Tankewol foar jo besite oan Nature.com. De ferzje fan 'e browser dy't jo brûke hat beheinde CSS-stipe. Foar de bêste resultaten advisearje wy in nijere ferzje fan jo browser te brûken (of de kompatibiliteitsmodus yn Internet Explorer út te skeakeljen). Yn 'e tuskentiid, om trochgeande stipe te garandearjen, litte wy de side sûnder styling of JavaScript sjen.
Tapassingen fan klinyske keunstmjittige yntelliginsje (KI) groeie rap, mar besteande kurrikula foar medyske skoallen biede beheind ûnderwiis oer dit gebiet. Hjir beskriuwe wy in trainingskursus oer keunstmjittige yntelliginsje dy't wy ûntwikkele en oanbean hawwe oan Kanadeeske medyske studinten en dogge wy oanbefellings foar takomstige training.
Keunstmjittige yntelliginsje (KI) yn 'e medisinen kin de effisjinsje op it wurk ferbetterje en klinyske beslútfoarming stypje. Om it gebrûk fan keunstmjittige yntelliginsje feilich te begelieden, moatte dokters wat begryp hawwe fan keunstmjittige yntelliginsje. In protte opmerkings pleitsje foar it ûnderwizen fan KI-konsepten1, lykas it útlis fan KI-modellen en ferifikaasjeprosessen2. D'r binne lykwols mar in pear strukturearre plannen ymplementearre, foaral op nasjonaal nivo. Pinto dos Santos et al.3. 263 medyske studinten waarden ûnderfrege en 71% wie it dermei iens dat se training yn keunstmjittige yntelliginsje nedich wiene. It ûnderwizen fan keunstmjittige yntelliginsje oan in medysk publyk fereasket in soarchfâldich ûntwerp dat technyske en net-technyske konsepten kombinearret foar studinten dy't faak wiidweidige foarkennis hawwe. Wy beskriuwe ús ûnderfining mei it jaan fan in searje KI-workshops oan trije groepen medyske studinten en dogge oanbefellings foar takomstige medyske oplieding yn KI.
Us fiif wiken duorjende workshop Ynlieding ta Keunstmjittige Yntelliginsje yn 'e Genêskunde foar medyske studinten waard trije kear hâlden tusken febrewaris 2019 en april 2021. In skema foar elke workshop, mei in koarte beskriuwing fan feroarings oan 'e kursus, wurdt werjûn yn figuer 1. Us kursus hat trije primêre leardoelen: studinten begripe hoe't gegevens ferwurke wurde yn keunstmjittige yntelliginsje-tapassingen, analysearje de literatuer oer 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. It grize diel is de fokus fan 'e koarte literatuerbeoardieling. De oranje seksjes binne selektearre gefalstúdzjes dy't keunstmjittige yntelliginsjemodellen of -techniken beskriuwe. 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 'e workshops fariearje op basis fan in beoardieling fan 'e behoeften fan studinten.
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 firtueel hâlden yn oktober-novimber 2020, mei 222 medyske studinten en 3 assistinten fan 8 Kanadeeske medyske skoallen dy't har ynskreaun hawwe. Presintaasjeslides en koade binne uploaden nei in iepen tagongsside (http://ubcaimed.github.io). De wichtichste feedback fan 'e earste iteraasje wie dat de lêzingen te yntinsyf wiene en it materiaal te teoretysk. It betsjinjen fan 'e seis ferskillende tiidsônes fan Kanada bringt ekstra útdagings mei. Dêrom hat de twadde workshop elke sesje ynkoarte ta 1 oere, it kursusmateriaal ferienfâldige, mear gefalstúdzjes tafoege en standertprogramma's makke wêrmei't dielnimmers koadesnippets koene foltôgje mei minimale debuggen (Fak 1). Wichtige feedback fan 'e twadde iteraasje omfette positive feedback op 'e programmearoefeningen en in fersyk om planning foar in masinelearprojekt te demonstrearjen. Dêrom hawwe wy yn ús tredde workshop, dy't firtueel hâlden waard foar 126 medyske studinten yn maart-april 2021, mear ynteraktive kodearoefeningen en projektfeedbacksesjes opnommen om de ynfloed fan it brûken fan workshopkonsepten op projekten te demonstrearjen.
