Tankewol foar it besykjen fan Nature.com.De ferzje fan 'e browser dy't jo brûke hat beheinde CSS-stipe.Foar bêste resultaten riede wy oan om in nijere ferzje fan jo blêder te brûken (of kompatibiliteitsmodus yn Internet Explorer út te skeakeljen).Yn 'e tuskentiid, om trochgeande stipe te garandearjen, litte wy de side sjen sûnder styling of JavaScript.
Applikaasjes fan klinyske keunstmjittige yntelliginsje (AI) groeie rap, mar besteande kurrikula foar medyske skoallen biede beheinde les dy't dit gebiet dekke.Hjir beskriuwe wy in opliedingskursus foar keunstmjittige yntelliginsje dy't wy ûntwikkele en levere oan Kanadeeske medyske studinten en meitsje oanbefellings foar takomstige training.
Keunstmjittige yntelliginsje (AI) yn medisinen kin effisjinsje fan wurkplak ferbetterje en klinyske beslútfoarming helpe.Om it gebrûk fan keunstmjittige yntelliginsje feilich te lieden, moatte dokters wat begryp hawwe fan keunstmjittige yntelliginsje.In protte opmerkingen pleite foar it learen fan AI-konsepten1, lykas it ferklearjen fan AI-modellen en ferifikaasjeprosessen2.Der binne lykwols net folle strukturearre plannen útfierd, benammen op lanlik nivo.Pinto dos Santos et al.3.263 medyske studinten waarden ûndersocht en 71% wie it iens dat se training nedich wiene yn keunstmjittige yntelliginsje.It learen fan keunstmjittige yntelliginsje oan in medysk publyk fereasket soarchfâldich ûntwerp dat technyske en net-technyske konsepten kombineart foar studinten dy't faaks wiidweidige foarkennis hawwe.Wy beskriuwe ús ûnderfining mei it leverjen fan in searje AI-workshops oan trije groepen medyske studinten en meitsje oanbefellings foar takomstige medyske oplieding yn AI.
Us workshop fan fiif wiken yntroduksje foar keunstmjittige yntelliginsje yn medisinen foar medyske studinten waard trije kear hâlden tusken febrewaris 2019 en april 2021. In skema foar elke workshop, mei in koarte beskriuwing fan feroaringen yn 'e kursus, wurdt werjûn yn figuer 1. Us kursus hat trije primêre leardoelen: studinten begripe hoe't gegevens wurde ferwurke yn applikaasjes foar keunstmjittige yntelliginsje, analysearje de literatuer foar keunstmjittige yntelliginsje foar klinyske tapassingen, en profitearje fan kânsen om gear te wurkjen mei yngenieurs dy't keunstmjittige yntelliginsje ûntwikkelje.
Blau is it ûnderwerp fan 'e lêzing en ljochtblau is de ynteraktive fraach- en antwurdperioade.De grize seksje is it fokus fan de koarte literatueroersjoch.De oranje seksjes binne selektearre case studies dy't beskriuwe keunstmjittige yntelliginsje modellen of techniken.Grien is in begeliede programmearkursus ûntworpen om keunstmjittige yntelliginsje te learen om klinyske problemen op te lossen en modellen te evaluearjen.De ynhâld en doer fan de workshops fariearje basearre op in beoardieling fan studint ferlet.
De earste workshop waard hâlden oan 'e Universiteit fan Britsk-Kolumbia fan febrewaris oant april 2019, en alle 8 dielnimmers joegen positive feedback4.Fanwegen COVID-19 waard de twadde workshop praktysk hâlden yn oktober-novimber 2020, mei 222 medyske studinten en 3 ynwenners fan 8 Kanadeeske medyske skoallen dy't har registreare.Presintaasjedia's en koade binne opladen nei in side mei iepen tagong (http://ubcaimed.github.io).De wichtichste feedback fan de earste iteraasje wie dat de lêzingen te yntinsyf wiene en it materiaal te teoretysk.It tsjinjen fan de seis ferskillende tiidsônes fan Kanada soarget foar ekstra útdagings.Sa ferkoarte de twadde workshop elke sesje nei 1 oere, ferienfâldige it kursusmateriaal, tafoege mear saakstúdzjes, en makke boilerplate-programma's dy't dielnimmers tastean om koade-snippets te foltôgjen mei minimale debuggen (Box 1).Wichtige feedback fan 'e twadde iteraasje omfette positive feedback oer de programmearring-oefeningen en in fersyk om planning foar in masine-learprojekt te demonstrearjen.Dêrom, yn ús tredde workshop, holden praktysk foar 126 medyske studinten yn maart-april 2021, hawwe wy mear ynteraktive kodearingsoefeningen en projektfeedback-sesjes opnommen om de ynfloed te demonstrearjen fan it brûken fan workshopbegripen op projekten.
