besuch auf Nature.com.Die von Ihnen verwendete Browserversion bietet eingeschränkte CSS-Unterstützung.Für optimale Ergebnisse empfehlen wir die Verwendung einer neueren Version Ihres Browsers (oder das Deaktivieren des Kompatibilitätsmodus im Internet Explorer).Um den fortlaufenden Support zu gewährleisten, zeigen wir die Website in der Zwischenzeit ohne Styling oder JavaScript an.
Die Anwendungen klinischer künstlicher Intelligenz (KI) nehmen rasant zu, die bestehenden Lehrpläne der medizinischen Fakultäten bieten jedoch nur begrenzte Lehrinhalte für diesen Bereich an.Hier beschreiben wir einen Schulungskurs für künstliche Intelligenz, den wir entwickelt und für kanadische Medizinstudenten durchgeführt haben, und geben Empfehlungen für zukünftige Schulungen.
Künstliche Intelligenz (KI) in der Medizin kann die Effizienz am Arbeitsplatz verbessern und die klinische Entscheidungsfindung unterstützen.Um den Einsatz künstlicher Intelligenz sicher steuern zu können, müssen Ärzte über ein gewisses Verständnis der künstlichen Intelligenz verfügen.Viele Kommentare befürworten die Vermittlung von KI-Konzepten1, etwa die Erläuterung von KI-Modellen und Verifizierungsprozessen2.Allerdings wurden insbesondere auf nationaler Ebene nur wenige strukturierte Pläne umgesetzt.Pinto dos Santos et al.3.263 Medizinstudenten wurden befragt und 71 % stimmten zu, dass sie eine Ausbildung in künstlicher Intelligenz benötigen.Die Vermittlung künstlicher Intelligenz an ein medizinisches Publikum erfordert ein sorgfältiges Design, das technische und nichttechnische Konzepte für Studierende kombiniert, die oft über umfangreiche Vorkenntnisse verfügen.Wir beschreiben unsere Erfahrungen bei der Durchführung einer Reihe von KI-Workshops für drei Gruppen von Medizinstudenten und geben Empfehlungen für die zukünftige medizinische Ausbildung im Bereich KI.
Unser fünfwöchiger Workshop „Einführung in die künstliche Intelligenz in der Medizin“ für Medizinstudierende fand zwischen Februar 2019 und April 2021 dreimal statt. Ein Zeitplan für jeden Workshop mit einer kurzen Beschreibung der Änderungen am Kurs ist in Abbildung 1 dargestellt. Unser Kurs hat Drei primäre Lernziele: Die Studierenden verstehen, wie Daten in Anwendungen der künstlichen Intelligenz verarbeitet werden, analysieren die Literatur zur künstlichen Intelligenz für klinische Anwendungen und nutzen Möglichkeiten zur Zusammenarbeit mit Ingenieuren, die künstliche Intelligenz entwickeln.
Blau ist das Thema der Vorlesung und Hellblau ist die interaktive Frage- und Antwortphase.Der graue Abschnitt steht im Mittelpunkt der kurzen Literaturübersicht.Die orangefarbenen Abschnitte sind ausgewählte Fallstudien, die Modelle oder Techniken der künstlichen Intelligenz beschreiben.Green ist ein geführter Programmierkurs, der künstliche Intelligenz beibringen soll, um klinische Probleme zu lösen und Modelle zu bewerten.Der Inhalt und die Dauer der Workshops variieren je nach Bedarf der Studierenden.
Der erste Workshop fand von Februar bis April 2019 an der University of British Columbia statt und alle 8 Teilnehmer gaben positives Feedback4.Aufgrund von COVID-19 fand der zweite Workshop virtuell im Oktober-November 2020 statt, wobei sich 222 Medizinstudenten und 3 Assistenzärzte von 8 kanadischen medizinischen Fakultäten angemeldet hatten.Präsentationsfolien und Code wurden auf eine Open-Access-Site hochgeladen (http://ubcaimed.github.io).Das wichtigste Feedback aus der ersten Iteration war, dass die Vorlesungen zu intensiv und der Stoff zu theoretisch waren.Die Bedienung der sechs verschiedenen Zeitzonen Kanadas bringt zusätzliche Herausforderungen mit sich.Daher verkürzte der zweite Workshop jede Sitzung auf eine Stunde, vereinfachte das Kursmaterial, fügte weitere Fallstudien hinzu und erstellte Standardprogramme, die es den Teilnehmern ermöglichten, Codeausschnitte mit minimalem Debugging zu vervollständigen (Kasten 1).Zu den wichtigsten Rückmeldungen aus der zweiten Iteration gehörten positive Rückmeldungen zu den Programmierübungen und die Bitte, die Planung für ein maschinelles Lernprojekt zu demonstrieren.Daher haben wir in unserem dritten Workshop, der im März und April 2021 virtuell für 126 Medizinstudierende stattfand, weitere interaktive Codierungsübungen und Projekt-Feedback-Sitzungen integriert, um die Auswirkungen der Verwendung von Workshop-Konzepten auf Projekte zu demonstrieren.
