Dankon pro vizito de Nature.com.La versio de retumilo, kiun vi uzas, havas limigitan CSS-subtenon.Por plej bonaj rezultoj, ni rekomendas uzi pli novan version de via retumilo (aŭ malŝalti kongruecreĝimon en Internet Explorer).Intertempe, por certigi daŭran subtenon, ni montras la retejon sen stilo aŭ JavaScript.
Aplikoj de klinika artefarita inteligenteco (AI) kreskas rapide, sed ekzistantaj medicinaj instruplanoj ofertas limigitan instruadon kovrantan ĉi tiun areon.Ĉi tie ni priskribas trejnan kurson pri artefarita inteligenteco, kiun ni evoluigis kaj liveris al kanadaj medicinaj studentoj kaj faras rekomendojn por estonta trejnado.
Artefarita inteligenteco (AI) en medicino povas plibonigi laborejan efikecon kaj helpi klinikan decidon.Por sekure gvidi la uzon de artefarita inteligenteco, kuracistoj devas havi iom da kompreno pri artefarita inteligenteco.Multaj komentoj rekomendas instrui AI-konceptojn1, kiel klarigi AI-modelojn kaj kontrolajn procezojn2.Tamen, malmultaj strukturitaj planoj estis efektivigitaj, precipe sur la nacia nivelo.Pinto dos Santos et al.3.263 medicinaj studentoj estis enketitaj kaj 71% konsentis, ke ili bezonas trejnadon pri artefarita inteligenteco.Instrui artefaritan inteligentecon al medicina spektantaro postulas zorgan dezajnon kiu kombinas teknikajn kaj ne-teknikajn konceptojn por studentoj kiuj ofte havas ampleksan antaŭscion.Ni priskribas nian sperton liverante serion de AI-laborrenkontiĝoj al tri grupoj de medicinaj studentoj kaj faras rekomendojn por estonta medicina edukado en AI.
Nia kvinsemajna laborrenkontiĝo pri Enkonduko al Artefarita Inteligenteco en Medicino por medicinaj studentoj okazis trifoje inter februaro 2019 kaj aprilo 2021. Horaro por ĉiu laborrenkontiĝo, kun mallonga priskribo de ŝanĝoj al la kurso, estas montrita en Figuro 1. Nia kurso havas tri ĉefaj lernoceloj: studentoj komprenas kiel datumoj estas prilaboritaj en artefarita inteligenteco aplikaĵoj, analizas la artefarita inteligenteco literaturo por klinikaj aplikoj, kaj ekspluati ŝancojn kunlabori kun inĝenieroj evoluantaj artefarita inteligenteco.
Blua estas la temo de la prelego kaj helblua estas la interaga demando- kaj respondperiodo.La griza sekcio estas la fokuso de la mallonga literaturrecenzo.La oranĝaj sekcioj estas elektitaj kazesploroj, kiuj priskribas modelojn aŭ teknikojn de artefarita inteligenteco.Verda estas gvidita programa kurso dizajnita por instrui artefaritan inteligentecon por solvi klinikajn problemojn kaj taksi modelojn.La enhavo kaj daŭro de la laborrenkontiĝoj varias laŭ takso de studentaj bezonoj.
La unua laborrenkontiĝo okazis en la Universitato de Brita Kolumbio de februaro ĝis aprilo 2019, kaj ĉiuj 8 partoprenantoj donis pozitivajn rimarkojn4.Pro COVID-19, la dua laborrenkontiĝo okazis preskaŭ en oktobro-novembro 2020, kun 222 medicinaj studentoj kaj 3 loĝantoj de 8 kanadaj medicinaj fakultatoj registritaj.Prezentbildoj kaj kodo estis alŝutitaj al malferma alira retejo (http://ubcaimed.github.io).La ŝlosila retrosciigo de la unua ripeto estis ke la prelegoj estis tro intensaj kaj la materialo tro teoria.Servado de la ses malsamaj horzonoj de Kanado prezentas pliajn defiojn.Tiel, la dua laborrenkontiĝo mallongigis ĉiun sesion al 1 horo, simpligis la kursmaterialon, aldonis pli da kazesploroj, kaj kreis seriojn programojn kiuj permesis al partoprenantoj kompletigi kodfragmentojn kun minimuma senararigado (Kesto 1).Ŝlosila retrosciigo de la dua ripeto inkludis pozitivajn reagojn pri la programaj ekzercoj kaj peton montri planadon por maŝinlernada projekto.Tial, en nia tria laborrenkontiĝo, okazigita praktike por 126 medicinaj studentoj en marto-aprilo 2021, ni inkludis pli interagajn kodigajn ekzercojn kaj projektajn retrosesiojn por pruvi la efikon de uzado de laborkunsidoj en projektoj.
