Þakka þér fyrir að heimsækja Nature.com. Útgáfan af vafranum sem þú notar hefur takmarkaðan CSS stuðning. Til að ná sem bestum árangri mælum við með að nota nýrri útgáfu af vafranum þínum (eða slökkva á eindrægni í Internet Explorer). Í millitíðinni, til að tryggja áframhaldandi stuðning, erum við að sýna vefinn án þess að stíl eða JavaScript.
Umsóknir klínískra gervigreindar (AI) vaxa hratt, en núverandi námskrár læknaskóla bjóða upp á takmarkaða kennslu sem nær yfir þetta svæði. Hérna lýsum við gervigreindarnámskeiði sem við þróuðum og afhentum kanadískum læknanemum og gerum tillögur um framtíðarþjálfun.
Gervigreind (AI) í læknisfræði getur bætt skilvirkni á vinnustað og hjálpað til við að klínísk ákvarðanataka. Til að leiðbeina á öruggan hátt notkun gervigreindar verða læknar að hafa nokkurn skilning á gervigreind. Margar athugasemdir eru talsmenn að kenna AI Concepts1, svo sem að útskýra AI líkön og sannprófunarferli2. Hins vegar hafa fáar skipulögð áætlanir verið hrint í framkvæmd, sérstaklega á landsvísu. Pinto dos Santos o.fl.3. 263 læknanemar voru kannaðir og 71% voru sammála um að þeir þyrftu þjálfun í gervigreind. Að kenna gervigreind fyrir læknisáhorfendur krefst vandaðrar hönnunar sem sameinar tæknileg og ekki tæknileg hugtök fyrir nemendur sem oft hafa víðtæka fyrri þekkingu. Við lýsum reynslu okkar af því að skila röð af AI vinnustofum til þriggja hópa læknanema og gera tillögur um framtíðar læknisfræðslu í AI.
Fimm vikna kynning okkar á gervigreind í lækningaverkstæði fyrir læknanemendur var haldin þrisvar milli febrúar 2019 og apríl 2021. Dagskrá fyrir hvert verkstæði, með stuttri lýsingu á breytingum á námskeiðinu, er sýnd á mynd 1. Námskeiðið okkar hefur hefur Þrjú aðal námsmarkmið: Nemendur skilja hvernig gögn eru unnin í gervigreindarforritum, greina gervigreind bókmenntir fyrir klínískar forrit og nýta tækifærin til að vinna með verkfræðingum sem þróa gervigreind.
Blátt er umræðuefni fyrirlestursins og ljósblátt er gagnvirka spurningin og svarstímabilið. Grái hlutinn er í brennidepli í stuttu bókmenntagagnrýni. Appelsínugulir hlutar eru valdar dæmisögur sem lýsa gervigreindalíkönum eða tækni. Green er leiðsögn um forritunarnámskeið sem er hannað til að kenna gervigreind til að leysa klínísk vandamál og meta líkön. Innihald og tímalengd vinnustofna er mismunandi eftir mati á þörfum nemenda.
Fyrsta vinnustofan var haldin við háskólann í Breska Kólumbíu frá febrúar til apríl 2019 og allir 8 þátttakendurnir gáfu jákvæð viðbrögð4. Vegna Covid-19 var önnur vinnustofan haldin nánast í október-nóvember 2020, með 222 læknanema og 3 íbúa frá 8 kanadískum læknaskólum sem skráðu sig. Kynningarskyggnur og kóða hefur verið hlaðið upp á opinn aðgangssíðu (http://ubcaimed.github.io). Lykilviðbrögðin frá fyrstu endurtekningunni voru þau að fyrirlestrarnir voru of miklir og efnið of fræðilegt. Að þjóna sex mismunandi tímabelti Kanada skapar frekari áskoranir. Þannig stytti önnur smiðjan á hverri lotu í 1 klukkustund, einfaldaði námsefnið, bætti við fleiri dæmisögum og bjó til ketilplötuforrit sem gerðu þátttakendum kleift að klára kóða snipps með lágmarks kembiforriti (rammi 1). Lykilviðbrögð frá annarri endurtekningunni voru jákvæð viðbrögð við forritunaræfingum og beiðni um að sýna fram á skipulagningu fyrir vélanámsverkefni. Þess vegna, í þriðju verkstæðinu okkar, sem var nánast fyrir 126 læknanemendur í mars-apríl 2021, tókum við með gagnvirkari kóðunaræfingar og endurgjöf verkefna til að sýna fram á áhrif þess að nota verkstæði hugtök á verkefni.