Data-analyze: In stúdzjefjild yn statistyk dat betsjuttingsfolle patroanen yn gegevens identifisearret troch gegevenspatroanen te analysearjen, te ferwurkjen en te kommunisearjen.
Data mining: it proses fan it identifisearjen en ekstrahearjen fan gegevens. Yn 'e kontekst fan keunstmjittige yntelliginsje is dit faak grut, mei meardere fariabelen foar elke stekproef.
Dimensjonaliteitsreduksje: It proses fan it transformearjen fan gegevens mei in protte yndividuele funksjes yn minder funksjes, wylst de wichtige eigenskippen fan 'e orizjinele dataset bewarre bliuwe.
Karakteristiken (yn 'e kontekst fan keunstmjittige yntelliginsje): mjitbere eigenskippen fan in stekproef. Faak brûkt as wikselbere kombinaasje mei "eigenskip" of "fariabele".
Gradient Activation Map: In technyk dy't brûkt wurdt om keunstmjittige yntelliginsjemodellen te ynterpretearjen (benammen konvolusjonele 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 tige foarsizzend binne.
Standertmodel: In besteand AI-model dat foarôf oplaat is om ferlykbere taken út te fieren.
Testen (yn 'e kontekst fan keunstmjittige yntelliginsje): observearje hoe't in model in taak útfiert mei gegevens dy't it noch net earder tsjinkommen is.
Training (yn 'e kontekst fan keunstmjittige yntelliginsje): In model foarsjen fan gegevens en resultaten, sadat it model syn ynterne parameters oanpast om syn fermogen om taken út te fieren mei nije gegevens te optimalisearjen.
Fektor: array fan gegevens. Yn masinelearen is elk array-elemint meastentiids in unyk skaaimerk fan it stekproef.
Tabel 1 jout in list fan 'e lêste kursussen foar april 2021, ynklusyf rjochte 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 medyske undergraduate-stúdzje. De kursus is ûntwikkele troch 6 medyske studinten en 3 dosinten mei in hegere yngenieursgraad. Yngenieurs ûntwikkelje in teory oer keunstmjittige yntelliginsje om les te jaan, en medyske studinten leare klinysk relevant materiaal.
Workshops omfetsje lêzingen, gefalstúdzjes en begeliede programmearring. Yn it earste kolleezje besprekke wy selektearre konsepten fan gegevensanalyse yn biostatistiken, ynklusyf gegevensvisualisaasje, logistyske regresje, en de fergeliking fan beskriuwende en induktive statistiken. Hoewol gegevensanalyse de basis is fan keunstmjittige yntelliginsje, slute wy ûnderwerpen lykas datamining, betsjuttingstests of ynteraktive fisualisaasje út. Dit wie te tankjen oan tiidsbeperkingen en ek om't guon undergraduate studinten eardere training hiene yn biostatistiken en mear unike ûnderwerpen oer masinelearen behannelje woene. It folgjende kolleezje yntrodusearret moderne metoaden en besprekt AI-probleemformulering, foardielen en beheiningen fan AI-modellen, en modeltests. De lêzingen wurde oanfolle troch literatuer en praktysk ûndersyk nei besteande keunstmjittige yntelliginsje-apparaten. Wy beklamje de feardigens dy't nedich binne om de effektiviteit en mooglikheid fan in model te evaluearjen om klinyske fragen oan te pakken, ynklusyf it begripen fan 'e beheiningen fan besteande keunstmjittige yntelliginsje-apparaten. Bygelyks, wy fregen studinten om de pediatryske rjochtlinen foar holleblessuere te ynterpretearjen dy't foarsteld binne troch Kupperman et al., 5 dy't in beslútbeamalgoritme foar keunstmjittige yntelliginsje ymplementearren om te bepalen oft in CT-scan nuttich wêze soe op basis fan in ûndersyk fan in dokter. Wy beklamje dat dit in gewoan foarbyld is fan AI dy't foarsizzende analyses leveret foar artsen om te ynterpretearjen, ynstee fan artsen te ferfangen.