Analizo de datumoj: kampo de studo en statistiko, kiu identigas signifajn ŝablonojn en datenoj per analizado, prilaborado kaj komunikado de datumpadronoj.
Datumminado: la procezo de identigado kaj eltiro de datumoj.En la kunteksto de artefarita inteligenteco, ĉi tio ofte estas granda, kun multoblaj variabloj por ĉiu specimeno.
Dimensieco-redukto: La procezo de transformado de datumoj kun multaj individuaj trajtoj en malpli da trajtoj konservante la gravajn trajtojn de la origina datumaro.
Karakterizaĵoj (en la kunteksto de artefarita inteligenteco): mezureblaj ecoj de specimeno.Ofte uzata interŝanĝeble kun "posedaĵo" aŭ "variablo".
Gradient Activation Map: Tekniko uzita por interpreti artefaritinteligentajn modelojn (aparte konvoluciajn neŭralaj retoj), kiu analizas la procezon de optimumigo de la lasta parto de la reto por identigi regionojn de datenoj aŭ bildoj kiuj estas tre prognozaj.
Norma Modelo: ekzistanta AI-modelo kiu estis antaŭtrejnita por plenumi similajn taskojn.
Testado (en la kunteksto de artefarita inteligenteco): observante kiel modelo plenumas taskon uzante datenojn kiujn ĝi ne renkontis antaŭe.
Trejnado (en la kunteksto de artefarita inteligenteco): Provizante modelon per datenoj kaj rezultoj tiel ke la modelo alĝustigu siajn internajn parametrojn por optimumigi sian kapablon plenumi taskojn uzante novajn datenojn.
Vektoro: tabelo de datumoj.En maŝinlernado, ĉiu tabelelemento estas kutime unika trajto de la specimeno.
Tablo 1 listigas la plej novajn kursojn por aprilo 2021, inkluzive de celitaj lernoceloj por ĉiu temo.Ĉi tiu laborrenkontiĝo estas destinita al tiuj novaj al la teknika nivelo kaj ne postulas ajnan matematikan scion preter la unua jaro de bakalaŭra medicina grado.La kurson disvolvis 6 medicinaj studentoj kaj 3 instruistoj kun altnivelaj diplomoj pri inĝenierado.Inĝenieroj disvolvas teorion pri artefarita inteligenteco por instrui, kaj medicinaj studentoj lernas klinike rilatan materialon.
Laborrenkontiĝoj inkludas prelegojn, kazesplorojn, kaj gviditan programadon.En la unua prelego, ni revizias elektitajn konceptojn de datuma analizo en biostatistiko, inkluzive de datuma bildigo, loĝistika regreso kaj la komparo de priskriba kaj indukta statistiko.Kvankam datuma analizo estas la fundamento de artefarita inteligenteco, ni ekskludas temojn kiel datumminado, signifotestado aŭ interaga bildigo.Tio ŝuldiĝis al tempolimoj kaj ankaŭ ĉar kelkaj bakalaŭraj studentoj havis antaŭan trejnadon en biostatistiko kaj volis kovri pli unikajn maŝinlernajn temojn.La posta prelego enkondukas modernajn metodojn kaj diskutas AI-problemformulon, avantaĝojn kaj limojn de AI-modeloj, kaj modeltestadon.La prelegoj estas kompletigitaj per literaturo kaj praktika esplorado pri ekzistantaj artefarita inteligentecaj aparatoj.Ni emfazas la kapablojn necesajn por taksi la efikecon kaj fareblecon de modelo por trakti klinikajn demandojn, inkluzive de komprenado de la limigoj de ekzistantaj aparatoj pri artefarita inteligenteco.Ekzemple, ni petis studentojn interpreti la gvidliniojn pri infanaj kapvundoj proponitaj de Kupperman et al., 5 kiuj efektivigis artefaritan inteligentecan decidan arbon-algoritmon por determini ĉu CT-skanado estus utila surbaze de ekzameno de kuracisto.Ni emfazas, ke ĉi tio estas ofta ekzemplo de AI provizanta prognozajn analizojn por kuracistoj por interpreti, prefere ol anstataŭigi kuracistojn.