Gagnagreining: Rannsóknarsvið í tölfræði sem auðkennir þýðingarmikið mynstur í gögnum með því að greina, vinna úr og miðla gagnamynstri.
Gagnavinnsla: Ferlið við að bera kennsl á og draga út gögn. Í tengslum við gervigreind er þetta oft stórt, með margar breytur fyrir hvert sýnishorn.
Minnkun víddar: Ferlið við að umbreyta gögnum með mörgum einstökum eiginleikum í færri eiginleika en varðveita mikilvæga eiginleika upprunalegu gagnasettsins.
Einkenni (í tengslum við gervigreind): Mælanlegir eiginleikar sýnisins. Oft notað til skiptis við „eignir“ eða „breytu“.
Stigvirkjunarkort: Tækni sem notuð er til að túlka gervigreindarlíkön (sérstaklega taugakerfisnet), sem greinir ferlið við að hámarka síðasta hluta netsins til að bera kennsl á svæði gagna eða mynda sem eru mjög fyrirsjáanleg.
Hefðbundið líkan: Núverandi AI líkan sem hefur verið fyrirfram þjálfað til að framkvæma svipuð verkefni.
Prófun (í tengslum við gervigreind): Að fylgjast með því hvernig líkan framkvæmir verkefni með því að nota gögn sem það hefur ekki kynnst áður.
Þjálfun (í tengslum við gervigreind): Að veita líkan með gögnum og niðurstöðum þannig að líkanið aðlagar innri breytur sínar til að hámarka getu sína til að framkvæma verkefni með nýjum gögnum.
Vektor: Fjöldi gagna. Í vélanámi er hver fylkisþáttur venjulega einstakur eiginleiki sýnisins.
Í töflu 1 er listi yfir nýjustu námskeiðin fyrir apríl 2021, þar á meðal markviss námsmarkmið fyrir hvert efni. Þetta verkstæði er ætlað fyrir þá sem eru nýir á tæknilegu stigi og þurfa ekki stærðfræðilega þekkingu fram yfir fyrsta árið í grunnnámi. Námskeiðið var þróað af 6 læknanemum og 3 kennurum með framhaldsnám í verkfræði. Verkfræðingar eru að þróa gervigreindarkenningu til að kenna og læknanemar eru að læra klínískt viðeigandi efni.
Vinnustofur fela í sér fyrirlestra, dæmisögur og leiðsögn um forritun. Í fyrsta fyrirlestrinum skoðum við völdum hugtökum gagnagreiningar í líffræðilegum greinum, þar með talið sjónsköpun gagna, aðhvarf og samanburður á lýsandi og inductive tölfræði. Þrátt fyrir að gagnagreining sé grunnurinn að gervigreind, útilokum við efni eins og námuvinnslu gagna, mikilvægisprófanir eða gagnvirka sjón. Þetta var vegna tímatakmarkana og einnig vegna þess að sumir grunnnemar höfðu fyrri þjálfun í líffræðilegum lyfjum og vildu fjalla um fleiri einstök viðfangsefni vélanáms. Síðari fyrirlesturinn kynnir nútíma aðferðir og fjallar um mótun AI vandamál, kosti og takmarkanir AI líkana og líkanaprófanir. Fyrirlestrunum er bætt við bókmenntir og hagnýtar rannsóknir á gildandi gervigreindartækjum. Við leggjum áherslu á þá færni sem þarf til að meta árangur og hagkvæmni líkans til að taka á klínískum spurningum, þar með talið að skilja takmarkanir núverandi gervigreindartækja. Til dæmis báðum við nemendur um að túlka leiðbeiningar um meiðsli á börnum sem Kupperman o.fl., 5, sem innleiddi gervigreind ákvörðun trjá reiknirit til að ákvarða hvort CT -skönnun væri gagnleg út frá skoðun læknis. Við leggjum áherslu á að þetta er algengt dæmi um AI sem veitir læknum fyrirsjáanlegan greiningu til að túlka, frekar en að skipta um lækna.
