Dankon, ke vi vizitis 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 kongruan reĝimon en Interreta Esplorilo). Intertempe, por certigi daŭran subtenon, ni montras la retejon sen stilo aŭ ĝavaskripto.
Aplikoj de klinika artefarita inteligenteco (AI) kreskas rapide, sed ekzistantaj medicinaj lernejaj instruplanoj ofertas limigitan instruadon kovrantan ĉi tiun areon. Ĉi tie ni priskribas kurson pri artefarita inteligenta trejnado, kiun ni disvolvis kaj transdonis al kanadaj medicinaj studentoj kaj faras rekomendojn por estonta trejnado.
Artefarita inteligenteco (AI) en medicino povas plibonigi laborejan efikecon kaj helpi klinikan decidadon. Por sekure gvidi la uzon de artefarita inteligenteco, kuracistoj devas iom kompreni artefaritan inteligentecon. Multaj komentoj pledas por 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 publiko postulas zorgeman projekton, kiu kombinas teknikajn kaj ne-teknikajn konceptojn por studentoj, kiuj ofte havas vastajn antaŭajn sciojn. Ni priskribas nian sperton liverante serion de AI -atelieroj al tri grupoj de medicinaj studentoj kaj faras rekomendojn por estonta medicina edukado en AI.
Nia kvin-semajna enkonduko al Artefarita Inteligenteco en Medicina Laborejo por medicinaj studentoj okazis tri fojojn inter februaro 2019 kaj aprilo 2021. Horaro por ĉiu ateliero, kun mallonga priskribo de ŝanĝoj al la kurso, estas montrita en Figuro 1. Nia kurso havas Tri primaraj lernadaj celoj: Studentoj komprenas kiel datumoj estas prilaboritaj en artefaritaj inteligentecaj aplikoj, analizas la artefaritan inteligentan literaturon por klinikaj aplikoj kaj utiligas ŝancojn kunlabori kun inĝenieroj disvolvantaj artefaritan inteligentecon.
Blua estas la temo de la prelego kaj helblua estas la interaga demando kaj responda periodo. La griza sekcio estas la fokuso de la mallonga literatura recenzo. La oranĝaj sekcioj estas elektitaj kazaj studoj, kiuj priskribas artefaritajn inteligentajn modelojn aŭ teknikojn. Verda estas gvidita programada kurso desegnita por instrui artefaritan inteligentecon por solvi klinikajn problemojn kaj taksi modelojn. La enhavo kaj daŭro de la atelieroj varias laŭ takso de studentaj bezonoj.
La unua ateliero okazis ĉe la Universitato de Brita Kolumbio de februaro ĝis aprilo 2019, kaj ĉiuj 8 partoprenantoj donis pozitivajn retrosciojn4. Pro Covid-19, la dua ateliero okazis preskaŭ en oktobro-novembro 2020, kun 222 medicinaj studentoj kaj 3 loĝantoj el 8 kanadaj medicinaj lernejoj registrante. Prezentaj lumbildoj kaj kodoj estis alŝutitaj al malferma alira retejo (http://ubcaimed.github.io). La kerna retrosciigo de la unua iteracio estis, ke la prelegoj estis tro intensaj kaj la materialo tro teoria. Servi la ses malsamajn horzonojn de Kanado prezentas pliajn defiojn. Tiel, la dua ateliero mallongigis ĉiun kunsidon al 1 horo, simpligis la kursan materialon, aldonis pliajn kazajn studojn kaj kreis programojn de kaldrono, kiuj permesis al partoprenantoj kompletigi kodajn fragmentojn kun minimuma elpurigado (Skatolo 1). Ŝlosila retrosciigo de la dua iteracio inkluzivis pozitivajn retrosciojn pri la programaj ekzercoj kaj peton pruvi planadon por maŝina lernada projekto. Sekve, en nia tria ateliero, okazinta preskaŭ por 126 medicinaj studentoj en marto-aprilo 2021, ni inkluzivis pli interagajn kodajn ekzercojn kaj projektajn retrospektivojn por pruvi la efikon de uzado de laborejaj konceptoj sur projektoj.