Yn 'e beskikbere foarbylden fan iepen boarne bootstrap-programmearring (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) demonstrearje wy hoe't jo ferkennende gegevensanalyse, dimensjonaliteitsreduksje, standertmodelladen, en training en testen útfiere kinne. Wy brûke Google Colaboratory-notebooks (Google LLC, Mountain View, CA), wêrmei't Python-koade útfierd wurde kin fanút in webbrowser. Yn Fig. 2 jout Figuer 2 in foarbyld fan in programmearoefening. Dizze oefening omfettet it foarsizzen fan maligniteiten mei de Wisconsin Open Breast Imaging Dataset6 en in beslútbeamalgoritme.
Presintearje programma's de hiele wike oer relatearre ûnderwerpen en selektearje foarbylden út publisearre AI-applikaasjes. Programmearelementen wurde allinich opnommen as se relevant achte wurde foar it jaan fan ynsjoch yn takomstige klinyske praktyk, lykas hoe't modellen evaluearre wurde kinne om te bepalen oft se klear binne foar gebrûk yn klinyske proeven. Dizze foarbylden kulminearje yn in folweardige end-to-end applikaasje dy't tumors klassifisearret as goedaardich of kwaadaardich op basis fan medyske ôfbyldingsparameters.
Heterogeniteit fan foarôfgeande kennis. Us dielnimmers ferskille yn har nivo fan wiskundige kennis. Bygelyks, studinten mei in avansearre yngenieursachtergrûn binne op syk nei mear yngeand materiaal, lykas hoe't se har eigen Fourier-transformaasjes útfiere kinne. It is lykwols net mooglik om it Fourier-algoritme yn 'e klasse te besprekken, om't it yngeande kennis fan sinjaalferwurking fereasket.
Utstream fan oanwêzigens. De oanwêzigens by ferfolchgearkomsten naam ôf, foaral yn online formaten. In oplossing kin wêze om oanwêzigens te folgjen en in sertifikaat fan foltôging út te jaan. Medyske skoallen binne bekend om transkripsjes fan bûtenskoalske akademyske aktiviteiten fan studinten te erkennen, wat studinten kin oanmoedigje om in stúdzje te folgjen.
Kursusûntwerp: Omdat KI safolle subfjilden omfiemet, kin it selektearjen fan kearnbegripen fan passende djipte en breedte in útdaging wêze. Bygelyks, de kontinuïteit fan it gebrûk fan KI-ark fan it laboratoarium oant de klinyk is in wichtich ûnderwerp. Wylst wy gegevensfoarferwurking, modelbou en falidaasje behannelje, nimme wy gjin ûnderwerpen op lykas big data-analyse, ynteraktive fisualisaasje of it útfieren fan klinyske KI-proeven, ynstee rjochtsje wy ús op 'e meast unike KI-konsepten. Us liedende prinsipe is it ferbetterjen fan geletterdheid, net feardigens. Bygelyks, it begripen fan hoe't in model ynfierfunksjes ferwurket is wichtich foar ynterpretearberens. Ien manier om dit te dwaan is it brûken fan gradiëntaktivaasjekaarten, dy't kinne visualisearje hokker regio's fan 'e gegevens foarsisber binne. Dit fereasket lykwols multivariate kalkulus en kin net yntrodusearre wurde8. It ûntwikkeljen fan in mienskiplike terminology wie in útdaging, om't wy besochten út te lizzen hoe't wy mei gegevens as fektoren wurkje kinne sûnder wiskundich formalisme. Tink derom dat ferskate termen deselde betsjutting hawwe, bygelyks yn epidemiology wurdt in "karakteristyk" omskreaun as in "fariabele" of "attribuut".