Í fyrirliggjandi opnum opnum bootstrap forritunardæmi (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), sýnum við hvernig á . og prófanir. Við notum Google Colaboratory fartölvur (Google LLC, Mountain View, CA), sem gerir kleift að framkvæma Python kóða úr vafra. Á mynd 2 gefur dæmi um forritunaræfingu. Þessi æfing felur í sér að spá fyrir um illkynja sjúkdóma með því að nota Wisconsin Open Breast Imaging DataSet6 og ákvörðunartré reiknirit.
Kynntu forrit alla vikuna um skyld efni og veldu dæmi úr útgefnum AI forritum. Forritunarþættir eru aðeins með ef þeir eru taldir skipta máli til að veita innsýn í klíníska vinnu í framtíðinni, svo sem hvernig eigi að meta líkön til að ákvarða hvort þau séu tilbúin til notkunar í klínískum rannsóknum. Þessi dæmi náðu hámarki í fullri lokun til enda til enda sem flokkar æxli sem góðkynja eða illkynja byggða á breytum um læknisfræðilega mynd.
Misleitni fyrri þekkingar. Þátttakendur okkar voru mismunandi í stærðfræðinni. Sem dæmi má nefna að nemendur með háþróaðan verkfræði bakgrunn eru að leita að ítarlegri efni, svo sem hvernig á að framkvæma eigin Fourier umbreytingar. Hins vegar er ekki mögulegt að ræða Fourier reikniritið í bekknum vegna þess að það þarf ítarlega þekkingu á merkisvinnslu.
Aðsóknarstreymi. Aðsókn á eftirfylgni fundi minnkaði, sérstaklega á netsniði. Lausn getur verið að fylgjast með aðsókn og veita skírteini um lokið. Vitað er að læknaskólar þekkja afrit af fræðilegri starfsemi nemenda sem geta hvatt nemendur til að stunda próf.
Námskeiðshönnun: Vegna þess að AI spannar svo marga undirsvið getur það verið krefjandi að velja kjarnahugtök um viðeigandi dýpt og breidd. Til dæmis er samfelld notkun AI verkfæra frá rannsóknarstofunni til heilsugæslustöðvarinnar mikilvægt efni. Þó að við náum til forvinnslu gagna, líkanagerð og staðfestingu, þá erum við ekki með efni eins og Big Data Analytics, gagnvirka sjón eða gerðum AI klínískar rannsóknir, í staðinn leggjum við áherslu á einstaka AI hugtökin. Leiðbeiningar okkar er að bæta læsi, ekki færni. Til dæmis er það mikilvægt að skilja hvernig líkanið vinnur inntaksaðgerðir. Ein leið til að gera þetta er að nota stigvirkjunarkort, sem geta séð hvaða svæði gagna eru fyrirsjáanleg. Hins vegar krefst þetta fjölbreytilegs útreiknings og er ekki hægt að kynna það8. Að þróa sameiginlega hugtök var krefjandi vegna þess að við reyndum að útskýra hvernig á að vinna með gögn sem vektorar án stærðfræðilegrar formalisma. Athugið að mismunandi hugtök hafa sömu merkingu, til dæmis í faraldsfræði, er „einkenni“ lýst sem „breytu“ eða „eiginleikum.“
Þekking varðveisla. Vegna þess að beiting AI er takmörkuð, á eftir að sjá að hve miklu leyti þátttakendur halda þekkingu. Námskrár læknaskóla treysta oft á endurtekningu á dreifingu til að styrkja þekkingu meðan á verklegum snúningum stendur, 9 sem einnig er hægt að beita við AI menntun.