Datenanalyse: Ein Studiengebiet der Statistik, das durch Analyse, Verarbeitung und Kommunikation von Datenmustern sinnvolle Muster in Daten identifiziert.
Data Mining: der Prozess der Identifizierung und Extraktion von Daten.Im Zusammenhang mit künstlicher Intelligenz ist dies häufig umfangreich und umfasst mehrere Variablen für jede Stichprobe.
Dimensionsreduktion: Der Prozess der Umwandlung von Daten mit vielen Einzelmerkmalen in weniger Merkmale unter Beibehaltung der wichtigen Eigenschaften des Originaldatensatzes.
Merkmale (im Kontext der künstlichen Intelligenz): messbare Eigenschaften einer Probe.Wird oft synonym mit „Eigenschaft“ oder „Variable“ verwendet.
Gradient Activation Map: Eine Technik zur Interpretation von Modellen der künstlichen Intelligenz (insbesondere Faltungs-Neuronale Netze), die den Prozess der Optimierung des letzten Teils des Netzwerks analysiert, um Daten- oder Bildbereiche mit hoher Vorhersagekraft zu identifizieren.
Standardmodell: Ein vorhandenes KI-Modell, das für die Ausführung ähnlicher Aufgaben vorab trainiert wurde.
Testen (im Kontext der künstlichen Intelligenz): Beobachten, wie ein Modell eine Aufgabe unter Verwendung von Daten ausführt, auf die es zuvor noch nicht gestoßen ist.
Training (im Kontext der künstlichen Intelligenz): Bereitstellung von Daten und Ergebnissen für ein Modell, damit das Modell seine internen Parameter anpasst, um seine Fähigkeit zur Aufgabenausführung mithilfe neuer Daten zu optimieren.
Vektor: Datenarray.Beim maschinellen Lernen ist jedes Array-Element normalerweise ein einzigartiges Merkmal der Probe.
Tabelle 1 listet die neuesten Kurse für April 2021 auf, einschließlich der angestrebten Lernziele für jedes Thema.Dieser Workshop richtet sich an Neueinsteiger auf technischem Niveau und erfordert über das erste Jahr eines Medizinstudiums hinaus keine mathematischen Kenntnisse.Der Kurs wurde von 6 Medizinstudenten und 3 Lehrern mit höheren Abschlüssen in Ingenieurwissenschaften entwickelt.Ingenieure entwickeln die Theorie der künstlichen Intelligenz für den Unterricht, und Medizinstudenten lernen klinisch relevantes Material.
Die Workshops umfassen Vorträge, Fallstudien und geführte Programmierung.In der ersten Vorlesung besprechen wir ausgewählte Konzepte der Datenanalyse in der Biostatistik, einschließlich Datenvisualisierung, logistischer Regression und dem Vergleich deskriptiver und induktiver Statistik.Obwohl die Datenanalyse die Grundlage der künstlichen Intelligenz ist, schließen wir Themen wie Data Mining, Signifikanztests oder interaktive Visualisierung aus.Dies lag an zeitlichen Engpässen und auch daran, dass einige Bachelor-Studenten zuvor eine Ausbildung in Biostatistik hatten und einzigartigere Themen des maschinellen Lernens abdecken wollten.Die anschließende Vorlesung stellt moderne Methoden vor und diskutiert die KI-Problemformulierung, Vorteile und Grenzen von KI-Modellen sowie Modelltests.Ergänzt werden die Vorlesungen durch Literatur und praktische Forschung zu bestehenden Geräten der künstlichen Intelligenz.Wir betonen die Fähigkeiten, die erforderlich sind, um die Wirksamkeit und Durchführbarkeit eines Modells zur Beantwortung klinischer Fragen zu bewerten, einschließlich des Verständnisses der Einschränkungen bestehender Geräte der künstlichen Intelligenz.Beispielsweise haben wir die Studierenden gebeten, die von Kupperman et al.5 vorgeschlagenen Leitlinien für Kopfverletzungen bei Kindern zu interpretieren, die einen Entscheidungsbaumalgorithmus mit künstlicher Intelligenz implementieren, um auf der Grundlage einer ärztlichen Untersuchung zu bestimmen, ob ein CT-Scan nützlich wäre.Wir betonen, dass dies ein häufiges Beispiel dafür ist, dass KI prädiktive Analysen für Ärzte zur Interpretation bereitstellt, anstatt Ärzte zu ersetzen.
