Vielen Dank für Ihren Besuch bei Nature.com. Die von Ihnen verwendete Version des Browsers hat eine begrenzte CSS -Unterstützung. Für die besten Ergebnisse empfehlen wir eine neuere Version Ihres Browsers (oder die Ausschaltung des Kompatibilitätsmodus im Internet Explorer). In der Zwischenzeit zeigen wir die Website ohne Styling oder JavaScript, um eine kontinuierliche Unterstützung zu gewährleisten.
Die Anwendungen der klinischen künstlichen Intelligenz (KI) wachsen schnell, aber die vorhandenen Lehrpläne für medizinische Fakultäten bieten nur begrenztes Unterricht in diesem Bereich. Hier beschreiben wir einen künstlichen Intelligenz -Schulungskurs, den wir kanadischen Medizinstudenten entwickelt und geliefert haben, und geben Empfehlungen für zukünftige Schulungen ab.
Künstliche Intelligenz (KI) in der Medizin kann die Effizienz am Arbeitsplatz verbessern und die klinische Entscheidungsfindung unterstützen. Um die Verwendung künstlicher Intelligenz sicher zu leiten, müssen Ärzte ein gewisses Verständnis der künstlichen Intelligenz haben. Viele Kommentare befürworten das Unterrichten von KI -Konzepten1, wie die Erklärung von KI -Modellen und Verifizierungsprozesse2. Es wurden jedoch nur wenige strukturierte Pläne umgesetzt, insbesondere auf nationaler Ebene. Pinto dos Santos et al.3. 263 Medizinstudenten wurden befragt und 71% stimmten zu, dass sie in künstlicher Intelligenz schulen mussten. Das Unterrichten künstlicher Intelligenz für ein Medizinpublikum erfordert ein sorgfältiges Design, das technische und nichttechnische Konzepte für Studenten kombiniert, die häufig über ein umfangreiches Vorkenntnis verfügen. Wir beschreiben unsere Erfahrung mit einer Reihe von KI -Workshops an drei Gruppen von Medizinstudenten und geben Empfehlungen für die zukünftige medizinische Ausbildung in der KI ab.
Unsere fünfwöchige Einführung in die künstliche Intelligenz im Medizin-Workshop für Medizinstudenten fand zwischen Februar 2019 und April 2021 dreimal statt Drei primäre Lernziele: Die Schüler verstehen, wie Daten in Anwendungen für künstliche Intelligenz verarbeitet werden, die Literatur zur künstlichen Intelligenz für klinische Anwendungen analysieren und die Möglichkeiten nutzen, mit Ingenieuren zusammenzuarbeiten, die künstliche Intelligenz entwickeln.
Blau ist das Thema der Vorlesung und hellblau ist die interaktive Frage- und Antwortzeit. Der graue Abschnitt steht im Mittelpunkt der kurzen Literaturübersicht. Die orangefarbenen Abschnitte sind ausgewählte Fallstudien, die Modelle oder Techniken für künstliche Intelligenz beschreiben. Green ist ein geführter Programmierkurs, der künstliche Intelligenz lehrt, um klinische Probleme zu lösen und Modelle zu bewerten. Der Inhalt und die Dauer der Workshops variieren je nach Einschätzung der Bedürfnisse der Schüler.
