Dankon pro via vizito al Nature.com. La versio de retumilo, kiun vi uzas, havas limigitan subtenon por CSS. Por plej bonaj rezultoj, ni rekomendas uzi pli novan version de via retumilo (aŭ malŝalti kongruecan reĝimon en Internet Explorer). Dume, por certigi daŭran subtenon, ni montras la retejon sen stiloj aŭ JavaScript.
Aplikoj de klinika artefarita inteligenteco (AI) rapide kreskas, sed ekzistantaj medicinaj fakultataj instruplanoj ofertas limigitan instruadon kovrantan ĉi tiun areon. Ĉi tie ni priskribas trejnan kurson pri artefarita inteligenteco, kiun ni disvolvis kaj liveris al kanadaj medicinaj studentoj, kaj faras rekomendojn por estonta trejnado.
Artefarita inteligenteco (AI) en medicino povas plibonigi la efikecon de la laborejo kaj helpi pri klinika decidiĝo. Por sekure gvidi la uzon de artefarita inteligenteco, kuracistoj devas havi iom da kompreno pri artefarita inteligenteco. Multaj komentoj rekomendas instrui konceptojn de AI1, kiel ekzemple klarigi AI-modelojn kaj konfirmajn procezojn2. Tamen, malmultaj strukturitaj planoj estis efektivigitaj, precipe je 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 dezajnon, kiu kombinas teknikajn kaj ne-teknikajn konceptojn por studentoj, kiuj ofte havas ampleksan antaŭan scion. Ni priskribas nian sperton pri liverado de serio da AI-laborrenkontiĝoj al tri grupoj de medicinaj studentoj kaj faras rekomendojn por estonta medicina edukado pri AI.
Nia kvin-semajna laborsesio "Enkonduko al Artefarita Inteligenteco en Medicino" por medicinaj studentoj okazis tri fojojn inter februaro 2019 kaj aprilo 2021. Horaro por ĉiu laborsesio, kun mallonga priskribo de ŝanĝoj al la kurso, estas montrita en Figuro 1. Nia kurso havas tri ĉefajn lernadocelojn: studentoj komprenas kiel datumoj estas prilaboritaj en artefaritinteligentecaj aplikoj, analizas la literaturon pri artefaritinteligenteco por klinikaj aplikoj, kaj profitas de ŝancoj kunlabori kun inĝenieroj, kiuj disvolvas artefaritan inteligentecon.
Blua estas la temo de la prelego kaj helblua estas la interaga demando-responda periodo. La griza sekcio estas la fokuso de la mallonga literaturrevizio. La oranĝkoloraj sekcioj estas elektitaj kazesploroj, kiuj priskribas artefaritinteligentecajn modelojn aŭ teknikojn. Verda estas gvidita programada kurso desegnita por instrui artefaritinteligentecon por solvi klinikajn problemojn kaj taksi modelojn. La enhavo kaj daŭro de la laborrenkontiĝoj varias laŭ takso de la bezonoj de la studentoj.
La unua laborsesio okazis ĉe la Universitato de Brita Kolumbio de februaro ĝis aprilo 2019, kaj ĉiuj 8 partoprenantoj donis pozitivan reagon4. Pro COVID-19, la dua laborsesio okazis virtuale en oktobro-novembro 2020, kun 222 medicinaj studentoj kaj 3 loĝantoj el 8 kanadaj medicinaj fakultatoj registriĝantaj. Prezentaj lumbildoj kaj kodo estis alŝutitaj al malferma alira retejo (http://ubcaimed.github.io). La ĉefa reago 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 laborsesio mallongigis ĉiun sesion al 1 horo, simpligis la kursmaterialon, aldonis pli da kazesploroj, kaj kreis ŝablonajn programojn, kiuj permesis al partoprenantoj kompletigi kodfragmentojn kun minimuma sencimigado (Kesto 1). Ĉefa reago de la dua iteracio inkluzivis pozitivan reagon pri la programaj ekzercoj kaj peton demonstri planadon por maŝinlernada projekto. Tial, en nia tria laborsesio, okazinta virtuale por 126 medicinaj studentoj en marto-aprilo 2021, ni inkluzivis pli da interagaj kodaj ekzercoj kaj projektaj retrosciigoj por demonstri la efikon de la uzo de laborsesio-konceptoj sur projektoj.
