Vielen Dank für Ihren Besuch auf Nature.com. Ihre Browserversion bietet nur eingeschränkte CSS-Unterstützung. Für eine optimale Darstellung empfehlen wir Ihnen, eine neuere Browserversion zu verwenden (oder den Kompatibilitätsmodus im Internet Explorer zu deaktivieren). Um die fortlaufende Unterstützung zu gewährleisten, wird die Website bis dahin ohne CSS-Formatierung und JavaScript angezeigt.
Die Anwendungsmöglichkeiten klinischer künstlicher Intelligenz (KI) nehmen rasant zu, doch die bestehenden Lehrpläne der medizinischen Fakultäten bieten nur begrenzte Lehrinhalte zu diesem Thema. Wir beschreiben hier einen von uns entwickelten und für kanadische Medizinstudierende durchgeführten KI-Schulungskurs und geben Empfehlungen für zukünftige Schulungen.
Künstliche Intelligenz (KI) kann in der Medizin die Effizienz am Arbeitsplatz steigern und die klinische Entscheidungsfindung unterstützen. Um KI sicher einsetzen zu können, benötigen Ärzte grundlegende KI-Kenntnisse. Zahlreiche Stellungnahmen befürworten die Vermittlung von KI-Konzepten¹, beispielsweise die Erläuterung von KI-Modellen und Verifizierungsprozessen². Bislang wurden jedoch nur wenige strukturierte Pläne umgesetzt, insbesondere auf nationaler Ebene. Pinto dos Santos et al.³ befragten 263 Medizinstudierende, von denen 71 % angaben, eine KI-Schulung zu benötigen. Die Vermittlung von KI an ein medizinisches Publikum erfordert eine sorgfältige Konzeption, die technische und nicht-technische Konzepte kombiniert, da die Studierenden oft über umfangreiche Vorkenntnisse verfügen. Wir beschreiben unsere Erfahrungen mit einer Reihe von KI-Workshops für drei Gruppen von Medizinstudierenden 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. Der Zeitplan für jeden Workshop mit einer kurzen Beschreibung der Kursänderungen ist in Abbildung 1 dargestellt. Unser Kurs verfolgt drei Hauptlernziele: Die Studierenden sollen verstehen, wie Daten in Anwendungen der Künstlichen Intelligenz verarbeitet werden, die Fachliteratur zur Künstlichen Intelligenz im Hinblick auf klinische Anwendungen analysieren und die Möglichkeiten zur Zusammenarbeit mit Ingenieuren, die an der Entwicklung von Künstlicher Intelligenz beteiligt sind, nutzen.
Blau markiert das Thema der Vorlesung, Hellblau die interaktive Fragerunde. Der graue Bereich konzentriert sich auf die kurze Literaturübersicht. Die orangen Abschnitte enthalten ausgewählte Fallstudien, die Modelle oder Techniken der künstlichen Intelligenz beschreiben. Grün steht für einen angeleiteten Programmierkurs, der die Anwendung künstlicher Intelligenz zur Lösung klinischer Probleme und zur Evaluierung von Modellen vermittelt. Inhalt und Dauer der Workshops werden individuell auf die Bedürfnisse der Studierenden abgestimmt.
Der erste Workshop fand von Februar bis April 2019 an der University of British Columbia statt und erhielt von allen acht Teilnehmenden positives Feedback⁴. Aufgrund von COVID-19 wurde der zweite Workshop im Oktober/November 2020 virtuell abgehalten. 222 Medizinstudierende und drei Assistenzärzte von acht kanadischen medizinischen Fakultäten nahmen teil. Präsentationsfolien und Code wurden auf einer Open-Access-Plattform (http://ubcaimed.github.io) veröffentlicht. Das wichtigste Feedback zum ersten Workshop war, dass die Vorlesungen zu intensiv und die Inhalte zu theoretisch waren. Die Berücksichtigung der sechs verschiedenen Zeitzonen Kanadas stellt zusätzliche Herausforderungen dar. Daher wurden im zweiten Workshop die einzelnen Sitzungen auf eine Stunde verkürzt, die Kursinhalte vereinfacht, weitere Fallstudien hinzugefügt und Beispielprogramme erstellt, mit denen die Teilnehmenden Codeabschnitte mit minimalem Debugging vervollständigen konnten (Kasten 1). Zu den wichtigsten Rückmeldungen zum zweiten Workshop gehörten positives Feedback zu den Programmierübungen und der Wunsch, die Planung eines Machine-Learning-Projekts zu demonstrieren. Deshalb haben wir in unserem dritten Workshop, der im März/April 2021 virtuell für 126 Medizinstudenten stattfand, interaktivere Programmierübungen und Feedback-Sitzungen zu den Projekten eingeführt, um die Auswirkungen der Workshop-Konzepte auf die Projekte zu demonstrieren.