Analizo de datumoj: Kampo de studo en statistikoj, kiu identigas signifajn padronojn en datumoj per analizado, prilaborado kaj komunikado de datumaj ŝablonoj.
Minado de datumoj: La procezo identigi kaj ĉerpi datumojn. Kadre de artefarita inteligenteco, ĉi tio ofte estas granda, kun multnombraj variabloj por ĉiu specimeno.
Dimensieco -Redukto: La procezo de transformado de datumoj kun multaj individuaj ecoj en malpli da ecoj konservante la gravajn proprietojn de la originala datumaro.
Karakterizaĵoj (en la kunteksto de artefarita inteligenteco): mezureblaj ecoj de specimeno. Ofte uzata interŝanĝe kun "posedaĵo" aŭ "variablo".
Gradienta aktiviga mapo: tekniko uzata por interpreti artefaritajn inteligentajn modelojn (precipe konvolutajn neŭrajn retojn), kiu analizas la procezon de optimumigado de la lasta parto de la reto por identigi regionojn de datumoj aŭ bildoj tre prognozaj.
Norma modelo: ekzistanta AI-modelo, kiu estis antaŭ-trejnita por plenumi similajn taskojn.
Testado (en la kunteksto de artefarita inteligenteco): Observante kiel modelo plenumas taskon uzante datumojn, kiujn ĝi antaŭe ne renkontis.
Trejnado (en la kunteksto de artefarita inteligenteco): Provizante modelon kun datumoj kaj rezultoj tiel ke la modelo ĝustigas siajn internajn parametrojn por optimumigi sian kapablon plenumi taskojn per novaj datumoj.
Vektoro: Aro da datumoj. En maŝina lernado, ĉiu tabela elemento kutime estas unika trajto de la specimeno.
Tabelo 1 listigas la plej novajn kursojn por aprilo 2021, inkluzive de celitaj lernadaj celoj por ĉiu temo. Ĉi tiu ateliero estas destinita al tiuj novaj al la teknika nivelo kaj ne bezonas matematikan scion preter la unua jaro de bakalaŭra medicina grado. La kurso estis disvolvita de 6 medicinaj studentoj kaj 3 instruistoj kun progresintaj gradoj en inĝenierado. Inĝenieroj disvolvas artefaritan inteligentan teorion por instrui, kaj medicinaj studentoj lernas klinike gravan materialon.
Laborrenkontiĝoj inkluzivas prelegojn, kazajn studojn kaj gviditan programadon. En la unua prelego, ni revizias elektitajn konceptojn pri datuma analizo en biostatistiko, inkluzive de datuma bildigo, loĝistika regreso kaj komparo de priskribaj kaj induktaj statistikoj. Kvankam datuma analizo estas la fundamento de artefarita inteligenteco, ni ekskludas temojn kiel datumminado, signifa testado aŭ interaga bildigo. Ĉi tio estis pro tempaj limigoj kaj ankaŭ ĉar iuj bakalaŭraj studentoj havis antaŭan trejnadon en biostatistiko kaj volis kovri pli unikajn maŝinajn lernadajn temojn. La posta prelego enkondukas modernajn metodojn kaj diskutas AI -probleman formuladon, avantaĝojn kaj limigojn de AI -modeloj kaj modeltestadon. La prelegoj estas kompletigitaj per literaturo kaj praktika esplorado pri ekzistantaj artefaritaj inteligentecaj aparatoj. Ni emfazas la kapablojn postulatajn por taksi la efikecon kaj fareblecon de modelo por trakti klinikajn demandojn, inkluzive de kompreno de la limigoj de ekzistantaj artefaritaj inteligentecaj aparatoj. Ekzemple, ni petis studentojn interpreti la pediatriajn gvidliniojn pri vundoj proponitaj de Kupperman et al., 5, kiuj efektivigis artefaritan inteligentan decidan arbo -algoritmon por determini ĉu CT -skanado utilus surbaze de ekzameno de kuracisto. Ni emfazas, ke ĉi tio estas ofta ekzemplo de AI provizanta prognozajn analizojn por kuracistoj interpreti, anstataŭ anstataŭigi kuracistojn.
