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 samhæfingarstillingu í Internet Explorer). Á meðan, til að tryggja áframhaldandi stuðning, sýnum við síðuna án stíl eða JavaScript.
Notkun klínískrar gervigreindar (AI) er ört vaxandi, en núverandi námskrár læknaskóla bjóða upp á takmarkaða kennslu sem nær yfir þetta svið. Hér lýsum við námskeiði í gervigreind sem við þróuðum og kenndum kanadískum læknanemum og gerum tillögur að framtíðarþjálfun.
Gervigreind (AI) í læknisfræði getur bætt skilvirkni á vinnustað og aðstoðað við klíníska ákvarðanatöku. Til að leiðbeina notkun gervigreindar á öruggan hátt verða læknar að hafa einhverja skilning á gervigreind. Margar athugasemdir mæla með kennslu á hugtökum gervigreindar1, svo sem að útskýra gervigreindarlíkön og sannprófunarferli2. Hins vegar hafa fáar skipulagðar áætlanir verið innleiddar, sérstaklega á landsvísu. Pinto dos Santos o.fl.3. 263 læknanemar tóku þátt í könnun og 71% voru sammála um að þeir þyrftu þjálfun í gervigreind. Að kenna gervigreind fyrir læknahóp krefst vandaðar hönnunar sem sameinar tæknileg og ótæknileg hugtök fyrir nemendur sem hafa oft mikla forþekkingu. Við lýsum reynslu okkar af því að halda röð gervigreindarvinnustofa fyrir þrjá hópa læknanema og gerum tillögur að framtíðar læknisfræðimenntun í gervigreind.
Fimm vikna námskeið okkar um kynningu á gervigreind í læknisfræði fyrir læknanema var haldið þrisvar sinnum á tímabilinu febrúar 2019 til apríl 2021. Dagskrá hverrar námskeiðs, með stuttri lýsingu á breytingum á námskeiðinu, er sýnd á mynd 1. Námskeiðið okkar hefur þrjú aðalmarkmið: nemendur skilja hvernig gögn eru unnin í gervigreindarforritum, greina heimildir um gervigreind fyrir klínískar notkunarmöguleika og nýta sér tækifæri til að vinna með verkfræðingum sem þróa gervigreind.
Blár litur er efni fyrirlestrarins og ljósblár litur er gagnvirk spurninga- og svaratími. Grái hlutinn er í brennidepli stuttrar yfirlitsgreinar. Appelsínugulu hlutarnir eru valin dæmisögur sem lýsa gervigreindarlíkönum eða aðferðum. Grænn litur er leiðbeinandi forritunarnámskeið sem er hannað til að kenna gervigreind til að leysa klínísk vandamál og meta líkön. Efni og lengd vinnustofanna er breytilegt eftir mati á þörfum nemenda.
Fyrsta vinnustofan var haldin við Háskólann í Bresku Kólumbíu frá febrúar til apríl 2019 og allir 8 þátttakendurnir gáfu jákvæð viðbrögð4. Vegna COVID-19 var önnur vinnustofan haldin rafrænt í október-nóvember 2020, þar sem 222 læknanemar og 3 læknar í sérnámi frá 8 kanadískum læknaskólum skráðu sig. Kynningarglærur og kóði hafa verið hlaðið inn á opinn aðgangsvef (http://ubcaimed.github.io). Helstu viðbrögðin frá fyrstu lotunni voru að fyrirlestrarnir væru of krefjandi og efnið of fræðilegt. Að þjóna sex mismunandi tímabeltum Kanada skapar frekari áskoranir. Því stytti önnur vinnustofan hverja lotu í 1 klukkustund, einfaldaði námsefnið, bætti við fleiri dæmisögum og bjó til grunnforrit sem gerðu þátttakendum kleift að klára kóðabúta með lágmarks villuleit (Rammi 1). Helstu viðbrögð frá annarri lotunni voru meðal annars jákvæð viðbrögð við forritunaræfingunum og beiðni um að sýna fram á skipulagningu fyrir vélanámsverkefni. Þess vegna, í þriðju vinnustofunni okkar, sem haldin var rafrænt fyrir 126 læknanema í mars-apríl 2021, voru fleiri gagnvirkar forritunaræfingar og endurgjöf um verkefni kynnt til að sýna fram á áhrif þess að nota hugmyndir vinnustofunnar á verkefni.