Data-analyze: In fjild fan stúdzje yn statistyk dy't sinfolle patroanen yn gegevens identifisearret troch datapatroanen te analysearjen, te ferwurkjen en te kommunisearjen.
Data mining: it proses fan it identifisearjen en ekstrahearje fan gegevens.Yn it ramt fan keunstmjittige yntelliginsje is dit faaks grut, mei meardere fariabelen foar elke stekproef.
Dimensionaliteitsreduksje: It proses fan it transformearjen fan gegevens mei in protte yndividuele funksjes yn minder funksjes, wylst de wichtige eigenskippen fan 'e orizjinele dataset bewarre wurde.
Skaaimerken (yn 'e kontekst fan keunstmjittige yntelliginsje): mjitbere eigenskippen fan in stekproef.Faak brûkt wikseljend mei "eigendom" of "fariabele".
Gradient Activation Map: In technyk dy't brûkt wurdt om keunstmjittige yntelliginsjemodellen te ynterpretearjen (benammen konvolúsjonele neurale netwurken), dy't it proses analysearret fan it optimalisearjen fan it lêste diel fan it netwurk om regio's fan gegevens of ôfbyldings te identifisearjen dy't heul foarsizzend binne.
Standertmodel: In besteand AI-model dat foarôf traind is om ferlykbere taken út te fieren.
Testen (yn 'e kontekst fan keunstmjittige yntelliginsje): observearjen hoe't in model in taak útfiert mei gegevens dy't it net earder tsjinkaam.
Training (yn 'e kontekst fan keunstmjittige yntelliginsje): It leverjen fan in model mei gegevens en resultaten sadat it model har ynterne parameters oanpasse om syn fermogen om taken út te fieren mei nije gegevens te optimalisearjen.
Vector: array fan gegevens.Yn masine-learen is elk array-elemint normaal in unyk skaaimerk fan 'e stekproef.
Tabel 1 listet de lêste kursussen foar april 2021, ynklusyf gerichte leardoelen foar elk ûnderwerp.Dizze workshop is bedoeld foar dyjingen dy't nij binne op it technyske nivo en fereasket gjin wiskundige kennis bûten it earste jier fan in undergraduate medyske graad.De kursus waard ûntwikkele troch 6 medyske studinten en 3 leararen mei avansearre graden yn technyk.Yngenieurs ûntwikkelje teory fan keunstmjittige yntelliginsje om te learen, en medyske studinten leare klinysk relevant materiaal.
Workshops omfetsje lêzingen, case studies, en begeliede programmearring.Yn 'e earste lêzing besjogge wy selekteare konsepten fan gegevensanalyse yn biostatistyk, ynklusyf gegevensfisualisaasje, logistyske regression, en de fergeliking fan beskriuwende en induktive statistiken.Hoewol data-analyze de basis is fan keunstmjittige yntelliginsje, útslute wy ûnderwerpen lykas data mining, betsjuttingstests of ynteraktive fisualisaasje.Dit wie te tankjen oan tiidbeheining en ek om't guon undergraduate-studinten foarôfgeande training hienen yn biostatistyk en mear unike ûnderwerpen foar masinelearen wolle dekke.De folgjende lêzing yntrodusearret moderne metoaden en besprekt AI-probleemformulering, foardielen en beheiningen fan AI-modellen, en modeltesten.De lêzingen wurde oanfolle mei literatuer en praktysk ûndersyk nei besteande apparaten foar keunstmjittige yntelliginsje.Wy beklamje de feardigens dy't nedich binne om de effektiviteit en helberens fan in model te evaluearjen om klinyske fragen oan te pakken, ynklusyf it begripen fan 'e beheiningen fan besteande apparaten foar keunstmjittige yntelliginsje.Wy fregen bygelyks studinten om de rjochtlinen foar pediatryske holleblessuere foarsteld troch Kupperman et al., 5 te ynterpretearjen dy't in algoritme foar beslútbeam foar keunstmjittige yntelliginsje ymplementearre om te bepalen oft in CT-scan nuttich wêze soe op basis fan in ûndersyk fan in dokter.Wy betinke dat dit in gewoan foarbyld is fan AI dy't foarsizzende analytiken leveret foar dokters om te ynterpretearjen, ynstee fan dokters te ferfangen.