Datenanalyse: Ein Teilgebiet der Statistik, das durch Analyse, Verarbeitung und Kommunikation von Datenmustern aussagekräftige Muster in Daten identifiziert.
Data-Mining: der Prozess der Identifizierung und Extraktion von Daten. Im Kontext der künstlichen Intelligenz sind die Datenmengen oft umfangreich und umfassen mehrere Variablen pro Stichprobe.
Dimensionsreduktion: Der Prozess der Umwandlung von Daten mit vielen einzelnen Merkmalen in weniger Merkmale unter Beibehaltung der wichtigen Eigenschaften des ursprünglichen Datensatzes.
Merkmale (im Kontext der künstlichen Intelligenz): messbare Eigenschaften einer Stichprobe. Oft synonym mit „Eigenschaft“ oder „Variable“ verwendet.
Gradient Activation Map: Eine Technik zur Interpretation von Modellen der künstlichen Intelligenz (insbesondere von Convolutional Neural Networks), die den Prozess der Optimierung des letzten Teils des Netzwerks analysiert, um Bereiche von Daten oder Bildern zu identifizieren, die eine hohe Vorhersagekraft besitzen.
Standardmodell: Ein bestehendes KI-Modell, das für die Ausführung ähnlicher Aufgaben vortrainiert wurde.
Testen (im Kontext der künstlichen Intelligenz): Beobachten, wie ein Modell eine Aufgabe mit Daten erfüllt, die es zuvor noch nicht gesehen hat.
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 Ausführung von Aufgaben unter Verwendung neuer Daten zu optimieren.
Vektor: ein Datenarray. Im maschinellen Lernen repräsentiert jedes Array-Element üblicherweise ein einzigartiges Merkmal der Stichprobe.
Tabelle 1 listet die neuesten Kurse für April 2021 auf, inklusive der jeweiligen Lernziele. Dieser Workshop richtet sich an Einsteiger im technischen Bereich und setzt keine mathematischen Vorkenntnisse über das erste Studienjahr eines Medizinstudiums hinaus voraus. Der Kurs wurde von sechs Medizinstudierenden und drei Dozenten mit Hochschulabschluss in Ingenieurwissenschaften entwickelt. Die Ingenieure vermitteln Theorien der künstlichen Intelligenz, während die Medizinstudierenden klinisch relevante Inhalte erlernen.