Gagnagreining: Rannsóknarsvið í tölfræði sem greinir þýðingarmikil mynstur í gögnum með því að greina, vinna úr og miðla gagnamynstrum.
Gagnanám: ferlið við að bera kennsl á og vinna úr gögnum. Í samhengi gervigreindar er þetta oft stórt ferli, með mörgum breytum fyrir hvert úrtak.
Víddarminnkun: Ferlið við að umbreyta gögnum með mörgum einstökum eiginleikum í færri eiginleika en varðveita mikilvæga eiginleika upprunalega gagnasafnsins.
Einkenni (í samhengi gervigreindar): mælanlegir eiginleikar úrtaks. Oft notað til skiptis með „eiginleika“ eða „breytu“.
Stigaleiðréttingarkort: Tækni sem notuð er til að túlka gervigreindarlíkön (sérstaklega fellingartauganet), sem greinir ferlið við að fínstilla síðasta hluta netsins til að bera kennsl á gagna- eða myndasvæði sem eru mjög spárvænleg.
Staðlað líkan: Fyrirliggjandi gervigreindarlíkan sem hefur verið forþjálfað til að framkvæma svipuð verkefni.
Prófun (í samhengi gervigreindar): að fylgjast með því hvernig líkan framkvæmir verkefni með því að nota gögn sem það hefur ekki rekist á áður.
Þjálfun (í samhengi gervigreindar): Að útvega líkani gögn og niðurstöður þannig að líkanið aðlagi innri breytur sínar til að hámarka getu sína til að framkvæma verkefni með nýjum gögnum.
Vigur: gagnafylki. Í vélanámi er hvert fylkisþáttur venjulega einstakur eiginleiki úrtaksins.
Tafla 1 sýnir nýjustu námskeiðin fyrir apríl 2021, þar á meðal markmið fyrir hvert efni. Þessi vinnustofa er ætluð þeim sem eru nýir á tæknilegu stigi og krefst ekki neinnar stærðfræðikunnáttu umfram fyrsta árið í grunnnámi í læknisfræði. Námskeiðið var þróað af 6 læknanemum og 3 kennurum með framhaldsgráður í verkfræði. Verkfræðingar eru að þróa kenningar um gervigreind til kennslu og læknanemar eru að læra klínískt viðeigandi efni.
Vinnustofur innihalda fyrirlestra, dæmisögur og leiðbeinda forritun. Í fyrsta fyrirlestrinum förum við yfir valin hugtök gagnagreiningar í líftölfræði, þar á meðal gagnasýnileika, lógíska aðhvarfsgreiningu og samanburð á lýsandi og aðleiðslutölfræði. Þó að gagnagreining sé undirstaða gervigreindar, útilokum við efni eins og gagnanám, marktækniprófanir eða gagnvirka sýnileika. Þetta var vegna tímaþröngs og einnig vegna þess að sumir grunnnemar höfðu fyrri þjálfun í líftölfræði og vildu fjalla um einstökari vélanámsefni. Síðari fyrirlestur kynnir nútíma aðferðir og fjallar um vandamálaformúleringu gervigreindar, kosti og takmarkanir gervigreindarlíkana og líkanaprófanir. Fyrirlestrarnir eru studdir af bókmenntum og hagnýtum rannsóknum á núverandi gervigreindartækjum. Við leggjum áherslu á þá færni sem þarf til að meta skilvirkni og hagkvæmni líkans til að takast á við klínískar spurningar, þar á meðal að skilja takmarkanir núverandi gervigreindartækja. Til dæmis báðum við nemendur um að túlka leiðbeiningar um höfuðáverka hjá börnum sem Kupperman o.fl. lögðu til, 5 sem innleiddu ákvörðunartrésreiknirit fyrir gervigreind til að ákvarða hvort tölvusneiðmynd væri gagnleg út frá skoðun læknis. Við leggjum áherslu á að þetta er algengt dæmi um að gervigreind veitir spágreiningar fyrir lækna til að túlka, frekar en að koma í stað lækna.