Datumanalizo: Studfako en statistiko, kiu identigas signifajn ŝablonojn en datumoj per analizado, prilaborado kaj komunikado de datumpadronoj.
Datenminado: la procezo de identigo kaj eltiro de datumoj. En la kunteksto de artefarita inteligenteco, tio ofte estas granda, kun pluraj variabloj por ĉiu specimeno.
Dimensieca redukto: La procezo de transformado de datumoj kun multaj individuaj trajtoj en pli malmultajn trajtojn, konservante la gravajn ecojn de la originala datumbazo.
Karakterizaĵoj (en la kunteksto de artefarita inteligenteco): mezureblaj ecoj de specimeno. Ofte uzataj interŝanĝeble kun "eco" aŭ "variablo".
Mapo de Aktivigo de Gradiento: Tekniko uzata por interpreti modelojn de artefaritinteligenteco (precipe konvoluciajn neŭralajn retojn), kiu analizas la procezon de optimumigo de la lasta parto de la reto por identigi regionojn de datumoj 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): observi kiel modelo plenumas taskon uzante datumojn, kiujn ĝi ne antaŭe renkontis.
Trejnado (en la kunteksto de artefarita inteligenteco): Provizi modelon per datumoj kaj rezultoj, por ke la modelo adaptu siajn internajn parametrojn por optimumigi sian kapablon plenumi taskojn uzante novajn datumojn.
Vektoro: tabelo de datumoj. En maŝinlernado, ĉiu tabelelemento estas kutime unika trajto de la specimeno.
Tabelo 1 listigas la plej novajn kursojn por aprilo 2021, inkluzive de celitaj lernado-celoj por ĉiu temo. Ĉi tiu laborsesio estas destinita por tiuj, kiuj estas novaj al la teknika nivelo, kaj ne postulas matematikajn sciojn preter la unua jaro de bakalaŭra medicina grado. La kurson disvolvis 6 medicinaj studentoj kaj 3 instruistoj kun altnivelaj gradoj en inĝenierarto. Inĝenieroj disvolvas artefaritan inteligentecan teorion por instrui, kaj medicinaj studentoj lernas klinike gravan materialon.
La laborrenkontiĝoj inkluzivas prelegojn, kazesplorojn kaj gviditan programadon. En la unua prelego, ni revizias elektitajn konceptojn de datumanalizo en biostatistiko, inkluzive de datumvizualizado, loĝistika regreso kaj la komparo de priskribaj kaj induktaj statistikoj. Kvankam datumanalizo estas la fundamento de artefarita inteligenteco, ni ekskludas temojn kiel datumminado, signifotestado aŭ interaga bildigo. Ĉi tio ŝuldiĝis al tempolimoj kaj ankaŭ ĉar iuj bakalaŭraj studentoj havis antaŭan trejnadon pri biostatistiko kaj volis kovri pli unikajn maŝinlernadajn temojn. La posta prelego prezentas modernajn metodojn kaj diskutas la formuladon de artefarita inteligenteco-problemoj, avantaĝojn kaj limigojn de artefarita inteligenteco-modeloj kaj modeltestadon. La prelegojn kompletigas literaturo kaj praktika esplorado pri ekzistantaj artefaritinteligentecaj aparatoj. Ni emfazas la kapablojn necesajn por taksi la efikecon kaj fareblecon de modelo por trakti klinikajn demandojn, inkluzive de kompreno de la limigoj de ekzistantaj artefaritinteligentecaj aparatoj. Ekzemple, ni petis studentojn interpreti la gvidliniojn pri pediatriaj kapvundoj proponitajn de Kupperman et al., 5 kiuj efektivigis algoritmon de decida arbo por artefaritinteligenteco por determini ĉu komputila tomografio estus utila surbaze de kuracista ekzameno. Ni emfazas, ke ĉi tio estas ofta ekzemplo de artefarita inteligenteco provizanta prognozan analizon por kuracistoj por interpreti, anstataŭ anstataŭigi kuracistojn.