In den verfügbaren Open-Source-Bootstrap-Programmierbeispielen (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) zeigen wir, wie explorative Datenanalyse, Dimensionsreduzierung, Laden von Standardmodellen und Training durchgeführt werden .und testen.Wir verwenden Google Colaboratory Notebooks (Google LLC, Mountain View, CA), die die Ausführung von Python-Code über einen Webbrowser ermöglichen.In Abb. Abbildung 2 zeigt ein Beispiel für eine Programmierübung.Diese Übung beinhaltet die Vorhersage bösartiger Erkrankungen mithilfe des Wisconsin Open Breast Imaging Dataset6 und eines Entscheidungsbaumalgorithmus.
Präsentieren Sie im Laufe der Woche Programme zu verwandten Themen und wählen Sie Beispiele aus veröffentlichten KI-Anwendungen aus.Programmierelemente werden nur einbezogen, wenn sie als relevant erachtet werden, um Einblicke in die künftige klinische Praxis zu geben, beispielsweise wie Modelle zu bewerten sind, um festzustellen, ob sie für den Einsatz in klinischen Studien bereit sind.Diese Beispiele gipfeln in einer vollwertigen End-to-End-Anwendung, die Tumore anhand medizinischer Bildparameter als gutartig oder bösartig klassifiziert.
Heterogenität des Vorwissens.Unsere Teilnehmer unterschieden sich in ihrem Niveau der mathematischen Kenntnisse.Studierende mit fortgeschrittenem technischen Hintergrund suchen beispielsweise nach tiefergehendem Material, beispielsweise zur Durchführung ihrer eigenen Fourier-Transformationen.Eine Diskussion des Fourier-Algorithmus im Unterricht ist jedoch nicht möglich, da hierfür vertiefte Kenntnisse der Signalverarbeitung erforderlich sind.
Anwesenheitsabfluss.Die Teilnahme an Folgetreffen, insbesondere bei Online-Formaten, ging zurück.Eine Lösung könnte darin bestehen, die Anwesenheit zu verfolgen und eine Abschlussbescheinigung auszustellen.Es ist bekannt, dass medizinische Fakultäten Zeugnisse außerschulischer akademischer Aktivitäten von Studierenden anerkennen, was Studierende dazu ermutigen kann, einen Abschluss zu machen.
Kursdesign: Da KI so viele Teilbereiche umfasst, kann die Auswahl von Kernkonzepten mit angemessener Tiefe und Breite eine Herausforderung sein.Beispielsweise ist die Durchgängigkeit der Nutzung von KI-Tools vom Labor bis zur Klinik ein wichtiges Thema.Während wir uns mit Datenvorverarbeitung, Modellbildung und Validierung befassen, beziehen wir uns nicht auf Themen wie Big-Data-Analyse, interaktive Visualisierung oder die Durchführung klinischer KI-Studien ein, sondern konzentrieren uns auf die einzigartigsten KI-Konzepte.Unser Leitprinzip ist die Verbesserung der Lese- und Schreibfähigkeit, nicht der Fertigkeiten.Für die Interpretierbarkeit ist es beispielsweise wichtig zu verstehen, wie ein Modell Eingabemerkmale verarbeitet.Eine Möglichkeit hierfür ist die Verwendung von Gradientenaktivierungskarten, die visualisieren können, welche Bereiche der Daten vorhersehbar sind.Dies erfordert jedoch eine multivariate Analysis und kann nicht eingeführt werden8.Die Entwicklung einer gemeinsamen Terminologie war eine Herausforderung, da wir erklären wollten, wie man mit Daten als Vektoren ohne mathematischen Formalismus arbeitet.Beachten Sie, dass verschiedene Begriffe dieselbe Bedeutung haben. In der Epidemiologie wird beispielsweise ein „Merkmal“ als „Variable“ oder „Attribut“ beschrieben.
Wissenserhaltung.Da die Anwendung von KI begrenzt ist, bleibt abzuwarten, inwieweit die Teilnehmer ihr Wissen behalten.Die Lehrpläne medizinischer Fakultäten basieren häufig auf räumlichen Wiederholungen, um das Wissen während praktischer Rotationen zu vertiefen9, was auch auf die KI-Ausbildung angewendet werden kann.