Die Workshops umfassen Vorlesungen, Fallstudien und angeleitetes Programmieren. In der ersten Vorlesung werden ausgewählte Konzepte der Datenanalyse in der Biostatistik behandelt, darunter Datenvisualisierung, logistische Regression und der Vergleich deskriptiver und induktiver Statistik. Obwohl die Datenanalyse die Grundlage der künstlichen Intelligenz bildet, werden Themen wie Data Mining, Signifikanztests oder interaktive Visualisierung nicht behandelt. Dies geschah aus Zeitgründen und weil einige Studierende bereits über Vorkenntnisse in Biostatistik verfügten und sich auf spezifischere Themen des maschinellen Lernens konzentrieren wollten. Die darauffolgende Vorlesung stellt moderne Methoden vor und diskutiert die Formulierung von KI-Problemen, die Vorteile und Grenzen von KI-Modellen sowie deren Testung. Ergänzt werden die Vorlesungen durch Literatur und praktische Forschung zu bestehenden KI-Systemen. Wir legen Wert auf die Kompetenzen, die zur Bewertung der Effektivität und Machbarkeit eines Modells zur Beantwortung klinischer Fragestellungen erforderlich sind, einschließlich des Verständnisses der Grenzen bestehender KI-Systeme. Beispielsweise wurden die Studierenden gebeten, die von Kupperman et al.5 vorgeschlagenen Leitlinien für Schädel-Hirn-Traumata im Kindesalter zu interpretieren. Diese Leitlinien implementieren einen KI-Entscheidungsbaumalgorithmus, um auf Grundlage der ärztlichen Untersuchung zu bestimmen, ob eine Computertomographie (CT) sinnvoll ist. Wir betonen, dass dies ein typisches Beispiel dafür ist, wie KI prädiktive Analysen für Ärzte bereitstellt, die diese interpretieren können, 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, Dimensionsreduktion, Standard-Modellladen sowie Training und Testen durchgeführt werden. Wir verwenden Google Colaboratory Notebooks (Google LLC, Mountain View, CA), die die Ausführung von Python-Code im Webbrowser ermöglichen. Abbildung 2 zeigt ein Beispiel für eine Programmierübung. Diese Übung beinhaltet die Vorhersage von Malignomen mithilfe des Wisconsin Open Breast Imaging Dataset6 und eines Entscheidungsbaumalgorithmus.
Im Laufe der Woche werden Programme zu verwandten Themen vorgestellt und Beispiele aus veröffentlichten KI-Anwendungen ausgewählt. Programmierelemente werden nur dann einbezogen, wenn sie für die Gewinnung von Erkenntnissen für die zukünftige klinische Praxis relevant sind, beispielsweise zur Evaluierung von Modellen hinsichtlich ihrer Eignung für klinische Studien. Diese Beispiele münden in einer vollständigen End-to-End-Anwendung, die Tumore anhand medizinischer Bildparameter als gutartig oder bösartig klassifiziert.
Heterogenität des Vorwissens. Unsere Teilnehmer wiesen unterschiedliche mathematische Vorkenntnisse auf. Beispielsweise suchten Studierende mit fortgeschrittenen ingenieurwissenschaftlichen Kenntnissen nach vertiefenden Inhalten, etwa zur Durchführung eigener Fourier-Transformationen. Die Behandlung des Fourier-Algorithmus im Unterricht war jedoch nicht möglich, da dies fundierte Kenntnisse der Signalverarbeitung voraussetzt.
Rückgang der Teilnahme. Die Teilnahme an Folgetreffen, insbesondere in Online-Formaten, ging zurück. Eine Lösung könnte darin bestehen, die Anwesenheit zu erfassen und eine Teilnahmebescheinigung auszustellen. Medizinische Fakultäten sind dafür bekannt, die Leistungen ihrer Studierenden im Bereich außercurriculärer akademischer Aktivitäten anzuerkennen, was Studierende zum Abschluss motivieren kann.
Kursgestaltung: Da KI so viele Teilgebiete umfasst, kann die Auswahl von Kernkonzepten mit angemessener Tiefe und Breite eine Herausforderung darstellen. Beispielsweise ist die kontinuierliche Anwendung von KI-Werkzeugen vom Labor bis zur Klinik ein wichtiges Thema. Wir behandeln zwar Datenvorverarbeitung, Modellerstellung und -validierung, schließen aber Themen wie Big-Data-Analyse, interaktive Visualisierung oder die Durchführung klinischer KI-Studien aus. Stattdessen konzentrieren wir uns auf die einzigartigsten KI-Konzepte. Unser Leitprinzip ist die Verbesserung des Verständnisses, nicht der Fertigkeiten. So ist beispielsweise das Verständnis, wie ein Modell Eingabemerkmale verarbeitet, wichtig für die Interpretierbarkeit. Eine Möglichkeit hierfür ist die Verwendung von Gradientenaktivierungskarten, die visualisieren können, welche Datenbereiche vorhersagbar sind. Dies erfordert jedoch mehrdimensionale Analysis und kann nicht eingeführt werden⁸. Die Entwicklung einer gemeinsamen Terminologie war schwierig, da wir versuchten zu erklären, wie man mit Daten als Vektoren ohne mathematischen Formalismus arbeitet. Es ist zu beachten, dass verschiedene Begriffe die gleiche Bedeutung haben; beispielsweise wird in der Epidemiologie ein „Merkmal“ als „Variable“ oder „Attribut“ bezeichnet.