Fagmennska er mikilvægari en læsi. Dýpt efnisins er hönnuð án stærðfræðilegrar hörku, sem var vandamál þegar klínísk námskeið var sett af stað í gervigreind. Í forritunardæmunum notum við sniðmátaforrit sem gerir þátttakendum kleift að fylla út reiti og keyra hugbúnaðinn án þess að þurfa að reikna út hvernig eigi að setja upp fullkomið forritunarumhverfi.
Áhyggjur af gervigreind sem fjallað er um: Það er víðtæk áhyggjuefni að gervigreind gæti komið í stað einhverra klínískra skyldna3. Til að takast á við þetta mál útskýrum við takmarkanir AI, þar með talið þá staðreynd að næstum öll AI tækni sem samþykkt er af eftirlitsaðilum krefjast eftirlits læknis11. Við leggjum einnig áherslu á mikilvægi hlutdrægni vegna þess að reiknirit eru tilhneigð til hlutdrægni, sérstaklega ef gagnasettið er ekki fjölbreytt12. Þar af leiðandi er hægt að móta ákveðinn undirhóp rangt, sem leiðir til ósanngjarnra klínískra ákvarðana.
Auðlindir eru aðgengilegar: Við höfum búið til opinberlega tiltæk úrræði, þar með talið fyrirlestrarskyggnur og kóða. Þrátt fyrir að aðgengi að samstilltu efni sé takmarkaður vegna tímabelti, er opið efni þægileg aðferð við ósamstillta nám þar sem sérfræðiþekking AI er ekki tiltæk í öllum læknaskólum.
Þverfaglegt samstarf: Þetta verkstæði er sameiginlegt verkefni sem læknanemar hefjast til að skipuleggja námskeið ásamt verkfræðingum. Þetta sýnir samvinnutækifæri og þekkingargalla á báðum sviðum, sem gerir þátttakendum kleift að skilja mögulegt hlutverk sem þeir geta lagt af mörkum í framtíðinni.
Skilgreindu AI kjarnahæfni. Að skilgreina lista yfir hæfni veitir stöðluðu uppbyggingu sem hægt er að samþætta í núverandi hæfnisbundna læknisfræðilega námskrá. Þetta námskeið notar nú námsmarkmið 2 (skilning), 3 (umsókn) og 4 (greining) á flokkunarfræði Bloom. Að hafa úrræði á hærra stigum flokkunar, svo sem að búa til verkefni, getur styrkt þekkingu enn frekar. Þetta krefst þess að vinna með klínískum sérfræðingum til að ákvarða hvernig hægt er að beita AI efni á klínískt verkflæði og koma í veg fyrir kennslu endurtekinna efna sem þegar eru innifalin í stöðluðum læknisfræðilegum námskrám.
Búðu til dæmisögur með AI. Svipað og í klínískum dæmum getur námsbundið nám styrkt abstrakt hugtök með því að draga fram mikilvægi þeirra fyrir klínískum spurningum. Sem dæmi má nefna að ein verkstæði rannsókn greindi AI-undirstaða sjónukvilla fyrir sykursýki frá Google 13 til að bera kennsl á áskoranir meðfram leið frá rannsóknarstofu til heilsugæslustöðva, svo sem utanaðkomandi staðfestingarkröfur og samþykkisleiðir reglugerðar.
Notaðu reynslunám: Tæknileg færni krefst einbeittra æfinga og endurtekinna notkunar til að ná góðum tökum, svipað og snúningsnámsreynsla klínískra nemenda. Ein möguleg lausn er flett kennslustofu líkanið sem hefur verið greint frá því að bæta þekkingargeymslu í verkfræðikennslu14. Í þessu líkani fara nemendur yfir fræðilegt efni sjálfstætt og bekkjartíma er varið til að leysa vandamál með dæmisögum.
Stærð fyrir þverfaglega þátttakendur: Við sjáum fyrir okkur AI ættleiðingu sem felur í sér samstarf milli margra greina, þar á meðal lækna og heilbrigðisstarfsmenn bandamanna með mismunandi þjálfun. Þess vegna gæti þurft að þróa námskrár í samráði við deildir frá mismunandi deildum til að sníða innihald sitt að mismunandi sviðum heilsugæslunnar.