Der erste Workshop fand von Februar bis April 2019 an der University of British Columbia statt, und alle 8 Teilnehmer gaben ein positives Feedback4. Aufgrund von Covid-19 fand der zweite Workshop im Oktober-November 2020 praktisch statt. 222 Medizinstudenten und 3 Einwohner von 8 kanadischen medizinischen Fakultäten registrierten sich. Präsentationsfolien und Code wurden auf eine Open -Access -Site (http://ubcaimed.github.io) hochgeladen. Das Hauptfeedback der ersten Iteration war, dass die Vorträge zu intensiv und das Material zu theoretisch waren. Die Dienste Kanadas sechs verschiedene Zeitzonen stellt zusätzliche Herausforderungen dar. Daher verkürzte der zweite Workshop jede Sitzung auf 1 Stunde, vereinfachte das Kursmaterial, fügte mehr Fallstudien hinzu und erstellte Kesselplattenprogramme, mit denen die Teilnehmer Code -Snippets mit minimalem Debugging absolvieren konnten (Box 1). Wichtige Rückmeldungen aus der zweiten Iteration beinhalteten positive Rückmeldungen zu den Programmierübungen und eine Anfrage zur Nachweis der Planung für ein maschinelles Lernprojekt. Daher haben wir in unserem dritten Workshop, der im März April 2021 praktisch für 126 Medizinstudenten stattfindet, mehr interaktive Codierungsübungen und Projekt-Feedback-Sitzungen aufgenommen, um die Auswirkungen der Verwendung von Workshop-Konzepten auf Projekte zu demonstrieren.
Datenanalyse: Ein Studiengebiet in Statistiken, der sinnvolle Muster in Daten durch Analyse, Verarbeitung und Kommunikation von Datenmustern identifiziert.
Data Mining: Der Prozess der Identifizierung und Extrahieren von Daten. Im Zusammenhang mit künstlicher Intelligenz ist dies oft groß, mit mehreren Variablen für jede Probe.
Reduzierung der Dimensionalität: Der Prozess der Umwandlung von Daten mit vielen einzelnen Merkmalen in weniger Funktionen und gleichzeitig die wichtigen Eigenschaften des ursprünglichen Datensatzes beibehalten.
Merkmale (im Kontext künstlicher Intelligenz): messbare Eigenschaften einer Stichprobe. Oft austauschbar mit „Eigenschaft“ oder „Variable“ verwendet.
Gradientenaktivierungskarte: Eine Technik zur Interpretation künstlicher Intelligenzmodelle (insbesondere Faltungsnetzwerke), die den Prozess der Optimierung des letzten Teils des Netzwerks analysiert, um Regionen von Daten oder Bildern zu identifizieren, die hochvorhersehbar sind.
Standardmodell: Ein vorhandenes KI-Modell, das vorbereitet wurde, um ähnliche Aufgaben auszuführen.
Testen (im Kontext künstlicher Intelligenz): Beobachten Sie, wie ein Modell eine Aufgabe unter Verwendung von Daten ausführt, die es zuvor nicht aufgetreten ist.
Training (im Zusammenhang mit künstlicher Intelligenz): Bereitstellung eines Modells mit Daten und Ergebnissen, damit das Modell seine internen Parameter anpasst, um seine Fähigkeit zur Ausführung von Aufgaben mithilfe neuer Daten zu optimieren.
Vektor: Array von Daten. Im maschinellen Lernen ist jedes Array -Element normalerweise ein einzigartiges Merkmal der Probe.
In Tabelle 1 sind die neuesten Kurse für April 2021 aufgeführt, einschließlich gezielter Lernziele für jedes Thema. Dieser Workshop ist für diejenigen, die neu auf dem technischen Niveau neu sind, und erfordert kein mathematisches Wissen über das erste Jahr eines medizinischen Abschlusses im Grundstudium. Der Kurs wurde von 6 Medizinstudenten und 3 Lehrern mit fortgeschrittenem Ingenieurabschluss entwickelt. Ingenieure entwickeln künstliche Intelligenztheorie zum Unterrichten, und Medizinstudenten lernen klinisch relevantes Material.