Yn 'e beskikbere foarbylden fan iepen boarne bootstrap-programmearring (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), litte wy sjen hoe't jo ferkennende gegevensanalyse, dimensjereduksje, laden fan standertmodel en training kinne útfiere .en testen.Wy brûke Google Colaboratory-notebooks (Google LLC, Mountain View, CA), wêrtroch Python-koade kin wurde útfierd fanút in webblêder.Yn figuer 2 jout in foarbyld fan in programmearring oefening.Dizze oefening omfettet it foarsizzen fan maligniteiten mei de Wisconsin Open Breast Imaging Dataset6 en in beslútbeamalgoritme.
Presintearje de hiele wike programma's oer relatearre ûnderwerpen en selektearje foarbylden út publisearre AI-applikaasjes.Programmiereleminten wurde allinich opnommen as se as relevant wurde beskôge foar it jaan fan ynsjoch yn takomstige klinyske praktyk, lykas hoe't jo modellen evaluearje om te bepalen oft se klear binne foar gebrûk yn klinyske proeven.Dizze foarbylden kulminearje yn in folweardige ein-oan-ein-applikaasje dy't tumors klassifisearret as goedaardig of maligne basearre op medyske byldparameters.
Heterogeniteit fan foarkennis.Us dielnimmers farieare yn har nivo fan wiskundige kennis.Studinten mei avansearre technyske eftergrûnen sykje bygelyks nei mear yngeande materiaal, lykas hoe't se har eigen Fourier-transformaasjes útfiere.It besprekken fan it Fourier-algoritme yn 'e klasse is lykwols net mooglik, om't it yngeande kennis fan sinjaalferwurking fereasket.
Oanwêzigens útstream.De oanwêzigens op ferfolchgearkomsten naam ôf, benammen yn online formaten.In oplossing kin wêze om oanwêzigens te folgjen en in sertifikaat fan foltôging te leverjen.Medyske skoallen binne bekend om transkripsjes te erkennen fan 'e bûtenskoalske akademyske aktiviteiten fan studinten, dy't studinten kinne stimulearje om in graad te folgjen.
Kursusûntwerp: Om't AI safolle subfjilden omspant, kin it selektearjen fan kearnbegripen fan passende djipte en breedte útdaagjend wêze.Bygelyks, de kontinuïteit fan gebrûk fan AI-ark fan it laboratoarium oant de klinyk is in wichtich ûnderwerp.Wylst wy gegevensfoarferwurking, modelbou en falidaasje dekke, omfetsje wy gjin ûnderwerpen lykas analyse fan grutte gegevens, ynteraktive fisualisaasje, of it útfieren fan klinyske proeven fan AI, ynstee rjochtsje wy ús op 'e meast unike AI-begripen.Us liedende prinsipe is it ferbetterjen fan geletterdheid, net feardigens.Bygelyks, it begripen fan hoe't in model ynfierfunksjes ferwurket is wichtich foar ynterpretabiliteit.Ien manier om dit te dwaan is it brûken fan gradientaktivearringskaarten, dy't kinne visualisearje hokker regio's fan 'e gegevens foarsisber binne.Dit fereasket lykwols multivariate berekkening en kin net ynfierd wurde8.It ûntwikkeljen fan in mienskiplike terminology wie útdaagjend, om't wy besochten te ferklearjen hoe't jo mei gegevens wurkje as fektors sûnder wiskundich formalisme.Tink derom dat ferskate termen deselde betsjutting hawwe, bygelyks yn epidemiology wurdt in "karakteristyk" beskreaun as in "fariabele" of "attribút."
Behâld fan kennis.Om't de tapassing fan AI beheind is, bliuwt te sjen yn hoefier't dielnimmers kennis behâlde.Kurrikula foar medyske skoallen fertrouwe faak op spaasjes werhelling om kennis te fersterkjen tidens praktyske rotaasjes,9 dy't ek kinne wurde tapast op AI-ûnderwiis.
