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 samhæfnistillingu í Internet Explorer).Í millitíðinni, til að tryggja áframhaldandi stuðning, sýnum við síðuna án stíls eða JavaScript.
Notkun klínískrar gervigreindar (AI) fer ört vaxandi, en núverandi námskrár læknaskóla bjóða upp á takmarkaða kennslu sem nær yfir þetta svæði.Hér 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 aðstoðað við klíníska ákvarðanatöku.Til að leiðbeina notkun gervigreindar á öruggan hátt verða læknar að hafa einhvern skilning á gervigreind.Margar athugasemdir mæla með því að kenna gervigreindarhugtök1, eins og að útskýra gervigreindarlíkön og sannprófunarferla2.Hins vegar hafa fáar skipulagðar áætlanir verið framkvæmdar, sérstaklega á landsvísu.Pinto dos Santos o.fl.3.Kannaðir voru 263 læknanemar og voru 71% sammála því að þeir þyrftu þjálfun í gervigreind.Að kenna gervigreind fyrir læknahóp krefst vandaðrar hönnunar sem sameinar tæknileg og ótæknileg hugtök fyrir nemendur sem hafa oft mikla forþekkingu.Við lýsum reynslu okkar af því að halda röð af gervigreindarsmiðjum fyrir þrjá hópa læknanema og gerum tillögur um framtíðarlæknismenntun í gervigreind.
Fimm vikna kynning á gervigreind í læknisfræði námskeiði fyrir læknanema var haldin þrisvar sinnum á tímabilinu febrúar 2019 til apríl 2021. Dagskrá fyrir hverja vinnustofu, með stuttri lýsingu á breytingum á námskeiðinu, er sýnd á mynd 1. Námskeiðið okkar hefur þrjú meginnámsmarkmið: nemendur skilja hvernig gögn eru unnin í gervigreindarforritum, greina gervigreindarbókmenntir fyrir klínískar umsóknir og nýta tækifæri til að vinna með verkfræðingum sem þróa gervigreind.
Blár er efni fyrirlestursins og ljósblár er gagnvirki spurninga- og svartíminn.Grái kaflinn er í brennidepli í stuttu bókmenntaskoðuninni.Appelsínugulu hlutarnir eru valdar dæmisögur sem lýsa gervigreindarlíkönum eða -tækni.Green er forritunarnámskeið með leiðsögn sem ætlað er að kenna gervigreind til að leysa klínísk vandamál og meta líkön.Efni og lengd vinnustofanna er mismunandi eftir mati á þörfum nemenda.
Fyrsta vinnustofan var haldin í háskólanum í Bresku 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, þar sem 222 læknanemar og 3 íbúar frá 8 kanadískum læknaskólum skráðu sig.Kynningarskyggnum og kóða hefur verið hlaðið upp á opinn aðgangssíðu (http://ubcaimed.github.io).Lykilviðbrögðin við fyrstu endurtekninguna voru að fyrirlestrarnir væru of ákafir og efnið of fræðilegt.Að þjóna sex mismunandi tímabeltum Kanada hefur í för með sér frekari áskoranir.Þannig stytti seinni vinnustofan hverja lotu í 1 klukkustund, einfaldaði námsefnið, bætti við fleiri dæmisögum og bjó til ketilforrit sem gerðu þátttakendum kleift að klára kóðabúta með lágmarks kembiforritum (Rammi 1).Lykilviðbrögð frá annarri endurtekningu voru jákvæð viðbrögð við forritunaræfingunum og beiðni um að sýna fram á skipulagningu fyrir vélnámsverkefni.Þess vegna, í þriðju vinnustofunni okkar, sem var haldin nánast fyrir 126 læknanema í mars-apríl 2021, tókum við inn fleiri gagnvirkar kóðunaræfingar og endurgjöf verkefni til að sýna fram á áhrif þess að nota verkstæðishugtök á verkefni.
Gagnagreining: Fræðasvið í tölfræði sem greinir þýðingarmikið mynstur í gögnum með því að greina, vinna úr og miðla gagnamynstri.
Gagnanám: ferlið við að bera kennsl á og draga út gögn.Í samhengi við gervigreind er þetta oft stórt, með mörgum breytum fyrir hvert úrtak.
Víddarminnkun: Ferlið við að umbreyta gögnum með mörgum einstökum eiginleikum í færri eiginleika á sama tíma og mikilvægir eiginleikar upprunalega gagnasettsins eru varðveittir.
Eiginleikar (í samhengi við gervigreind): mælanlegir eiginleikar sýnis.Oft notað til skiptis með „eign“ eða „breytu“.
Gradient Activation Map: Tækni sem notuð er til að túlka gervigreindarlíkön (sérstaklega falsbundin tauganet), sem greinir ferlið við að fínstilla síðasta hluta netkerfisins til að bera kennsl á svæði gagna eða mynda sem eru mjög forspár.