Wissenserhalt. Da die Anwendung von KI noch begrenzt ist, bleibt abzuwarten, inwieweit die Teilnehmenden das Wissen behalten. Im Medizinstudium wird häufig auf die Methode der verteilten Wiederholung zurückgegriffen, um das Wissen während der praktischen Ausbildung zu festigen.9 Dieses Verfahren lässt sich auch auf die KI-Ausbildung übertragen.
Professionalität ist wichtiger als Lesekompetenz. Der Stoff ist bewusst tiefgründig gestaltet, ohne dabei auf mathematische Strenge zu setzen, was sich bei der Einführung klinischer Kurse im Bereich Künstliche Intelligenz als problematisch erwiesen hat. In den Programmierbeispielen verwenden wir ein Vorlagenprogramm, mit dem die Teilnehmenden Felder ausfüllen und die Software ausführen können, ohne sich mit der Einrichtung einer vollständigen Programmierumgebung auseinandersetzen zu müssen.
Bedenken hinsichtlich künstlicher Intelligenz werden angesprochen: Es besteht die weitverbreitete Sorge, dass künstliche Intelligenz einige klinische Aufgaben ersetzen könnte³. Um diesem Problem zu begegnen, erläutern wir die Grenzen der KI, darunter die Tatsache, dass fast alle von den Aufsichtsbehörden zugelassenen KI-Technologien die Aufsicht eines Arztes erfordern¹¹. Wir betonen außerdem die Bedeutung von Verzerrungen, da Algorithmen anfällig für diese sind, insbesondere bei nicht diversen Datensätzen¹². Folglich kann eine bestimmte Patientengruppe falsch modelliert werden, was zu unfairen klinischen Entscheidungen führen kann.
Ressourcen sind öffentlich zugänglich: Wir haben öffentlich zugängliche Ressourcen erstellt, darunter Vorlesungsfolien und Quellcode. 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: Dieser Workshop ist ein Gemeinschaftsprojekt von Medizinstudierenden und Ingenieuren zur gemeinsamen Kursplanung. Er verdeutlicht Kooperationsmöglichkeiten und Wissenslücken in beiden Bereichen und ermöglicht den Teilnehmenden, ihr zukünftiges Potenzial zu erkennen.
KI-Kernkompetenzen definieren. Die Definition einer Kompetenzliste bietet eine standardisierte Struktur, die in bestehende kompetenzbasierte medizinische Curricula integriert werden kann. Dieser Workshop orientiert sich aktuell an den Lernzielstufen 2 (Verstehen), 3 (Anwendung) und 4 (Analyse) der Bloomschen Taxonomie. Ressourcen höherer Klassifizierungsstufen, wie beispielsweise die Erstellung von Projekten, können das Wissen zusätzlich vertiefen. Dies erfordert die Zusammenarbeit mit klinischen Experten, um zu ermitteln, wie KI-Themen in klinische Arbeitsabläufe integriert werden können und um die Wiederholung bereits im Standardcurriculum enthaltener Inhalte zu vermeiden.
Erstellen Sie Fallstudien mithilfe von KI. Ähnlich wie klinische Beispiele kann fallbasiertes Lernen abstrakte Konzepte festigen, indem es deren Relevanz für klinische Fragestellungen verdeutlicht. Beispielsweise analysierte eine Workshop-Studie Googles KI-basiertes System zur Erkennung diabetischer Retinopathie13, um Herausforderungen auf dem Weg vom Labor zur Klinik zu identifizieren, wie etwa externe Validierungsanforderungen und Zulassungsverfahren.