Gervigreind er hátækni og meginhugtök þess tengjast stærðfræði og tölvunarfræði. Þjálfun heilbrigðisstarfsfólks til að skilja gervigreind er einstök áskoranir í vali á innihaldi, klínískri mikilvægi og afhendingaraðferðum. Við vonum að innsýnin sem fengin er frá AI í námskeiðum í menntamálum muni hjálpa framtíðarkennurum að taka við nýstárlegum leiðum til að samþætta AI í læknisfræðslu.
Google Colororatory Python handritið er opinn uppspretta og fáanlegur á: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG og Khan, S. Endurskoða læknisfræðslu: ákall til aðgerða. Akkad. lyf. 88, 1407–1410 (2013).
McCoy, LG o.fl. Hvað þurfa læknanemar raunverulega að vita um gervigreind? NPZH tölur. Læknisfræði 3, 1–3 (2020).
Dos Santos, DP, o.fl. Viðhorf læknanema til gervigreindar: fjölsetra könnun. Evrur. Geislun. 29, 1640–1646 (2019).
Fan, KY, Hu, R., og Singla, R. Kynning á vélanámi fyrir læknanema: Tilraunaverkefni. J. Med. kenna. 54, 1042–1043 (2020).
Cooperman N, o.fl. Að bera kennsl á börn í mjög litlum hættu á klínískt marktækum heilaskaða eftir höfuðáverka: tilvonandi árgangsrannsókn. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH og Mangasarian, Ol. Útdráttur kjarnorkuþátta til greiningar á brjóstum æxlis. Lífeðlisfræðileg vísindi. Myndvinnsla. Lífeðlisfræðileg vísindi. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. og Peng, L. Hvernig á að þróa vélanámslíkön fyrir heilsugæslu. NAT. Matt. 18, 410–414 (2019).
Selvaraju, RR o.fl. Grad-Cam: Sjónræn túlkun á djúpum netum með staðbundinni staðbundinni staðbundinni stað. Málsmeðferð alþjóðlegrar ráðstefnu IEEE um tölvusjón, 618–626 (2017).
Kumaravel B, Stewart K og Ilic D. Þróun og mat á spírallíkani til að meta gagnreynda læknishæfni með því að nota ÖSE í grunnnámi. BMK lyf. kenna. 21, 1–9 (2021).
Kolachalama VB og Garg PS vélinám og læknisfræðsla. NPZH tölur. lyf. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. og de Rooy, M. Gervigreind í geislalækningum: 100 atvinnuvörur og vísindaleg sönnunargögn þeirra. Evrur. Geislun. 31, 3797–3804 (2021).
Topol, EJ afkastamikil lyf: Samleitni mannlegra og gervigreindar. NAT. lyf. 25, 44–56 (2019).
Bede, E. o.fl. Mat á mönnum á djúpu námskerfi sem var sent á heilsugæslustöðina til að greina sjónukvilla af sykursýki. Málsmeðferð CHI ráðstefnunnar 2020 um mannlega þætti í tölvukerfum (2020).
Kerr, B. Flipped Classroom í verkfræðikennslu: Rannsóknarskoðun. Málsmeðferð alþjóðlegu ráðstefnunnar 2015 um gagnvirkt samstarf nám (2015).
Höfundarnir þakka Danielle Walker, Tim Salcudin og Peter Zandstra fyrir lífeindafræðilega myndgreiningar og gervigreindarrannsóknarþyrpingu við háskólann í Breska Kólumbíu fyrir stuðning og fjármögnun.
RH, PP, ZH, RS og MA voru ábyrgir fyrir því að þróa innihald verkstæðisins. RH og PP báru ábyrgð á því að þróa forritunardæmin. KYF, OY, MT og PW báru ábyrgð á skipulagningu verkefnisins og greiningu á vinnustofunum. RH, OY, MT, RS voru ábyrgir fyrir því að búa til tölur og töflur. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS voru ábyrgir fyrir gerð og ritstýringu skjalsins.
Samskiptalækningar þakkar Carolyn McGregor, Fabio Moraes og Aditya Borakati fyrir framlag sitt til endurskoðunar á þessari vinnu.
Post Time: Feb-19-2024