Kennisbehâld. Omdat de tapassing fan KI beheind is, bliuwt it noch ôfwachtsjen yn hoefier't dielnimmers kennis behâlde. Kurrikulums fan medyske skoallen binne faak ôfhinklik fan werhelling fan ferskate lessen om kennis te fersterkjen tidens praktyske rotaasjes,9 wat ek tapast wurde kin op KI-ûnderwiis.
Professionaliteit is wichtiger as geletterdheid. De djipte fan it materiaal is ûntworpen sûnder wiskundige strangens, wat in probleem wie by it lansearjen fan klinyske kursussen yn keunstmjittige yntelliginsje. Yn 'e programmearfoarbylden brûke wy in sjabloanprogramma wêrmei dielnimmers fjilden ynfolje kinne en de software útfiere kinne sûnder út te finen hoe't se in folsleine programmearomjouwing ynstelle kinne.
Soargen oer keunstmjittige yntelliginsje oanpakt: Der is wiidfersprate soarch dat keunstmjittige yntelliginsje guon klinyske taken ferfange kin3. Om dit probleem oan te pakken, ferklearje wy de beheiningen fan KI, ynklusyf it feit dat hast alle KI-technologyen dy't troch tafersjochhâlders goedkard binne, tafersjoch fan in dokter fereaskje11. Wy beklamje ek it belang fan foaroardielen, om't algoritmen gefoelich binne foar foaroardielen, foaral as de dataset net ferskaat is12. Dêrtroch kin in bepaalde subgroep ferkeard modellearre wurde, wat liedt ta ûnearlike klinyske besluten.
Boarnen binne iepenbier beskikber: Wy hawwe iepenbier beskikbere boarnen makke, ynklusyf lêzingsdia's en koade. Hoewol tagong ta syngroane ynhâld beheind is fanwegen tiidsônes, is iepen boarneynhâld in handige metoade foar asynchrone learen, om't AI-ekspertize net op alle medyske skoallen beskikber is.
Ynterdissiplinêre gearwurking: Dizze workshop is in mienskiplike ûndernimming dy't inisjearre is troch medyske studinten om tegearre mei yngenieurs kursussen te plannen. Dit demonstrearret gearwurkingsmooglikheden en kennisleemten op beide gebieten, wêrtroch dielnimmers de potinsjele rol begripe kinne dy't se yn 'e takomst kinne bydrage.
Definiearje kearnkompetinsjes fan AI. It definiearjen fan in list mei kompetinsjes leveret in standerdisearre struktuer dy't yntegrearre wurde kin yn besteande kompetinsje-basearre medyske kurrikula. Dizze workshop brûkt op it stuit Leardoelennivo's 2 (Begryp), 3 (Tapassing) en 4 (Analyse) fan Bloom's Taksonomy. It hawwen fan boarnen op hegere klassifikaasjenivo's, lykas it meitsjen fan projekten, kin de kennis fierder fersterkje. Dit fereasket gearwurking mei klinyske saakkundigen om te bepalen hoe't AI-ûnderwerpen tapast wurde kinne op klinyske workflows en it foarkommen fan it ûnderwizen fan werhellende ûnderwerpen dy't al opnommen binne yn standert medyske kurrikula.
Meitsje gefalstúdzjes mei help fan KI. Fergelykber mei klinyske foarbylden kin gefalbasearre learen abstrakte konsepten fersterkje troch har relevânsje foar klinyske fragen te markearjen. Bygelyks, ien workshopstúdzje analysearre Google's op KI basearre systeem foar it opspoaren fan diabetyske retinopaty 13 om útdagings te identifisearjen ûnderweis fan laboratoarium nei klinyk, lykas eksterne falidaasjeeasken en paden foar goedkarring troch regeljouwers.