En la disponeblaj malfermfontaj ekzemploj de programado de bootstrap (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ni pruvas kiel fari esploran analizon de datumoj, dimensiecredukton, norman modelŝarĝadon kaj trejnadon. .kaj testado.Ni uzas kajerojn de Google Colaboratory (Google LLC, Mountain View, CA), kiuj permesas Python-kodon esti ekzekutita de retumilo.En Figuro 2 donas ekzemplon de programa ekzerco.Ĉi tiu ekzerco implikas antaŭdiri malignecojn uzante la Wisconsin Open Breast Imaging Dataset6 kaj decidarba algoritmo.
Prezentu programojn dum la tuta semajno pri rilataj temoj kaj elektu ekzemplojn el eldonitaj AI-aplikoj.Programaj elementoj estas nur inkluditaj se ili estas konsideritaj signifaj al disponigado de scioj pri estonta klinika praktiko, kiel ekzemple kiel taksi modelojn por determini ĉu ili estas pretaj por uzo en klinikaj provoj.Tiuj ekzemploj kulminas per plentaŭga fin-al-fina aplikaĵo kiu klasifikas tumorojn kiel benignajn aŭ malignajn surbaze de medicinaj bildaj parametroj.
Heterogeneco de antaŭa scio.Niaj partoprenantoj variis en sia nivelo de matematika scio.Ekzemple, studentoj kun altnivelaj inĝenieraj fonoj serĉas pli profundan materialon, kiel kiel fari siajn proprajn transformojn de Fourier.Tamen, diskuti la Fourier-algoritmon en klaso ne estas ebla ĉar ĝi postulas profundan scion pri signal-prilaborado.
Elfluo de partopreno.Partopreno ĉe sekvaj renkontiĝoj malpliiĝis, precipe en interretaj formatoj.Solvo povas esti spuri ĉeeston kaj provizi atestilon pri kompletigo.Medicinaj fakultatoj povas rekoni transskribaĵojn de eksterplanaj akademiaj agadoj de studentoj, kiuj povas instigi studentojn al diplomo.
Kursa Dezajno: Ĉar AI ampleksas tiom da subkampoj, elekti kernajn konceptojn de taŭga profundo kaj larĝo povas esti malfacila.Ekzemple, la kontinueco de uzo de AI-iloj de la laboratorio ĝis la kliniko estas grava temo.Dum ni kovras antaŭprilaboradon de datumoj, modelkonstruadon kaj validumon, ni ne inkluzivas temojn kiel analizon de grandaj datumoj, interaga bildigo aŭ farado de klinikaj provoj de AI, anstataŭe ni fokusiĝas al la plej unikaj konceptoj de AI.Nia gvidprincipo estas plibonigi legopovon, ne kapablojn.Ekzemple, kompreni kiel modelo prilaboras enigajn trajtojn estas grava por interpretebleco.Unu maniero fari tion estas uzi gradientajn aktivigmapojn, kiuj povas bildigi kiuj regionoj de la datenoj estas antaŭvideblaj.Tamen, ĉi tio postulas multvarian kalkulon kaj ne povas esti enkondukita8.Disvolvi komunan terminologion estis malfacila ĉar ni provis klarigi kiel labori kun datumoj kiel vektoroj sen matematika formalismo.Notu, ke malsamaj terminoj havas la saman signifon, ekzemple, en epidemiologio, "karakterizaĵo" estas priskribita kiel "variablo" aŭ "atributo".
Konservado.Ĉar la apliko de AI estas limigita, la mezuro al kiu partoprenantoj retenas scion restas por esti vidita.Kuraclernejaj instruplanoj ofte dependas de spacigita ripeto por plifortigi scion dum praktikaj rotacioj, kiuj ankaŭ povas esti aplikitaj al AI-edukado.