Í tiltækum dæmum um ræsiforritun með opnum hugbúnaði (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) sýnum við fram á hvernig á að framkvæma könnunargagnagreiningu, víddarlækkun, hleðslu staðlaðra líkana, þjálfun og prófanir. Við notum Google Colaboratory fartölvur (Google LLC, Mountain View, Kaliforníu), sem gera kleift að keyra Python kóða úr vafra. Á mynd 2 er dæmi um forritunaræfingu. Þessi æfing felur í sér að spá fyrir um illkynja æxli með því að nota Wisconsin Open Breast Imaging Dataset6 og ákvörðunartrésreiknirit.
Kynnið dagskrárliði alla vikuna um skyld efni og veljið dæmi úr birtum gervigreindarforritum. Forritunarþættir eru aðeins teknir með ef þeir eru taldir skipta máli til að veita innsýn í framtíðar klíníska starfsemi, svo sem hvernig á að meta líkön til að ákvarða hvort þau séu tilbúin til notkunar í klínískum rannsóknum. Þessi dæmi leiða til fullbúinnar heildstæðrar forritunar sem flokkar æxli sem góðkynja eða illkynja út frá læknisfræðilegum myndgreiningarþáttum.
Mismunandi fyrri þekkingarstig. Þátttakendur okkar höfðu mismunandi stærðfræðilega þekkingu. Til dæmis eru nemendur með framhaldsskólabakgrunn í verkfræði að leita að ítarlegra efni, eins og hvernig á að framkvæma sínar eigin Fourier umbreytingar. Hins vegar er ekki hægt að ræða Fourier reikniritið í kennslustund þar sem það krefst ítarlegrar þekkingar á merkjavinnslu.
Mætingarfækkun. Mæting á eftirfylgnifundum minnkaði, sérstaklega á netinu. Lausn gæti verið að fylgjast með mætingu og veita vottorð um útskrift. Læknadeildir eru þekktar fyrir að viðurkenna afrit af utanskólastarfi nemenda, sem getur hvatt nemendur til að stunda nám.
Námskeiðshönnun: Þar sem gervigreind spannar svo mörg undirsvið getur verið krefjandi að velja kjarnahugtök með viðeigandi dýpt og breidd. Til dæmis er samfelld notkun gervigreindartækja frá rannsóknarstofu til læknastofu mikilvægt efni. Þó að við fjöllum um forvinnslu gagna, líkanasmíði og staðfestingu, þá fjallar við ekki um efni eins og greiningu stórra gagna, gagnvirka sjónræna framsetningu eða framkvæmd klínískra rannsókna á gervigreind, heldur einbeitum við okkur að einstökustu gervigreindarhugtökunum. Leiðarljós okkar er að bæta læsi, ekki færni. Til dæmis er mikilvægt að skilja hvernig líkan vinnur úr inntakseiginleikum til að tryggja túlkun. Ein leið til að gera þetta er að nota stigulvirkjunarkort, sem geta sýnt fram á hvaða svæði gagnanna eru fyrirsjáanleg. Hins vegar krefst þetta fjölbreytureiknings og er ekki hægt að kynna það8. Að þróa sameiginlega hugtök var krefjandi vegna þess að við vorum að reyna að útskýra hvernig vinna ætti með gögn sem vigra án stærðfræðilegrar formgerðar. Athugið að mismunandi hugtök hafa sömu merkingu, til dæmis í faraldsfræði er „einkenni“ lýst sem „breytu“ eða „eiginleiki“.
Þekkingargeymsla. Þar sem notkun gervigreindar er takmörkuð er óvíst hversu vel þátttakendur varðveita þekkingu sína. Námskrár læknadeilda byggja oft á endurteknum æfingum með dreifðri millibili til að styrkja þekkingu sína í verklegum æfingum,9 sem einnig er hægt að heimfæra upp á menntun sem byggir á gervigreind.