Profesjonalisme is wichtiger as literatuer.De djipte fan it materiaal is ûntworpen sûnder wiskundige strangens, wat in probleem wie by it lansearjen fan klinyske kursussen yn keunstmjittige yntelliginsje.Yn de programmearring foarbylden, wy brûke in sjabloan programma wêrmei dielnimmers te foljen fjilden en rinne de software sûnder in útfine hoe't te setten in folsleine programmearring omjouwing.
Soargen oer keunstmjittige yntelliginsje oanpakt: D'r is wiidferspraat soargen dat keunstmjittige yntelliginsje guon klinyske taken kin ferfange3.Om dit probleem oan te pakken, ferklearje wy de beheiningen fan AI, ynklusyf it feit dat hast alle AI-technologyen goedkard troch regulators tafersjoch fan dokters fereaskje11.Wy beklamje ek it belang fan bias, om't algoritmen gefoelich binne foar bias, foaral as de dataset net ferskaat is12.Dêrtroch kin in bepaalde subgroep ferkeard modelearre wurde, wat liedt ta ûnrjochtfeardige klinyske besluten.
Boarnen binne iepenbier beskikber: Wy hawwe iepenbier beskikbere boarnen makke, ynklusyf lêzingsdia's en koade.Hoewol tagong ta syngroane ynhâld beheind is fanwege tiidsônes, is iepen boarne ynhâld in handige metoade foar asynchrone learen, om't AI-ekspertize net beskikber is op alle medyske skoallen.
Ynterdissiplinêre gearwurking: Dizze workshop is in joint venture inisjearre troch medyske studinten om kursussen tegearre mei yngenieurs te plannen.Dit toant gearwurkingsmooglikheden en kennishiaten yn beide gebieten, wêrtroch dielnimmers de potinsjele rol kinne begripe dy't se yn 'e takomst kinne bydrage.
Define AI kearnkompetinsjes.It definiearjen fan in list fan kompetinsjes jout in standerdisearre struktuer dy't kin wurde yntegrearre yn besteande kompetinsje-basearre medyske kurrikula.Dizze workshop brûkt op it stuit Leardoelnivo's 2 (Begryp), 3 (Tapassing), en 4 (Analyse) fan Bloom's Taksonomy.Middels hawwe op hegere klassifikaasjenivo's, lykas it meitsjen fan projekten, kin kennis fierder fersterkje.Dit fereasket it wurkjen mei klinyske saakkundigen om te bepalen hoe't AI-ûnderwerpen kinne wurde tapast op klinyske workflows en it foarkommen fan it learen fan repetitive ûnderwerpen dy't al opnommen binne yn standert medyske kurrikula.
Meitsje case studies mei AI.Fergelykber mei klinyske foarbylden kin case-basearre learen abstrakte begripen fersterkje troch har relevânsje te markearjen foar klinyske fragen.Bygelyks, ien workshopstúdzje analysearre Google's AI-basearre diabetyske retinopathy-deteksjesysteem 13 om útdagings te identifisearjen op it paad fan laboratoarium nei klinyk, lykas eksterne falidaasjeeasken en paden foar goedkarring fan regeljouwing.
Brûk ûnderfining learen: Technyske feardigens fereaskje rjochte praktyk en werhelle tapassing om te behearskjen, fergelykber mei de rotearjende learûnderfiningen fan klinyske trainees.Ien mooglike oplossing is it flipped classroom-model, dat is rapportearre om kennisbehâld yn yngenieursûnderwiis te ferbetterjen14.Yn dit model beoardielje studinten selsstannich teoretysk materiaal en wurdt klassetiid wijd oan it oplossen fan problemen fia case studies.
Skaalfergrutting foar multydissiplinêre dielnimmers: Wy sjogge AI-adopsje foar mei gearwurking oer meardere dissiplines, ynklusyf dokters en alliearde sûnensprofessionals mei ferskate nivo's fan training.Dêrom moatte kurrikula mooglik ûntwikkele wurde yn oerlis mei fakulteiten fan ferskate ôfdielingen om har ynhâld oan te passen oan ferskate gebieten fan sûnenssoarch.