Profesiismo estas pli grava ol alfabeteco.La profundo de la materialo estas desegnita sen matematika rigoro, kio estis problemo dum lanĉo de klinikaj kursoj en artefarita inteligenteco.En la programaj ekzemploj, ni uzas ŝablonan programon, kiu permesas al partoprenantoj plenigi kampojn kaj ruli la programaron sen devi eltrovi kiel agordi kompletan programan medion.
Zorgoj pri artefarita inteligenteco traktita: Estas ĝeneraligita zorgo ke artefarita inteligenteco povus anstataŭigi iujn klinikajn devojn3.Por trakti ĉi tiun problemon, ni klarigas la limojn de AI, inkluzive de la fakto, ke preskaŭ ĉiuj AI-teknologioj aprobitaj de regulistoj postulas kuraciston-kontrolon11.Ni ankaŭ emfazas la gravecon de biaso ĉar algoritmoj estas inklinaj al biaso, precipe se la datumaro ne estas diversa12.Sekve, certa subgrupo povas esti modeligita neĝuste, kondukante al maljustaj klinikaj decidoj.
Rimedoj estas publike haveblaj: Ni kreis publike haveblajn rimedojn, inkluzive de preleglumbildoj kaj kodo.Kvankam aliro al sinkrona enhavo estas limigita pro horzonoj, malfermfonteca enhavo estas oportuna metodo por nesinkrona lernado ĉar AI-kompetenteco ne estas havebla ĉe ĉiuj medicinaj fakultatoj.
Interfaka Kunlaboro: Ĉi tiu laborrenkontiĝo estas komunentrepreno iniciatita de medicinaj studentoj por plani kursojn kune kun inĝenieroj.Ĉi tio montras kunlaborajn ŝancojn kaj sciajn mankojn en ambaŭ lokoj, permesante al partoprenantoj kompreni la eblan rolon, kiun ili povas kontribui en la estonteco.
Difinu AI-kernajn kompetentecojn.Difini liston de kompetentecoj disponigas normigitan strukturon kiu povas esti integrita en ekzistantajn kompetentec-bazitajn medicinajn instruplanojn.Ĉi tiu laborrenkontiĝo nuntempe uzas Lernan Objektivan Nivelojn 2 (Kompreno), 3 (Apliko), kaj 4 (Analizo) de la Taksonomio de Bloom.Havi rimedojn sur pli altaj niveloj de klasifiko, kiel krei projektojn, povas plue plifortigi scion.Ĉi tio postulas labori kun klinikaj fakuloj por determini kiel AI-temoj povas esti aplikitaj al klinikaj laborfluoj kaj malhelpi la instruadon de ripetemaj temoj jam inkluzivitaj en normaj medicinaj instruplanoj.
Kreu kazesplorojn uzante AI.Simila al klinikaj ekzemploj, kaz-bazita lernado povas plifortigi abstraktajn konceptojn elstarigante ilian gravecon al klinikaj demandoj.Ekzemple, unu laborrenkontiĝo-studo analizis la 13-an sistemon de detektado de diabeta retinopatio bazita en AI de Google por identigi defiojn laŭ la vojo de laboratorio al kliniko, kiel eksteraj validumpostuloj kaj reguligaj aprob-vojoj.
Uzu spertecan lernadon: Teknikaj kapabloj postulas fokusitan praktikon kaj ripetan aplikadon por majstri, simile al la rotaciaj lernantoj de klinikaj praktikantoj.Unu ebla solvo estas la renversita klasĉambromodelo, kiu laŭdire plibonigas scion retenon en inĝenieristika edukado14.En ĉi tiu modelo, studentoj revizias teorian materialon sendepende kaj klastempo estas dediĉita al solvado de problemoj per kazesploroj.
Skalado por multidisciplinaj partoprenantoj: Ni antaŭvidas adopton de AI engaĝante kunlaboron tra pluraj disciplinoj, inkluzive de kuracistoj kaj aliancitaj sanprofesiuloj kun diversaj niveloj de trejnado.Tial, instruplanoj eble devos esti evoluigitaj en interkonsiliĝo kun fakultato de malsamaj sekcioj por adapti sian enhavon al malsamaj areoj de sanservo.