En la disponeblaj ekzemploj pri programado de malfermfonto (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ni pruvas kiel plenumi esploran datuman analizon, dimensian redukton, norman modelan ŝarĝon kaj trejnadon . kaj testado. Ni uzas Google Colaboratory -kajerojn (Google LLC, Mountain View, CA), kiuj permesas al Python -kodo esti ekzekutita de retumilo. En Fig. Figuro 2 donas ekzemplon de programada ekzercado. Ĉi tiu ekzerco implikas antaŭdiri malignojn uzante la Viskonsinan Malferman Maman Imagan DataSet6 kaj decidan arbo -algoritmon.
Aktualaj programoj tra la semajno pri rilataj temoj kaj elektu ekzemplojn el eldonitaj AI -aplikoj. Programadaj elementoj estas inkluzivitaj nur se ili konsideras rilataj por doni komprenon pri estonta klinika praktiko, kiel ekzemple taksi modelojn por determini ĉu ili pretas por uzo en klinikaj provoj. Ĉi tiuj ekzemploj kulminas per plenplena fino-al-fina apliko, kiu klasifikas tumorojn kiel benignaj aŭ malignaj surbaze de medicinaj bildaj parametroj.
Heterogeneco de antaŭa scio. Niaj partoprenantoj variis laŭ sia nivelo de matematika scio. Ekzemple, studentoj kun altnivelaj inĝenieristikaj fonoj serĉas pli profundan materialon, kiel ekzemple plenumi siajn proprajn Fourier-transformojn. Tamen, diskuti la algoritmon de Fourier en klaso ne eblas, ĉar ĝi postulas profundan scion pri signal-prilaborado.
Ĉeestanta elfluo. Partopreno ĉe sekvaj kunvenoj malkreskis, precipe en interretaj formatoj. Solvo eble estas spuri partoprenon kaj provizi atestilon pri kompletigo. Oni scias, ke medicinaj lernejoj rekonas transskribaĵojn de eksterkursaj akademiaj agadoj de studentoj, kiuj povas instigi studentojn daŭrigi diplomon.
Kursdezajno: 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 antaŭprocesadon de datumoj, modelkonstruadon kaj validumadon, ni ne inkluzivas temojn kiel Big Data Analytics, interaga bildigo aŭ farado de AI -klinikaj provoj, anstataŭe ni fokusas pri la plej unikaj AI -konceptoj. Nia gvida principo estas plibonigi alfabetigon, ne kapablojn. Ekzemple, kompreni kiel modelo procesas enigajn funkciojn gravas por interpreteco. Unu maniero fari tion estas uzi gradigajn aktivajn mapojn, kiuj povas bildigi, kiuj regionoj de la datumoj estas antaŭvideblaj. Tamen ĉi tio postulas multivariajn kalkulojn kaj ne povas esti enkondukita8. Disvolvi komunan terminologion estis malfacila ĉar ni klopodis klarigi kiel labori kun datumoj kiel vektoroj sen matematika formalismo. Notu, ke malsamaj terminoj havas la saman signifon, ekzemple, en epidemiologio, "karakteriza" estas priskribita kiel "variablo" aŭ "atributo."
Scio -retenado. Ĉar la apliko de AI estas limigita, la mezuro en kiu partoprenantoj konservas scion restas videbla. Kuracaj lernejaj instruplanoj ofte dependas de interspacigita ripeto por plifortigi scion dum praktikaj rotacioj, 9 kiuj ankaŭ povas esti aplikataj al AI -edukado.