Keunstmjittige yntelliginsje is high-tech en har kearnbegripen binne relatearre oan wiskunde en kompjûterwittenskip.Training fan sûnenssoarchpersoniel om keunstmjittige yntelliginsje te begripen presintearret unike útdagings yn ynhâld seleksje, klinyske relevânsje, en levering metoaden.Wy hoopje dat de ynsjoch krigen fan 'e workshops foar AI yn Underwiis sille takomstige oplieders helpe om ynnovative manieren te omearmjen om AI te yntegrearjen yn medysk ûnderwiis.
It Google Colaboratory Python-skript is iepen boarne en beskikber op: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG en Khan, S. Rethinking medyske oplieding: in oprop ta aksje.Akkad.medisinen.88, 1407-1410 (2013).
McCoy, LG ensfh Wat moatte medyske studinten echt witte oer keunstmjittige yntelliginsje?NPZh nûmers.Medicine 3, 1–3 (2020).
Dos Santos, DP, et al.Attitudes fan medyske studinten foar keunstmjittige yntelliginsje: in multicenter-enkête.EURO.strieling.29, 1640–1646 (2019).
Fan, KY, Hu, R., and Singla, R. Introduction to machine learning for medical students: a pilot project.J. Med.ûnderwize.54, 1042-1043 (2020).
Cooperman N, et al.Identifikaasje fan bern op heul leech risiko fan klinysk signifikante harsensferwûning nei holle blessuere: in prospective kohortstúdzje.Lancet 374, 1160-1170 (2009).
Street, WN, Wolberg, WH, Mangasarian, OL.Nukleêre funksje-ekstraksje foar diagnoaze fan boarsttumor.Biomedyske wittenskip.Ofbylding ferwurking.Biomedyske wittenskip.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. en Peng, L. Hoe te ûntwikkeljen masine learen modellen foar sûnenssoarch.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: Fisuele ynterpretaasje fan djippe netwurken fia gradient-basearre lokalisaasje.Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K en Ilic D. Untwikkeling en evaluaasje fan in spiraalmodel foar it beoardieljen fan bewiis-basearre medisinen kompetinsjes mei OSCE yn undergraduate medyske oplieding.BMK Medicine.ûnderwize.21, 1–9 (2021).
Kolachalama VB en Garg PS Masine learen en medysk ûnderwiis.NPZh nûmers.medisinen.1, 1–3 (2018).
van Leeuwen KG, Schalekamp S, Rutten MJ, van Ginneken B, de Rooy M. Artificial intelligence in radiology: 100 commercial products and their scientific evidence.EURO.strieling.31, 3797-3804 (2021).
Topol, EJ High-performance medisinen: de konverginsje fan minsklike en keunstmjittige yntelliginsje.Nat.medisinen.25, 44–56 (2019).
Bede, E. et al.Human-sintraal evaluaasje fan in djippe learsysteem ynset yn 'e klinyk foar it opspoaren fan diabetyske retinopathy.Proceedings fan 'e CHI-konferinsje fan 2020 oer minsklike faktoaren yn kompjûtersystemen (2020).
Kerr, B. De flipped classroom yn yngenieurûnderwiis: in ûndersyksresinsje.Proceedings of the 2015 International Conference on Interactive Collaborative Learning (2015).
De auteurs tankje Danielle Walker, Tim Salcudin, en Peter Zandstra fan it Biomedical Imaging and Artificial Intelligence Research Cluster oan 'e Universiteit fan Britsk-Kolumbia foar stipe en finansiering.
RH, PP, ZH, RS en MA wiene ferantwurdlik foar it ûntwikkeljen fan de lesynhâld fan 'e workshop.RH en PP wienen ferantwurdlik foar it ûntwikkeljen fan de programmearring foarbylden.KYF, OY, MT en PW wiene ferantwurdlik foar de logistike organisaasje fan it projekt en de analyze fan de workshops.RH, OY, MT, RS wiene ferantwurdlik foar it meitsjen fan de sifers en tabellen.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS wiene ferantwurdlik foar it opstellen en bewurkjen fan it dokumint.
Communication Medicine tank Carolyn McGregor, Fabio Moraes, en Aditya Borakati foar harren bydragen oan de resinsje fan dit wurk.
Post tiid: Febrewaris 19-2024