Workshops umfassen Vorträge, Fallstudien und geführte Programme. In der ersten Vorlesung überprüfen wir ausgewählte Datenanalysekonzepte in der Biostatistik, einschließlich Datenvisualisierung, logistischer Regression und dem Vergleich der deskriptiven und induktiven Statistiken. Obwohl die Datenanalyse die Grundlage für künstliche Intelligenz ist, schließen wir Themen wie Data Mining, Signifikanztests oder interaktive Visualisierung aus. Dies war an zeitlichen Einschränkungen zurückzuführen, und auch daran, dass einige Studenten zuvor in Biostatistik geschult hatten und mehr einzigartige Themen für maschinelles Lernen behandeln wollten. Die nachfolgende Vorlesung führt moderne Methoden ein und diskutiert die Formulierung von KI -Problemen, die Vorteile und Einschränkungen von KI -Modellen sowie Modelltests. Die Vorträge werden durch Literatur und praktische Forschung zu bestehenden Geräten für künstliche Intelligenz ergänzt. Wir betonen die Fähigkeiten, die zur Bewertung der Wirksamkeit und Durchführbarkeit eines Modells zur Beantwortung klinischer Fragen erforderlich sind, einschließlich des Verständnisses der Grenzen bestehender Geräte für künstliche Intelligenz. Zum Beispiel haben wir die Schüler gebeten, die von Kupperman et al. Wir betonen, dass dies ein häufiges Beispiel dafür ist, dass die KI Ärzten eine prädiktive Analyse zur Verfügung stellt, 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 exploratorische Datenanalysen, Dimensionalitätsreduzierung, Standardmodellbelastung und Training durchgeführt werden können. . und Tests. Wir verwenden Google Colaboratory Notebooks (Google LLC, Mountain View, CA), mit denen Python -Code aus einem Webbrowser ausgeführt werden kann. In Abbildung 2 liefert Abbildung 2 ein Beispiel für eine Programmierübung. Diese Übung beinhaltet die Vorhersage von Malignitäten mit dem Wisconsin Open Breast Imaging Dataset6 und einem Entscheidungsbaumalgorithmus.
Präsentieren Sie Programme während der Woche zu verwandten Themen und wählen Sie Beispiele aus veröffentlichten KI -Anwendungen aus. Programmierelemente werden nur einbezogen, wenn sie als relevant gelten, um einen Einblick in die zukünftige klinische Praxis zu gewährleisten, z. Diese Beispiele gipfeln in einer vollwertigen End-to-End-Anwendung, die Tumoren als gutartig oder bösartig auf der Grundlage medizinischer Bildparameter einstuft.
Heterogenität des Vorwissens. Unsere Teilnehmer variierten in ihrem mathematischen Wissensniveau. Beispielsweise suchen Schüler mit fortschrittlichem Ingenieurwesen nach detaillierterem Material, z. B. wie ihre eigenen Fourier-Transformationen durchführen können. Es ist jedoch nicht möglich, den Fourier-Algorithmus in der Klasse zu diskutieren, da er eingehendes Wissen über die Signalverarbeitung erfordert.
Anwesenheitsabfluss. Die Teilnahme an Folgeversammlungen nahm ab, insbesondere in Online-Formaten. Eine Lösung kann darin bestehen, die Teilnahme zu verfolgen und ein Abschlusszertifikat vorzulegen. Es ist bekannt, dass medizinische Fakultätszusammenschriften von außerschulischen akademischen Aktivitäten der Schüler anerkannt werden, die die Schüler dazu ermutigen können, einen Abschluss zu machen.
Kursdesign: Da KI so viele Unterfelder umfasst, kann die Auswahl von Kernkonzepten von angemessener Tiefe und Breite eine Herausforderung sein. Beispielsweise ist die Kontinuität der Verwendung von KI -Tools vom Labor zur Klinik ein wichtiges Thema. Während wir Datenvorverarbeitung, Modellaufbau und Validierung abdecken, enthalten wir keine Themen wie Big Data Analytics, interaktive Visualisierung oder klinische KI -Studien durch, sondern konzentrieren wir uns auf die einzigartigsten KI -Konzepte. Unser Leitprinzip ist es, die Alphabetisierung zu verbessern, nicht Fähigkeiten. Beispielsweise ist es wichtig zu verstehen, wie ein Modell Eingabefunktionen für die Interpretierbarkeit verarbeitet. Eine Möglichkeit, dies zu tun, besteht darin, Gradientenaktivierungskarten zu verwenden, die sich vorstellen können, welche Regionen der Daten vorhersehbar sind. Dies erfordert jedoch einen multivariaten Kalkül und kann nicht eingeführt werden8. Die Entwicklung einer gemeinsamen Terminologie war eine Herausforderung, da wir versuchten zu erklären, wie wir mit Daten als Vektoren ohne mathematischen Formalismus arbeiten können. Beachten Sie, dass verschiedene Begriffe die gleiche Bedeutung haben, beispielsweise in der Epidemiologie, ein „Merkmal“ wird als „Variable“ oder „Attribut“ beschrieben.