Fagmennska er mikilvægari en læsi. Dýpt efnisins er hönnuð án stærðfræðilegrar nákvæmni, sem var vandamál þegar klínísk námskeið í gervigreind voru sett af stað. Í forritunardæmunum notum við sniðmát sem gerir þátttakendum kleift að fylla út reiti og keyra hugbúnaðinn án þess að þurfa að finna út hvernig á að setja upp heilt forritunarumhverfi.
Áhyggjur af gervigreind teknar fyrir: Útbreiddar áhyggjur eru af því að gervigreind gæti komið í stað sumra klínískra starfa3. Til að taka á þessu máli útskýrum við takmarkanir gervigreindar, þar á meðal þá staðreynd að nánast allar gervigreindartækni sem eftirlitsaðilar hafa samþykkt krefjast eftirlits lækna11. Við leggjum einnig áherslu á mikilvægi hlutdrægni því reiknirit eru viðkvæm fyrir hlutdrægni, sérstaklega ef gagnasafn er ekki fjölbreytt12. Þar af leiðandi gæti ákveðinn undirhópur verið ranglega mótaður, sem leiðir til ósanngjarnra klínískra ákvarðana.
Heimildir eru aðgengilegar öllum: Við höfum búið til opinberar heimildir, þar á meðal fyrirlestraglærur og kóða. Þó að aðgangur að samstilltu efni sé takmarkaður vegna tímabelta, þá er opinn hugbúnaður þægileg aðferð til ósamstillts náms þar sem sérþekking á gervigreind er ekki tiltæk í öllum læknaskólum.
Þverfaglegt samstarf: Þessi vinnustofa er samstarfsverkefni læknanema til að skipuleggja námskeið ásamt verkfræðingum. Þetta sýnir fram á samstarfsmöguleika og þekkingarbil á báðum sviðum og gerir þátttakendum kleift að skilja hugsanlegt hlutverk sem þeir geta lagt af mörkum í framtíðinni.
Skilgreina kjarnahæfni gervigreindar. Með því að skilgreina lista yfir hæfniþætti fæst stöðluð uppbygging sem hægt er að samþætta í núverandi hæfnibundnar námskrár í læknisfræði. Þessi vinnustofa notar nú námsmarkmiðsstig 2 (Skilningur), 3 (Beiting) og 4 (Greining) í flokkun Blooms. Að hafa aðgang að úrræðum á hærri flokkunarstigum, svo sem að búa til verkefni, getur styrkt þekkingu enn frekar. Þetta krefst þess að vinna með klínískum sérfræðingum að því að ákvarða hvernig hægt er að beita gervigreindarefnum í klínískum vinnuflæðum og koma í veg fyrir að endurtekin efni sem þegar eru hluti af hefðbundinni námskrá í læknisfræði séu kennd.
Búið til dæmisrannsóknir með gervigreind. Líkt og með klínísk dæmi getur dæmismiðað nám styrkt abstrakt hugtök með því að varpa ljósi á mikilvægi þeirra fyrir klínískar spurningar. Til dæmis greindi ein vinnustofurannsókn gervigreindar-byggða sjónukvillagreiningarkerfi Google fyrir sykursýki 13 til að bera kennsl á áskoranir á leiðinni frá rannsóknarstofu til læknastofu, svo sem kröfur um ytri staðfestingu og leiðir til samþykkis eftirlitsaðila.
Notið reynslunám: Tæknileg færni krefst markvissrar æfingar og endurtekinnar beitingar til að ná tökum á henni, svipað og snúningsnámskeið hjá klínískum nemendum. Ein möguleg lausn er snúið kennslustofulíkan, sem hefur reynst bæta þekkingu í verkfræðikennslu14. Í þessu líkani fara nemendur yfir fræðilegt efni sjálfstætt og kennslustundin er helguð lausn vandamála með dæmisögum.
Aðlögun að fjölþættum þátttakendum: Við sjáum fyrir okkur að innleiðing gervigreindar feli í sér samstarf milli margra fræðigreina, þar á meðal lækna og annarra heilbrigðisstarfsmanna með mismunandi þjálfunarstig. Því gæti þurft að þróa námskrár í samráði við kennara frá mismunandi deildum til að sníða efni þeirra að mismunandi sviðum heilbrigðisþjónustu.