En la haveblaj malfermfontecaj ekzemploj de "bootstrap" programado (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ni montras kiel plenumi esploradan datumanalizon, redukton de dimensieco, ŝargadon de norma modelo, kaj trejnadon kaj testadon. Ni uzas Google Colaboratory-notlibrojn (Google LLC, Mountain View, Kalifornio), kiuj permesas efektivigi Python-kodon el retumilo. En Figuro 2 estas ekzemplo de programa ekzerco. Ĉi tiu ekzerco implikas antaŭdiri malignecojn uzante la Wisconsin Open Breast Imaging Dataset6 kaj decidarban algoritmon.
Prezentu programojn dum la tuta semajno pri rilataj temoj kaj elektu ekzemplojn el publikigitaj aplikaĵoj de artefarita inteligenteco. Programaj elementoj estas inkluditaj nur se ili estas konsiderataj gravaj por provizi komprenon pri estonta klinika praktiko, ekzemple kiel taksi modelojn por determini ĉu ili estas pretaj por uzo en klinikaj provoj. Ĉi tiuj ekzemploj kulminas en plenkreska aplikaĵo, kiu klasifikas tumorojn kiel benignajn aŭ malignajn surbaze de medicinaj bildparametroj.
Diverseco de antaŭa scio. Niaj partoprenantoj variis laŭ sia nivelo de matematika scio. Ekzemple, studentoj kun altnivela inĝenieristika fono serĉas pli profundan materialon, kiel ekzemple kiel plenumi siajn proprajn Fourier-transformojn. Tamen, diskuti la Fourier-algoritmon en la klaso ne eblas, ĉar ĝi postulas profundan scion pri signal-prilaborado.
Elfluo de partopreno. Partopreno ĉe postaj kunvenoj malpliiĝis, precipe en interretaj formatoj. Solvo povus esti spuri partoprenon kaj provizi atestilon pri kompletigo. Medicinaj fakultatoj estas konataj pro rekono de transskribaĵoj de eksterkursaj akademiaj agadoj de studentoj, kio povas instigi studentojn studi por 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. Kvankam ni kovras datenantaŭtraktadon, modelkonstruadon kaj validigon, ni ne inkluzivas temojn kiel analizo de grandaj datumoj, interaga bildigo aŭ farado de klinikaj provoj de AI, anstataŭe ni fokusiĝas al la plej unikaj AI-konceptoj. Nia gvida principo estas plibonigi legopovon, ne kapablojn. Ekzemple, kompreni kiel modelo prilaboras enirajn trajtojn estas grava por interpretebleco. Unu maniero fari tion estas uzi gradientajn aktivigajn mapojn, kiuj povas bildigi, kiuj regionoj de la datumoj estas antaŭvideblaj. Tamen, tio postulas multvariablan kalkulon kaj ne povas esti enkondukita8. Evoluigi 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".
Retenado de scio. Ĉar la apliko de AI estas limigita, restas videbla kiomgrade partoprenantoj retenas scion. Medicinaj fakultataj instruplanoj ofte dependas de interspacigita ripetado por plifortigi scion dum praktikaj rotacioj,9 kio ankaŭ povas esti aplikita al AI-edukado.
Profesieco estas pli grava ol legopovo. La profundo de la materialo estas desegnita sen matematika rigoro, kio estis problemo dum la lanĉo de klinikaj kursoj pri artefarita inteligenteco. En la programaj ekzemploj, ni uzas ŝablonprogramon, kiu permesas al partoprenantoj plenigi kampojn kaj ruligi la programaron sen devi eltrovi kiel starigi kompletan programan medion.
Traktataj zorgoj pri artefarita inteligenteco: Ekzistas ĝeneraligita zorgo, ke artefarita inteligenteco povus anstataŭigi iujn klinikajn taskojn3. Por trakti ĉi tiun problemon, ni klarigas la limigojn de AI, inkluzive de la fakto, ke preskaŭ ĉiuj AI-teknologioj aprobitaj de reguligantoj postulas kuracistan superrigardon11. Ni ankaŭ emfazas la gravecon de biaso, ĉar algoritmoj emas al biaso, precipe se la datumbazo ne estas diversa12. Sekve, certa subgrupo povas esti modelita malĝuste, kondukante al maljustaj klinikaj decidoj.