Brûk ervaringslearen: Technyske feardigens fereaskje rjochte oefening en werhelle tapassing om te behearskjen, fergelykber mei de rotearjende learûnderfiningen fan klinyske trainees. Ien mooglike oplossing is it omkearde klaslokaalmodel, wêrfan rapportearre is dat it kennisbehâld yn yngenieursûnderwiis ferbetteret14. Yn dit model besjogge studinten selsstannich teoretysk materiaal en wurdt de lestiid wijd oan it oplossen fan problemen troch middel fan gefalstúdzjes.
Skalberjen foar multidissiplinêre dielnimmers: Wy sjogge foar ússels AI-oannimmen as gearwurking tusken meardere dissiplines, ynklusyf dokters en oare sûnenssoarchprofessionals mei ferskillende nivo's fan training. Dêrom moatte kurrikula miskien ûntwikkele wurde yn oerlis mei fakulteitsleden fan ferskate ôfdielingen om har ynhâld oan te passen oan ferskate gebieten fan sûnenssoarch.
Keunstmjittige yntelliginsje is hightech en de kearnbegripen dêrfan binne relatearre oan wiskunde en ynformatika. It oplieden fan sûnenssoarchpersoniel om keunstmjittige yntelliginsje te begripen bringt unike útdagings mei yn ynhâldseleksje, klinyske relevânsje en leveringsmetoaden. Wy hoopje dat de ynsichten dy't opdien binne yn 'e workshops AI yn it ûnderwiis takomstige oplieders sille helpe om ynnovative manieren te omearmjen om AI te yntegrearjen yn medysk ûnderwiis.
It Google Collaboratory Python-skript is iepen boarne en beskikber op: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG en Khan, S. Medysk ûnderwiis op 'e nij betinke: in oprop ta aksje. Akkad. medicine. 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. De hâlding fan medyske studinten oangeande keunstmjittige yntelliginsje: in multysintra-enkête. EURO. strieling. 29, 1640–1646 (2019).
Fan, KY, Hu, R., en Singla, R. Ynlieding ta masinelearen foar medyske studinten: in pilotprojekt. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Bern identifisearje mei in tige leech risiko op klinysk signifikant harsenskea nei holleblessuere: in prospektive kohortestúdzje. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH en Mangasarian, OL. Ekstraksje fan kearnfunksjes foar diagnoaze fan boarsttumoren. Biomedyske Wittenskip. Ofbyldingsferwurking. Biomedyske Wittenskip. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. en Peng, L. Hoe kinne jo masinelearmodellen ûntwikkelje foar sûnenssoarch. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Fisuele ynterpretaasje fan djippe netwurken fia gradiënt-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 bewiisbasearre medyske kompetinsjes mei OSCE yn medyske undergraduate oplieding. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB en Garg PS Masinelearen 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 Heechprestaasjemedisinen: de konverginsje fan minsklike en keunstmjittige yntelliginsje. Nat. medisinen. 25, 44–56 (2019).
Bede, E. et al. Minsklik sintraal evaluearre fan in djip learsysteem ynset yn 'e klinyk foar it opspoaren fan diabetika retinopaty. Proceedings fan 'e 2020 CHI-konferinsje oer minsklike faktoaren yn kompjûtersystemen (2020).
Kerr, B. De omkearde klaslokaal yn yngenieursûnderwiis: In ûndersyksresinsje. Proceedings fan 'e 2015 Ynternasjonale Konferinsje oer Ynteraktyf Gearwurkjend Learjen (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 ynhâld fan 'e workshop. RH en PP wiene ferantwurdlik foar it ûntwikkeljen fan 'e programmearfoarbylden. KYF, OY, MT en PW wiene ferantwurdlik foar de logistike organisaasje fan it projekt en de analyze fan 'e workshops. RH, OY, MT, RS wiene ferantwurdlik foar it meitsjen fan 'e figueren en tabellen. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS wiene ferantwurdlik foar it opstellen en bewurkjen fan it dokumint.
Kommunikaasjemedisinen tankje Carolyn McGregor, Fabio Moraes, en Aditya Borakati foar harren bydragen oan 'e resinsje fan dit wurk.
Pleatsingstiid: 19 febrewaris 2024