Gervigreind er hátækni og kjarnahugtök hennar tengjast stærðfræði og tölvunarfræði. Þjálfun heilbrigðisstarfsfólks til að skilja gervigreind felur í sér einstakar áskoranir í vali á efni, klínískri þýðingu og kennsluaðferðum. Við vonum að innsýnin sem aflað er í vinnustofunum um gervigreind í menntun muni hjálpa framtíðarkennurum að tileinka sér nýstárlegar leiðir til að samþætta gervigreind í læknisfræðimenntun.
Python handritið fyrir Google Collaboratory er opinn hugbúnaður og aðgengilegt á: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG og Khan, S. Endurhugsun læknanáms: hvatning til aðgerða. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG o.fl. Hvað þurfa læknanemar í raun að vita um gervigreind? NPZh tölur. Medicine 3, 1–3 (2020).
Dos Santos, DP, o.fl. Viðhorf læknanema til gervigreindar: fjölsetra könnun. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., og Singla, R. Inngangur að vélanámi fyrir læknanema: tilraunaverkefni. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, o.fl. Að bera kennsl á börn í mjög lágri hættu á klínískt marktækum heilaskaða eftir höfuðáverka: framsýn hóprannsókn. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH og Mangasarian, OL. Útdráttur kjarnaeinkenna til greiningar á brjóstakrabbameini. Líf- og læknisfræði. Myndvinnsla. Líf- og læknisfræði. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. og Peng, L. Hvernig á að þróa vélanámslíkön fyrir heilbrigðisþjónustu. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR o.fl. Grad-cam: Sjónræn túlkun á djúpum netum með staðsetningu byggðri á stigulum. Ráðstefnurit IEEE um tölvusjón, 618–626 (2017).
Kumaravel B, Stewart K og Ilic D. Þróun og mat á spírallíkani til að meta vísindamiðaða læknisfræðilega hæfni með því að nota OSCE í grunnnámi lækna. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB og Garg PS Vélanám og læknisfræðimenntun. NPZh tölur. læknisfræði. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. og de Rooy, M. Gervigreind í geislafræði: 100 viðskiptavörur og vísindalegar sannanir þeirra. EURO. geislun. 31, 3797–3804 (2021).
Topol, EJ Háþróuð læknisfræði: samleitni mannlegrar og gervigreindar. Nat. medicine. 25, 44–56 (2019).
Bede, E. o.fl. Mannmiðað mat á djúpnámskerfi sem notað er í klínískum rannsóknum til að greina sjónukvilla af völdum sykursýki. Ritgerðir frá CHI ráðstefnunni 2020 um mannlega þætti í tölvukerfum (2020).
Kerr, B. Andhverft kennslustofunám í verkfræðimenntun: Rannsóknaryfirlit. Ráðstefnuritgerðir frá alþjóðlegri ráðstefnu um gagnvirkt samvinnunám 2015 (2015).
Höfundarnir þakka Danielle Walker, Tim Salcudin og Peter Zandstra frá rannsóknarhópnum Biomedical Imaging and Artificial Intelligence við Háskólann í Bresku Kólumbíu fyrir stuðning og fjármögnun.
RH, PP, ZH, RS og MA báru ábyrgð á þróun kennsluefnis vinnustofunnar. RH og PP báru ábyrgð á þróun forritunardæmanna. KYF, OY, MT og PW báru ábyrgð á skipulagningu verkefnisins og greiningu vinnustofanna. RH, OY, MT og RS báru ábyrgð á gerð mynda og taflna. RH, KYF, PP, ZH, OY, MY, PW, TL, MA og RS báru ábyrgð á drögum og ritstjórn skjalsins.
Samskiptalækningar þakkar Carolyn McGregor, Fabio Moraes og Aditya Borakati fyrir framlag þeirra til yfirlitsgreiningar þessarar vinnu.
Birtingartími: 19. febrúar 2024