Profesieco pli gravas ol alfabetigo. La profundo de la materialo estas desegnita sen matematika rigoro, kio estis problemo kiam lanĉis klinikajn kursojn en artefarita inteligenteco. En la programaj ekzemploj, ni uzas ŝablonan programon, kiu permesas al partoprenantoj plenigi kampojn kaj funkciigi la programon sen devi kalkuli kiel starigi kompletan programan medion.
Zorgoj pri artefarita inteligenteco traktita: Estas vasta zorgo, ke artefarita inteligenteco povus anstataŭigi iujn klinikajn devojn3. Por trakti ĉi tiun aferon, ni klarigas la limojn de AI, inkluzive de la fakto, ke preskaŭ ĉiuj AI -teknologioj aprobitaj de regulistoj postulas kuracistan superrigardon11. Ni ankaŭ emfazas la gravecon de fleksio ĉar algoritmoj estas inklinaj al fleksio, precipe se la datumaro ne estas diversa12. Sekve, certa subgrupo povas esti modeligita malĝuste, kaŭzante maljustajn klinikajn decidojn.
Rimedoj estas publike haveblaj: ni kreis publike disponeblajn rimedojn, inkluzive de prelegaj lumbildoj kaj kodo. Kvankam aliro al sinkrona enhavo estas limigita pro horzonoj, malferma fonta enhavo estas konvena metodo por asinkrona lernado ĉar AI -kompetenteco ne haveblas ĉe ĉiuj medicinaj lernejoj.
Interdisciplina Kunlaboro: Ĉi tiu ateliero estas komuna entrepreno iniciatita de medicinaj studentoj por plani kursojn kune kun inĝenieroj. Ĉi tio pruvas kunlaborajn ŝancojn kaj sciajn mankojn en ambaŭ areoj, permesante al partoprenantoj kompreni la eblan rolon, kiun ili povas kontribui en la estonteco.
Difini AI -kernajn kompetentecojn. Difini liston de kompetentecoj provizas normigitan strukturon, kiu povas esti integrigita en ekzistantaj kompetent-bazitaj medicinaj instruplanoj. Ĉi tiu ateliero nuntempe uzas lernadajn objektivajn nivelojn 2 (kompreno), 3 (apliko), kaj 4 (analizo) de la taksonomio de Bloom. Havi rimedojn ĉe pli altaj niveloj de klasifiko, kiel krei projektojn, povas plue plifortigi scion. Ĉi tio postulas labori kun klinikaj spertuloj por determini kiel AI -temoj povas esti aplikataj al klinikaj laborfluoj kaj malhelpi la instruadon de ripetaj temoj jam inkluzivitaj en normaj medicinaj instruplanoj.
Kreu kazajn studojn per AI. Simile al klinikaj ekzemploj, kaz-bazita lernado povas plifortigi abstraktajn konceptojn per reliefigo de ilia graveco al klinikaj demandoj. Ekzemple, unu laboreja studo analizis la AI-bazitan diabetan retinopatian detektan sistemon 13 de Google por identigi defiojn laŭ la vojo de laboratorio al kliniko, kiel eksteraj validumaj postuloj kaj reguligaj aprobaj vojoj.
Uzu spertan lernadon: Teknikaj kapabloj postulas fokusitan praktikon kaj ripetan aplikon por majstri, simile al la rotaciantaj lernaj spertoj de klinikaj trejnistoj. Unu ebla solvo estas la flipped -klasĉambra modelo, kiu estis raportita plibonigi la retenadon de scioj en inĝeniera edukado14. En ĉi tiu modelo, studentoj revizias teorian materialon sendepende kaj klasa tempo estas dediĉita al solvado de problemoj per kazaj studoj.