Artefarita inteligenteco estas altteknologia kaj ĝiaj kernaj konceptoj rilatas al matematiko kaj komputiko.Trejni sanservon por kompreni artefaritan inteligentecon prezentas unikajn defiojn en enhavelekto, klinika graveco kaj liveraj metodoj.Ni esperas, ke la komprenoj akiritaj de la laborrenkontiĝoj pri AI en Edukado helpos estontajn edukistojn akcepti novigajn manierojn integri AI en medicinan edukadon.
La skripto de Google Colaboratory Python estas malfermfonta kaj havebla ĉe: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG kaj Khan, S. Repensi medicinan edukadon: voko al ago.Akkad.medikamento.88, 1407-1410 (2013).
McCoy, LG ktp. Kion medicinstudantoj vere bezonas scii pri artefarita inteligenteco?NPZh nombroj.Medicino 3, 1–3 (2020).
Dos Santos, DP, et al.La sintenoj de medicinaj studentoj al artefarita inteligenteco: multcentra enketo.EŬRO.radiado.29, 1640-1646 (2019).
Fan, KY, Hu, R., kaj Singla, R. Enkonduko al maŝinlernado por medicinaj studentoj: pilotprojekto.J. Med.instrui.54, 1042–1043 (2020).
Cooperman N, et al.Identigi infanojn kun tre malalta risko de klinike signifa cerbolezo post kapvuzo: eventuala kohorta studo.Lanceto 374, 1160-1170 (2009).
Strato, WN, Wolberg, WH kaj Mangasarian, OL.Nuklea trajto eltiro por mama tumoro-diagnozo.Biomedicina Scienco.Prilaborado de bildoj.Biomedicina Scienco.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. kaj Peng, L. How to develop machine learning models for healthcare.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-kamo: Vida interpreto de profundaj retoj per gradient-bazita lokalizo.Procedoj de la IEEE Internacia Konferenco pri Komputila Vizio, 618–626 (2017).
Kumaravel B, Stewart K kaj Ilic D. Evoluo kaj taksado de spirala modelo por taksado de indico-bazitaj medicinkompetentecoj uzantaj OSCE en bakalaŭra medicina eduko.BMK Medicino.instrui.21, 1–9 (2021).
Kolachalama VB kaj Garg PS Maŝinlernado kaj medicina edukado.NPZh nombroj.medikamento.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. kaj de Rooy, M. Artefarita inteligenteco en radiologio: 100 komercaj produktoj kaj ilia scienca evidenteco.EŬRO.radiado.31, 3797–3804 (2021).
Topol, EJ Alt-efikeca medicino: la konverĝo de homa kaj artefarita inteligenteco.Nat.medikamento.25, 44–56 (2019).
Bede, E. et al.Hom-centrigita taksado de profunda lernadsistemo deplojita en la kliniko por la detekto de diabeta retinopatio.Procedoj de la 2020 CHI-Konferenco pri Homaj Faktoroj en Komputilaj Sistemoj (2020).
Kerr, B. La renversita klasĉambro en inĝenieristika edukado: esplorrecenzo.Procedoj de la 2015 Internacia Konferenco pri Interaga Kunlabora Lernado (2015).
La aŭtoroj dankas Danielle Walker, Tim Salcudin, kaj Peter Zandstra de la Biomedical Imaging kaj Artefarita Inteligenta Esplorgrupo ĉe la Universitato de Brita Kolumbio pro subteno kaj financado.
RH, PP, ZH, RS kaj MA respondecis pri evoluigado de la laborrenkontiĝo-instrua enhavo.RH kaj PP respondecis pri evoluigado de la programaj ekzemploj.KYF, OY, MT kaj PW respondecis pri la loĝistika organizo de la projekto kaj la analizo de la laborrenkontiĝoj.RH, OY, MT, RS respondecis pri kreado de la figuroj kaj tabeloj.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS respondecis pri redaktado kaj redaktado de la dokumento.
Komunikada Medicino dankas Carolyn McGregor, Fabio Moraes kaj Aditya Borakati pro iliaj kontribuoj al la revizio de ĉi tiu laboro.
Afiŝtempo: Feb-19-2024