Standard Model: Fyrirliggjandi gervigreind líkan sem hefur verið forþjálfað til að framkvæma svipuð verkefni.
Prófun (í samhengi við gervigreind): fylgjast með því hvernig líkan framkvæmir verkefni með því að nota gögn sem það hefur ekki kynnst áður.
Þjálfun (í samhengi við gervigreind): Að útvega líkani gögn og niðurstöður þannig að líkanið aðlagi innri færibreytur til að hámarka getu þess til að framkvæma verkefni með því að nota ný gögn.
Vektor: gagnamagn.Í vélanámi er hver fylkisþáttur venjulega einstakur eiginleiki sýnisins.
Tafla 1 sýnir nýjustu námskeiðin fyrir apríl 2021, þar á meðal markviss námsmarkmið fyrir hvert viðfangsefni.Þessi vinnustofa er ætluð þeim sem eru nýir á tæknistigi og krefst engrar stærðfræðiþekkingar umfram fyrsta ár í grunnnámi í læknisfræði.Námskeiðið var þróað af 6 læknanemum og 3 kennurum með framhaldsgráðu í verkfræði.Verkfræðingar eru að þróa gervigreindarkenningar til að kenna og læknanemar læra klínískt viðeigandi efni.
Vinnustofur innihalda fyrirlestra, dæmisögur og forritun með leiðsögn.Í fyrsta fyrirlestrinum förum við yfir valin hugtök gagnagreiningar í líftölfræði, þar á meðal sjónræn gögn, logistic regression og samanburð á lýsandi og inductive tölfræði.Þrátt fyrir að gagnagreining sé undirstaða gervigreindar, útilokum við efni eins og gagnanám, marktektarpróf eða gagnvirka sjónræningu.Þetta var vegna tímatakmarkana og einnig vegna þess að sumir grunnnemar höfðu fyrri þjálfun í líftölfræði og vildu fjalla um einstök efni í vélanámi.Í síðari fyrirlestrinum eru kynntar nútíma aðferðir og fjallað um AI vandamálamótun, kosti og takmarkanir gervigreindarlíkana og líkanaprófanir.Fyrirlestrarnir eru uppfylltir af bókmenntum og hagnýtum rannsóknum á gervigreindartækjum sem fyrir eru.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 gervigreindartækja sem fyrir eru.Til dæmis báðum við nemendur að túlka leiðbeiningar um höfuðáverka fyrir börn sem Kupperman o.fl., 5 lagði til, sem innleiddu gervigreindarákvörðunartrés reiknirit til að ákvarða hvort tölvusneiðmynd væri gagnleg út frá skoðun læknis.Við leggjum áherslu á að þetta er algengt dæmi um gervigreind sem veitir forspárgreiningar fyrir lækna til að túlka, frekar en að skipta um lækna.
Í tiltækum opnum ræsiforritunardæmum (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), sýnum við hvernig á að framkvæma könnunargagnagreiningu, víddarminnkun, staðlaða líkanhleðslu og þjálfun .og prófun.Við notum Google Collaboratory minnisbækur (Google LLC, Mountain View, CA), sem gerir kleift að keyra Python kóða úr vafra.Á mynd. 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 ákvarðanatré reiknirit.
Sýndu forrit alla vikuna um skyld efni og veldu dæmi úr útgefnum gervigreindarforritum.Forritunarþættir eru aðeins innifaldir ef þeir eru taldir skipta máli til að veita innsýn í klínískar framkvæmdir í framtíðinni, svo sem hvernig á að meta líkön til að ákvarða hvort þau séu tilbúin til notkunar í klínískum rannsóknum.Þessi dæmi ná hámarki í fullkominni enda-til-enda umsókn sem flokkar æxli sem góðkynja eða illkynja út frá læknisfræðilegum myndbreytum.
Misleitni fyrri þekkingar.Þátttakendur okkar voru mismunandi í stærðfræðiþekkingu.Til dæmis eru nemendur með háþróaðan verkfræðibakgrunn að leita að ítarlegra efni, eins og hvernig á að framkvæma eigin Fourier-umbreytingar.Hins vegar er ekki hægt að ræða Fourier reikniritið í bekknum vegna þess að það krefst ítarlegrar þekkingar á merkjavinnslu.
Útstreymi mætingar.Aðsókn að framhaldsfundum dróst saman, sérstaklega á netinu.Lausn gæti verið að fylgjast með mætingu og leggja fram skírteini um lokið.Læknaskólar eru þekktir fyrir að viðurkenna afrit af fræðilegri starfsemi nemenda utan skóla, sem getur hvatt nemendur til að stunda nám.