Wissensbindung. Da die Anwendung von KI begrenzt ist, bleibt das Ausmaß, in dem die Teilnehmer Kenntnisse beibehalten, bleibt. Die Lehrpläne der medizinischen Fakultät stützen sich häufig auf eine Wiederholung von Richtlinien, um das Wissen während praktischer Rotationen zu verstärken, die auch auf die KI -Ausbildung angewendet werden können.
Professionalität ist wichtiger als Alphabetisierung. Die Tiefe des Materials ist ohne mathematische Strenge entworfen, was bei der Einführung klinischer Kurse in künstlicher Intelligenz ein Problem war. In den Programmierbeispielen verwenden wir ein Vorlagenprogramm, mit dem die Teilnehmer Felder ausfüllen und die Software ausführen können, ohne herauszufinden, wie eine vollständige Programmierumgebung eingerichtet wird.
Bedenken hinsichtlich künstlicher Intelligenz behandelt: Es besteht weit verbreitete Bedenken, dass künstliche Intelligenz einige klinische Aufgaben ersetzen könnte3. Um dieses Problem anzugehen, erläutern wir die Einschränkungen der KI, einschließlich der Tatsache, dass fast alle von den Aufsichtsbehörden genehmigten KI -Technologien die Überwachung von Arzt benötigen. Wir betonen auch die Bedeutung von Verzerrungen, da Algorithmen anfällig für Verzerrungen sind, insbesondere wenn der Datensatz nicht vielfältig ist12. Folglich kann eine bestimmte Untergruppe falsch modelliert werden, 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 begrenzt ist, ist Open -Source -Inhalte eine bequeme Methode für asynchrone Lernen, da KI -Fachkenntnisse an nicht allen medizinischen Fakultäten nicht verfügbar sind.
Interdisziplinäre Zusammenarbeit: Dieser Workshop ist ein Joint Venture, das von Medizinstudenten zusammen mit Ingenieuren geplant ist. Dies zeigt die Möglichkeiten der Zusammenarbeit und Wissenslücken in beiden Bereichen und ermöglicht es den Teilnehmern, die potenzielle Rolle zu verstehen, die sie in Zukunft beitragen können.
Definieren Sie KI -Kernkompetenzen. Das Definieren einer Liste von Kompetenzen bietet eine standardisierte Struktur, die in bestehende kompetenzbasierte medizinische Lehrpläne integriert werden kann. Dieser Workshop verwendet derzeit die Lernziele der Ebene 2 (Verständnis), 3 (Anwendung) und 4 (Analyse) der Taxonomie von Bloom. Die Ressourcen auf höheren Klassifizierungsebenen wie das Erstellen von Projekten können das Wissen weiter stärken. Dies erfordert die Zusammenarbeit mit klinischen Experten, um festzustellen, wie KI -Themen auf klinische Workflows angewendet werden können und die Lehre von sich wiederholenden Themen verhindern können, die bereits in Standard -medizinischen Lehrplänen enthalten sind.
Erstellen Sie Fallstudien mit AI. Ähnlich wie bei klinischen Beispielen kann das fallbasierte Lernen abstrakte Konzepte verstärken, indem sie ihre Relevanz für klinische Fragen hervorheben. Beispielsweise analysierte eine Workshop-Studie das AI-basierte diabetische Retinopathie-Erkennungssystem von Google 13, um Herausforderungen auf dem Weg vom Labor zu Klinik zu identifizieren, wie z. B. externe Validierungsanforderungen und regulatorische Zulassungswege.