Skalado por multidisciplinaj partoprenantoj: Ni antaŭvidas AI -adopton implikantan kunlaboron inter multnombraj disciplinoj, inkluzive de kuracistoj kaj aliancaj sanaj profesiuloj kun diversaj niveloj de trejnado. Tial, instruplanoj eble bezonos esti disvolvitaj konsulte kun fakultato de diversaj fakoj por adapti sian enhavon al diversaj areoj de sanservo.
Artefarita inteligenteco estas altteknologia kaj ĝiaj kernaj konceptoj rilatas al matematiko kaj komputiko. Trejni sanan personaron por kompreni artefaritan inteligentecon prezentas unikajn defiojn en enhavo -selektado, klinika graveco kaj liveraj metodoj. Ni esperas, ke la komprenoj akiritaj de la AI en edukaj laborejoj helpos estontajn edukistojn ampleksi novigajn manierojn integri AI en medicinan edukadon.
La skripto de Google Colaboratory Python estas malferma fonto kaj havebla ĉe: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG kaj Khan, S. Repensanta Medicinan Edukadon: Alvoko al Ago. Akkad. medikamento. 88, 1407–1410 (2013).
McCoy, LG ktp. Kion vere medicinaj studentoj 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 Maŝina Lernado por Medicinaj Studentoj: Pilotprojekto. J. Med. instruu. 54, 1042–1043 (2020).
Cooperman N, et al. Identigi infanojn kun tre malalta risko de klinike signifa cerba vundo post kap -vundo: prospekta kohorta studo. Lanceto 374, 1160–1170 (2009).
Strato, Wn, Wolberg, WH kaj Mangasarian, ol. Eltiro de nuklea trajto por diagnoza mamo -tumoro. Biomedika scienco. Bildo -prilaborado. Biomedika scienco. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. kaj Peng, L. Kiel disvolvi maŝinajn lernadajn modelojn por sanservo. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-CAM: Vida interpreto de profundaj retoj per gradient-bazita lokalizado. Procedoj de la Internacia Konferenco de IEEE pri Komputila Vizio, 618–626 (2017).
Kumaravel B, Stewart K kaj Ilic D. Disvolviĝo kaj taksado de spirala modelo por taksi evidentec-bazitajn medicinajn kompetentecojn uzante OSCE en bakalaŭra medicina edukado. BMK -Medicino. instruu. 21, 1–9 (2021).
Kolachalama VB kaj Garg PS -maŝina lernado 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 iliaj sciencaj evidentaĵoj. Eŭro. radiado. 31, 3797–3804 (2021).
Topol, EJ Altfrekvenca Medicino: La Konverĝo de Homa kaj Artefarita Inteligenteco. Nat. medikamento. 25, 44–56 (2019).
Bede, E. et al. Hom-centrita taksado de profunda lernada sistemo deplojita en la kliniko por la detekto de diabeta retinopatio. Procedoj de la Chi -Konferenco de 2020 pri Homaj Faktoroj en Komputilaj Sistemoj (2020).
Kerr, B. La Flipped Classroom in Engineering Education: Esplora Revizio. Procedoj de la Internacia Konferenco de 2015 pri Interaga Kunlabora Lernado (2015).
La aŭtoroj dankas Danielle Walker, Tim Salcudin, kaj Peter Zandstra de la biomedicina bildigo kaj artefarita inteligenta esplora grupo ĉe la Universitato de Brita Kolumbio pro subteno kaj financado.
RH, PP, ZH, RS kaj MA respondecis pri disvolvado de la ateliero instrua enhavo. RH kaj PP respondecis pri disvolvado de la programaj ekzemploj. KYF, OY, MT kaj PW respondecis pri la loĝistika organizado de la projekto kaj la analizo de la atelieroj. RH, OY, MT, RS respondecis pri kreado de la ciferoj kaj tabloj. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS respondecis pri redaktado kaj redaktado de la dokumento.
Komunika Medicino dankas Carolyn McGregor, Fabio Moraes, kaj Aditya Borakati pro iliaj kontribuoj al la revizio de ĉi tiu verko.
Afiŝotempo: Feb-19-2024