Námskeiðshönnun: Vegna þess að gervigreind spannar svo mörg undirsvið getur það verið krefjandi að velja kjarnahugtök um viðeigandi dýpt og breidd.Til dæmis er samfelld notkun gervigreindartækja frá rannsóknarstofu til heilsugæslustöðvar mikilvægt viðfangsefni.Þó að við náum yfir forvinnslu gagna, smíði líkana og löggildingu, tökum við ekki til efni eins og greining á stórum gögnum, gagnvirkri sjónmyndun eða framkvæmd AI klínískra prófana, heldur einbeitum við okkur að einstöku gervigreindarhugtökum.Leiðarljós okkar er að bæta læsi, ekki færni.Til dæmis er mikilvægt fyrir túlkanleika að skilja hvernig líkan vinnur úr inntakseiginleikum.Ein leið til að gera þetta er að nota hallavirkjunarkort, sem geta séð hvaða svæði gagnanna eru fyrirsjáanleg.Þetta krefst hins vegar fjölþáttareiknings og er ekki hægt að kynna það8.Að þróa sameiginleg hugtök var krefjandi vegna þess að við vorum að reyna að útskýra hvernig hægt væri að vinna með gögn sem vektora án stærðfræðilegrar formhyggju.Athugaðu að mismunandi hugtök hafa sömu merkingu, til dæmis, í faraldsfræði, er „einkenni“ lýst sem „breytu“ eða „eiginleika“.
Þekkingar varðveisla.Vegna þess að notkun gervigreindar er takmörkuð á eftir að koma í ljós að hve miklu leyti þátttakendur halda þekkingu.Námskrár læknaskóla byggja oft á dreifðri endurtekningu til að styrkja þekkingu á hagnýtum snúningum,9 sem einnig er hægt að beita í gervigreindarkennslu.
Fagmennska er mikilvægara en læsi.Dýpt efnisins er hönnuð án stærðfræðilegrar hörku, sem var vandamál þegar farið var af stað með klínísk námskeið í gervigreind.Í forritunardæmunum notum við sniðmátsforrit sem gerir þátttakendum kleift að fylla út reiti og keyra hugbúnaðinn án þess að þurfa að finna út hvernig eigi að setja upp fullkomið forritunarumhverfi.
Áhyggjur af gervigreind ræddar: Það eru útbreiddar áhyggjur af því að gervigreind gæti komið í stað sumra klínískra skylduverka3.Til að takast á við þetta mál útskýrum við takmarkanir gervigreindar, þar á meðal þá staðreynd að næstum öll gervigreind tækni sem samþykkt er af eftirlitsaðilum krefst eftirlits lækna11.Við leggjum einnig áherslu á mikilvægi hlutdrægni vegna þess að reiknirit eru viðkvæm fyrir hlutdrægni, sérstaklega ef gagnasafnið er ekki fjölbreytt12.Þar af leiðandi getur ákveðinn undirhópur verið sniðinn rangt, sem leiðir til ósanngjarnra klínískra ákvarðana.
Tilföng eru aðgengileg almenningi: Við höfum búið til auðlindir sem eru aðgengilegar almenningi, þar á meðal fyrirlestraskyggnur og kóða.Þrátt fyrir að aðgangur að samstilltu efni sé takmarkaður vegna tímabelta er opinn uppspretta efni þægileg aðferð fyrir ósamstillt nám þar sem sérfræðiþekking á gervigreind er ekki tiltæk í öllum læknaskólum.
Þverfaglegt samstarf: Þessi vinnustofa er sameiginlegt verkefni sem læknanemar hafa frumkvæði að til að skipuleggja námskeið ásamt verkfræðingum.Þetta sýnir samstarfstækifæri og þekkingarskort á báðum sviðum, sem gerir þátttakendum kleift að skilja hugsanlegt hlutverk sem þeir geta lagt af mörkum í framtíðinni.
Skilgreindu AI kjarnahæfni.Skilgreining á hæfnislista veitir staðlaða uppbyggingu sem hægt er að samþætta við núverandi hæfnimiðaða læknanámskrá.Þessi vinnustofa notar nú námsmarkmið 2 (skilning), 3 (umsókn) og 4 (greining) af flokkunarfræði Blooms.Að hafa fjármagn á hærra stigum flokkunar, eins og að búa til verkefni, getur eflt þekkingu enn frekar.Þetta krefst þess að vinna með klínískum sérfræðingum til að ákvarða hvernig hægt er að beita gervigreindarefnum á klínískt verkflæði og koma í veg fyrir kennslu endurtekinna viðfangsefna sem þegar eru innifalin í stöðluðum læknanámskrám.