Verwenden Sie experimentelles Lernen: Technische Fähigkeiten erfordern eine fokussierte Praxis und eine wiederholte Anwendung, ähnlich wie die rotierenden Lernerfahrungen klinischer Auszubildender. Eine potenzielle Lösung ist das umgedrehte Klassenzimmermodell, bei dem berichtet wurde, dass sie die Wissensbindung im Ingenieurausbildung verbessern14. In diesem Modell überprüfen die Schüler theoretisches Material unabhängig voneinander, und die Klassenzeit widmet sich der Lösung von Problemen durch Fallstudien.
Skalierung von multidisziplinären Teilnehmern: Wir stellen uns die Einführung von KI vor, die in mehreren Disziplinen zusammenarbeiten, darunter Ärzte und alliierte Gesundheitsberufe mit unterschiedlichem Ausbildungsniveau. Daher muss möglicherweise Lehrpläne in Absprache mit der Fakultät von verschiedenen Abteilungen entwickelt werden, um ihre Inhalte auf verschiedene Bereiche der Gesundheitsversorgung anzupassen.
Künstliche Intelligenz ist High-Tech und seine Kernkonzepte beziehen sich auf Mathematik und Informatik. Schulung des Gesundheitswesens zum Verständnis der künstlichen Intelligenz stellt einzigartige Herausforderungen bei der Auswahl von Inhalten, klinischen Relevanz und Liefermethoden. Wir hoffen, dass die Erkenntnisse, die aus der KI in Bildungsworkshops gewonnen wurden, zukünftigen Pädagogen helfen werden, innovative Wege zu nutzen, um die KI in die medizinische Ausbildung zu integrieren.
Das Google Colaboratory Python -Skript ist Open Source und erhältlich unter: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG und Khan, S. Rethinking Medical Education: 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. Einstellung der 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 Kopfverletzung: einer prospektiven Kohortenstudie. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH und Mangasarian, OL. Kernmerkmalextraktion für die Brusttumordiagnose. Biomedizinische Wissenschaft. Bildverarbeitung. Biomedizinische Wissenschaft. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. und Peng, L. Wie man maschinelles Lernenmodelle für die Gesundheitsversorgung entwickelt. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-CAM: Visuelle Interpretation von tiefen Netzwerken durch gradientenbasierte Lokalisierung. Proceedings der IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K und ILIC D. Entwicklung und Bewertung eines Spiralmodells zur Beurteilung der evidenzbasierten Medizinkompetenzen unter Verwendung von OSZE bei der medizinischen Ausbildung im Grundstudium. 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 menschlicher und künstlicher Intelligenz. Nat. Medizin. 25, 44–56 (2019).
Bede, E. et al. Menschenzentrierte Bewertung eines Deep-Lern-Systems, das in der Klinik zur Erkennung von diabetischer Retinopathie eingesetzt wird. Verfahren der 2020 CHI -Konferenz über menschliche Faktoren in Computersystemen (2020).
Kerr, B. Das umgedrehte Klassenzimmer für Ingenieurausbildung: Eine Research Review. Proceedings der Internationalen Konferenz 2015 über interaktives kollaboratives Lernen (2015).
Die Autoren danken Danielle Walker, Tim Salcudin und Peter Zandstra von der biomedizinischen Bildgebung und künstlichen Intelligenz -Forschungscluster an der University of British Columbia für Unterstützung und Finanzierung.
RH, PP, ZH, RS und MA waren für die Entwicklung des Workshop -Unterrichtsinhalts 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 Figuren und Tabellen verantwortlich. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS waren für die Ausarbeitung und Bearbeitung des Dokuments verantwortlich.
Kommunikationsmedizin dankt Carolyn McGregor, Fabio Moraes und Aditya Borakati für ihre Beiträge zur Überprüfung dieser Arbeit.
Postzeit: Februar 19. bis 2024