Professionalität ist wichtiger als Alphabetisierung.Die Tiefe des Materials ist ohne mathematische Strenge gestaltet, was bei der Einführung klinischer Kurse in künstlicher Intelligenz ein Problem darstellte.In den Programmierbeispielen verwenden wir ein Vorlagenprogramm, das es den Teilnehmern ermöglicht, Felder auszufüllen und die Software auszuführen, ohne herausfinden zu müssen, wie eine vollständige Programmierumgebung eingerichtet wird.
Bedenken hinsichtlich künstlicher Intelligenz ausgeräumt: Es gibt weit verbreitete Bedenken, dass künstliche Intelligenz einige klinische Aufgaben ersetzen könnte3.Um dieses Problem anzugehen, erläutern wir die Grenzen der KI, einschließlich der Tatsache, dass fast alle von den Aufsichtsbehörden zugelassenen KI-Technologien eine ärztliche Aufsicht erfordern11.Wir betonen auch die Bedeutung von Verzerrungen, da Algorithmen anfällig für Verzerrungen sind, insbesondere wenn der Datensatz nicht vielfältig ist12.Folglich kann es sein, dass eine bestimmte Untergruppe falsch modelliert wird, was zu unfairen klinischen Entscheidungen führt.
Ressourcen sind öffentlich verfügbar: Wir haben öffentlich verfügbare Ressourcen erstellt, einschließlich Vorlesungsfolien und Code.Obwohl der Zugriff auf synchrone Inhalte aufgrund von Zeitzonen eingeschränkt ist, stellen Open-Source-Inhalte eine praktische Methode für asynchrones Lernen dar, da KI-Expertise nicht an allen medizinischen Fakultäten verfügbar ist.
Interdisziplinäre Zusammenarbeit: Bei diesem Workshop handelt es sich um ein von Medizinstudierenden initiiertes Gemeinschaftsprojekt zur gemeinsamen Planung von Lehrveranstaltungen mit Ingenieuren.Dies zeigt Kooperationsmöglichkeiten und Wissenslücken in beiden Bereichen auf und ermöglicht es den Teilnehmern, die potenzielle Rolle zu verstehen, die sie in der Zukunft beitragen können.
Definieren Sie KI-Kernkompetenzen.Durch die Definition einer Kompetenzliste entsteht eine standardisierte Struktur, die in bestehende kompetenzbasierte medizinische Lehrpläne integriert werden kann.Dieser Workshop verwendet derzeit die Lernzielstufen 2 (Verstehen), 3 (Anwendung) und 4 (Analyse) der Bloom-Taxonomie.Durch den Besitz von Ressourcen auf höheren Klassifizierungsebenen, beispielsweise durch die Erstellung von Projekten, kann das Wissen weiter gestärkt werden.Dies erfordert die Zusammenarbeit mit klinischen Experten, um zu ermitteln, wie KI-Themen auf klinische Arbeitsabläufe angewendet werden können, und um zu verhindern, dass sich wiederholende Themen vermittelt werden, die bereits in den medizinischen Standardlehrplänen enthalten sind.
Erstellen Sie Fallstudien mithilfe von KI.Ähnlich wie bei klinischen Beispielen kann fallbasiertes Lernen abstrakte Konzepte stärken, indem es ihre Relevanz für klinische Fragestellungen hervorhebt.In einer Workshop-Studie wurde beispielsweise Googles KI-basiertes Erkennungssystem für diabetische Retinopathie 13 analysiert, um Herausforderungen auf dem Weg vom Labor zur Klinik zu identifizieren, wie etwa externe Validierungsanforderungen und behördliche Zulassungswege.
Nutzen Sie erfahrungsbasiertes Lernen: Um technische Fähigkeiten zu beherrschen, sind gezieltes Üben und wiederholte Anwendung erforderlich, ähnlich wie bei den rotierenden Lernerfahrungen klinischer Auszubildender.Eine mögliche Lösung ist das Flipped-Classroom-Modell, das Berichten zufolge den Wissenserhalt in der Ingenieurausbildung verbessert14.Bei diesem Modell wiederholen die Studierenden das theoretische Material selbstständig und die Unterrichtszeit ist der Lösung von Problemen anhand von Fallstudien gewidmet.
Skalierung für multidisziplinäre Teilnehmer: Wir stellen uns vor, dass die Einführung von KI eine Zusammenarbeit zwischen mehreren Disziplinen, einschließlich Ärzten und verwandten Gesundheitsfachkräften mit unterschiedlichem Ausbildungsniveau, beinhaltet.Daher müssen möglicherweise Lehrpläne in Absprache mit Lehrkräften verschiedener Abteilungen entwickelt werden, um deren Inhalte auf verschiedene Bereiche der Gesundheitsfürsorge abzustimmen.