Nutzen Sie erfahrungsorientiertes Lernen: Technische Fertigkeiten erfordern gezieltes Üben und wiederholte Anwendung, um beherrscht zu werden, ähnlich wie die rotierenden Lernerfahrungen von klinischen Auszubildenden. Eine mögliche Lösung ist das Flipped-Classroom-Modell, das laut Studien die Wissensspeicherung in der Ingenieurausbildung verbessert14. In diesem Modell erarbeiten sich die Studierenden theoretische Inhalte selbstständig, während die Präsenzzeit der Problemlösung anhand von Fallstudien gewidmet ist.
Skalierung für multidisziplinäre Teilnehmer: Wir gehen davon aus, dass die Einführung von KI die Zusammenarbeit verschiedener Disziplinen erfordert, darunter Ärzte und andere Gesundheitsfachkräfte mit unterschiedlichem Ausbildungsstand. Daher müssen Lehrpläne gegebenenfalls in Absprache mit Dozenten verschiedener Fachbereiche entwickelt werden, um ihre Inhalte an die unterschiedlichen Bereiche des Gesundheitswesens anzupassen.
Künstliche Intelligenz (KI) ist eine Spitzentechnologie, deren Kernkonzepte eng mit Mathematik und Informatik verknüpft sind. Die Schulung von medizinischem Fachpersonal im Umgang mit KI stellt besondere Herausforderungen hinsichtlich der Inhaltsauswahl, der klinischen Relevanz und der Vermittlungsmethoden dar. Wir hoffen, dass die Erkenntnisse aus den KI-Workshops zukünftige Lehrende dabei unterstützen werden, innovative Wege zur Integration von KI in die medizinische Ausbildung zu finden.
Das Google Colaboratory Python-Skript ist Open Source und unter folgender Adresse verfügbar: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG und Khan, S. Medizinische Ausbildung neu denken: ein Aufruf zum Handeln. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG et al. Was müssen Medizinstudierende wirklich über künstliche Intelligenz wissen? NPZh-Zahlen. Medizin 3, 1–3 (2020).
Dos Santos, DP, et al. Einstellungen von Medizinstudierenden zur künstlichen Intelligenz: eine multizentrische Studie. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R. und Singla, R. Einführung in maschinelles Lernen für Medizinstudenten: ein Pilotprojekt. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identifizierung von Kindern mit sehr geringem Risiko einer klinisch relevanten Hirnschädigung nach einem Schädel-Hirn-Trauma: eine prospektive Kohortenstudie. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH und Mangasarian, OL. Extraktion nuklearer Merkmale zur Diagnose von Brusttumoren. Biomedical Science. Image processing. Biomedical Science. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. und Peng, L. Wie man Modelle des maschinellen Lernens für das Gesundheitswesen entwickelt. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Visuelle Interpretation tiefer neuronaler Netze mittels gradientenbasierter Lokalisierung. Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K und Ilic D. Entwicklung und Evaluation eines Spiralmodells zur Beurteilung evidenzbasierter medizinischer Kompetenzen mittels OSCE in der medizinischen Grundausbildung. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB und Garg PS Maschinelles Lernen und medizinische Ausbildung. NPZh numbers. medicine. 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. medicine. 25, 44–56 (2019).
Bede, E. et al. Menschzentrierte Evaluation eines in der Klinik eingesetzten Deep-Learning-Systems zur Erkennung diabetischer Retinopathie. Proceedings der CHI-Konferenz 2020 über Mensch-Computer-Interaktion (2020).
Kerr, B. Das Flipped Classroom-Konzept in der Ingenieurausbildung: Ein Forschungsüberblick. Proceedings der Internationalen Konferenz über interaktives kollaboratives 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 ihre Unterstützung und Finanzierung.
RH, PP, ZH, RS und MA waren für die Entwicklung der Workshop-Inhalte verantwortlich. RH und PP entwickelten die Programmierbeispiele. KYF, OY, MT und PW waren für die logistische Organisation des Projekts und die Auswertung der Workshops zuständig. RH, OY, MT und RS erstellten die Abbildungen und Tabellen. RH, KYF, PP, ZH, OY, MY, PW, TL, MA und RS verfassten und redigierten das Dokument.
Communication Medicine dankt Carolyn McGregor, Fabio Moraes und Aditya Borakati für ihre Beiträge zur Überprüfung dieser Arbeit.
Veröffentlichungsdatum: 19. Februar 2024