Búðu til dæmisögur með gervigreind.Líkur á klínískum dæmum getur tilviksbundið nám styrkt óhlutbundin hugtök með því að leggja áherslu á mikilvægi þeirra fyrir klínískar spurningar.Til dæmis greindi ein verkstæðisrannsókn Google greiningarkerfi fyrir sjónukvilla með sykursýki sem byggir á gervigreindum 13 til að bera kennsl á áskoranir á leiðinni frá rannsóknarstofu til heilsugæslustöðvar, svo sem kröfur um ytri löggildingu og samþykktarleiðir eftirlitsaðila.
Notaðu reynslunám: Tæknifærni krefst einbeittrar æfingar og endurtekinnar beitingar til að ná tökum á, svipað og skiptinámsupplifun klínískra nema.Ein hugsanleg lausn er flipped classroom líkanið, sem hefur verið greint frá til að bæta þekkingu í verkfræðinámi14.Í þessu líkani fara nemendur sjálfstætt yfir fræðilegt efni og kennslustund fer í að leysa vandamál með dæmisögum.
Stærð fyrir þverfaglega þátttakendur: Við sjáum fyrir okkur upptöku gervigreindar sem felur í sér samvinnu þvert á margar greinar, þar á meðal lækna og heilbrigðisstarfsfólk með mismunandi þjálfun.Því gæti þurft að þróa námskrár í samráði við deildir frá mismunandi deildum til að sníða efni þeirra að mismunandi sviðum heilbrigðisþjónustunnar.
Gervigreind er hátækni og kjarnahugtök hennar tengjast stærðfræði og tölvunarfræði.Þjálfun heilbrigðisstarfsfólks til að skilja gervigreind býður upp á einstaka áskoranir í efnisvali, klínískri þýðingu og afhendingaraðferðum.Við vonum að innsýnin sem fengin er með AI-in Education-smiðjunum muni hjálpa framtíðarkennurum að tileinka sér nýstárlegar leiðir til að samþætta gervigreind í læknanámi.
Google Colaboratory Python handritið er opið og fáanlegt á: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG og Khan, S. Rethinking medical education: a call to action.Akkad.lyf.88, 1407–1410 (2013).
McCoy, LG o.fl. Hvað þurfa læknanemar raunverulega að vita um gervigreind?NPZh tölur.Medicine 3, 1–3 (2020).
Dos Santos, DP, o.fl.Viðhorf læknanema til gervigreindar: fjölsetra könnun.EURO.geislun.29, 1640–1646 (2019).
Fan, KY, Hu, R., og Singla, R. Inngangur að vélanámi fyrir læknanema: tilraunaverkefni.J. Med.kenna.54, 1042–1043 (2020).
Cooperman N, o.fl.Að bera kennsl á börn í mjög lítilli hættu á klínískt marktækum heilaskaða eftir höfuðáverka: tilvonandi hóprannsókn.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH og Mangasarian, OL.Kjarnaeiginleikaútdráttur til að greina brjóstaæxli.Lífeindafræði.Myndvinnsla.Lífeindafræði.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: Sjóntúlkun á djúpum netkerfum í gegnum hallabyggða staðsetningu.Ritgerðir IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K og Ilic D. Þróun og mat á spírallíkani til að meta gagnreynda læknisfræðilega hæfni með því að nota ÖSE í grunnnámi lækna.BMK lyf.kenna.21, 1–9 (2021).
Kolachalama VB og Garg PS Vélnám og læknanám.NPZh tölur.lyf.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 Afkastamikil lyf: samleitni mannlegrar og gervigreindar.Nat.lyf.25, 44–56 (2019).
Bede, E. o.fl.Mannmiðað mat á djúpu námskerfi sem er notað á heilsugæslustöðinni til að greina sjónhimnukvilla af völdum sykursýki.Verkefni CHI ráðstefnunnar 2020 um mannlega þætti í tölvukerfum (2020).
Kerr, B. The flipped classroom in engineering education: A research review.Fundargerð 2015 alþjóðlegrar ráðstefnu um gagnvirkt samvinnunám (2015).
Höfundarnir þakka Danielle Walker, Tim Salcudin og Peter Zandstra frá Biomedical Imaging and Artificial Intelligence Research Cluster við háskólann í Bresku Kólumbíu fyrir stuðning og fjármögnun.
RH, PP, ZH, RS og MA sáu um að þróa kennsluefni vinnustofunnar.RH og PP sáu um að þróa forritunardæmin.KYF, OY, MT og PW sáu um skipulagningu verkefnisins og greiningu vinnustofanna.RH, OY, MT, RS sáu um að búa til myndir og töflur.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS sáu um gerð og ritstjórn skjalsins.
Samskiptalækningar þakka Carolyn McGregor, Fabio Moraes og Aditya Borakati fyrir framlag þeirra til endurskoðunar á þessu verki.
Pósttími: 19-feb-2024