Künstliche Intelligenz ist Hightech und ihre Kernkonzepte beziehen sich auf Mathematik und Informatik.Die Schulung des Gesundheitspersonals zum Verständnis künstlicher Intelligenz stellt besondere Herausforderungen in Bezug auf die Auswahl der Inhalte, die klinische Relevanz und die Bereitstellungsmethoden dar.Wir hoffen, dass die Erkenntnisse aus den Workshops „KI in der Bildung“ künftigen Pädagogen dabei helfen werden, innovative Wege zur Integration von KI in die medizinische Ausbildung zu beschreiten.
Das Google Colaboratory Python-Skript ist Open Source und verfügbar unter: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG und Khan, S. Medizinische Ausbildung neu denken: ein Aufruf zum Handeln.Akkad.Medizin.88, 1407–1410 (2013).
McCoy, LG usw. Was müssen Medizinstudenten wirklich über künstliche Intelligenz wissen?NPZh-Zahlen.Medizin 3, 1–3 (2020).
Dos Santos, DP, et al.Einstellungen von Medizinstudenten zur künstlichen Intelligenz: eine multizentrische Umfrage.EURO.Strahlung.29, 1640–1646 (2019).
Fan, KY, Hu, R. und Singla, R. Einführung in maschinelles Lernen für Medizinstudenten: ein Pilotprojekt.J. Med.unterrichten.54, 1042–1043 (2020).
Cooperman N, et al.Identifizierung von Kindern mit sehr geringem Risiko einer klinisch signifikanten Hirnverletzung nach einer Kopfverletzung: eine prospektive Kohortenstudie.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH und Mangasarian, OL.Extraktion nuklearer Merkmale zur Brusttumordiagnose.Biomedizinische Wissenschaft.Bildverarbeitung.Biomedizinische Wissenschaft.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. und Peng, L. Wie man Modelle für maschinelles Lernen für das Gesundheitswesen entwickelt.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-Cam: Visuelle Interpretation tiefer Netzwerke mittels Gradienten-basierter Lokalisierung.Tagungsband der IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K und Ilic D. Entwicklung und Evaluierung eines Spiralmodells zur Bewertung evidenzbasierter medizinischer Kompetenzen unter Verwendung von OSCE in der medizinischen Grundausbildung.BMK Medizin.unterrichten.21, 1–9 (2021).
Kolachalama VB und Garg PS Maschinelles Lernen und medizinische Ausbildung.NPZh-Zahlen.Medizin.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. und de Rooy, M. Künstliche Intelligenz in der Radiologie: 100 kommerzielle Produkte und ihre wissenschaftlichen Beweise.EURO.Strahlung.31, 3797–3804 (2021).
Topol, EJ Hochleistungsmedizin: die Konvergenz von menschlicher und künstlicher Intelligenz.Nat.Medizin.25, 44–56 (2019).
Bede, E. et al.Menschenzentrierte Evaluierung eines in der Klinik eingesetzten Deep-Learning-Systems zur Erkennung diabetischer Retinopathie.Tagungsband der CHI-Konferenz 2020 über menschliche Faktoren in Computersystemen (2020).
Kerr, B. Das umgedrehte Klassenzimmer in der Ingenieurausbildung: Ein Forschungsbericht.Tagungsband der Internationalen Konferenz zum interaktiven kollaborativen Lernen 2015 (2015).
Die Autoren danken Danielle Walker, Tim Salcudin und Peter Zandstra vom Biomedical Imaging and Artificial Intelligence Research Cluster an der University of British Columbia für Unterstützung und Finanzierung.
RH, PP, ZH, RS und MA waren für die Entwicklung der Lehrinhalte des Workshops verantwortlich.RH und PP waren für die Entwicklung der Programmierbeispiele verantwortlich.KYF, OY, MT und PW waren für die logistische Organisation des Projekts und die Analyse der Workshops verantwortlich.RH, OY, MT, RS waren für die Erstellung der Abbildungen und Tabellen verantwortlich.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS waren für die Ausarbeitung und Bearbeitung des Dokuments verantwortlich.
Communication Medicine dankt Carolyn McGregor, Fabio Moraes und Aditya Borakati für ihre Beiträge zur Rezension dieser Arbeit.
Zeitpunkt der Veröffentlichung: 19. Februar 2024