Rimedoj estas publike haveblaj: Ni kreis publike haveblajn rimedojn, inkluzive de prelegaj lumbildoj 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 en ĉiuj medicinaj fakultatoj.
Interfaka Kunlaboro: Ĉi tiu laborsesio estas komuna entrepreno iniciatita de medicinaj studentoj por plani kursojn kune kun inĝenieroj. Ĉi tio montras kunlaborajn ŝancojn kaj sciomankojn en ambaŭ kampoj, permesante al partoprenantoj kompreni la eblan rolon, kiun ili povas kontribui en la estonteco.
Difinu kernajn kompetentecojn pri artefarita inteligenteco. Difini liston de kompetentecoj provizas normigitan strukturon, kiu povas esti integrita en ekzistantajn kompetentec-bazitajn medicinajn instruplanojn. Ĉi tiu laborsesio nuntempe uzas Lernado-Objektivajn Nivelojn 2 (Kompreno), 3 (Apliko) kaj 4 (Analizo) de la Taksonomio de Bloom. Havi rimedojn je pli altaj niveloj de klasifiko, kiel ekzemple kreado de projektoj, povas plue plifortigi scion. Ĉi tio postulas kunlaboron kun klinikaj fakuloj por determini kiel AI-temoj povas esti aplikitaj al klinikaj laborfluoj kaj malhelpi la instruadon de ripetaj temoj jam inkluzivitaj en normaj medicinaj instruplanoj.
Kreu kazesplorojn uzante artefaritan inteligentecon. Simile al klinikaj ekzemploj, kazbazita lernado povas plifortigi abstraktajn konceptojn per elstarigado de ilia graveco por klinikaj demandoj. Ekzemple, unu laborrenkontiĝa studo analizis la AI-bazitan diabetan retinopatian detektosistemon de Google 13 por identigi defiojn laŭ la vojo de laboratorio al kliniko, kiel ekzemple eksteraj validigaj postuloj kaj reguligaj aprobaj vojoj.
Uzu spertecan lernadon: Teknikaj kapabloj postulas fokusitan praktikon kaj ripetan aplikon por majstrado, simile al la rotaciaj lernado-spertoj de klinikaj praktikantoj. Unu ebla solvo estas la inversigita klasĉambra modelo, kiu laŭ raportoj plibonigas scio-retenadon en inĝeniera edukado14. En ĉi tiu modelo, studentoj revizias teorian materialon sendepende kaj la klastempo estas dediĉita al solvado de problemoj per kazesploroj.
Skaliĝo por multdisciplinaj partoprenantoj: Ni antaŭvidas adopton de artefarita inteligenteco implikantan kunlaboron trans pluraj disciplinoj, inkluzive de kuracistoj kaj aliancitaj sanprofesiuloj kun diversaj trejnadniveloj. Tial, instruplanoj eble bezonos esti evoluigitaj konsulte kun fakultato de malsamaj fakoj por adapti sian enhavon al malsamaj areoj de sanservo.
Artefarita inteligenteco estas altteknologia kaj ĝiaj kernaj konceptoj rilatas al matematiko kaj komputiko. Trejni sanpersonaron por kompreni artefaritan inteligentecon prezentas unikajn defiojn rilate al enhavselektado, klinika graveco kaj livermetodoj. Ni esperas, ke la komprenoj akiritaj de la laborrenkontiĝoj pri AI en Edukado helpos estontajn edukistojn ampleksi novigajn manierojn integri AI en medicinan edukadon.
La skripto Google Colaboratory por Python estas malfermfonteca kaj havebla ĉe: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG kaj Khan, S. Repensante medicinan edukadon: alvoko al agado. Akkad. medicino. 88, 1407–1410 (2013).
McCoy, LG ktp. Kion medicinaj studentoj vere bezonas scii pri artefarita inteligenteco? NPZh-nombroj. Medicino 3, 1–3 (2020).
Dos Santos, DP, et al. Sintenoj de medicinaj studentoj rilate al artefarita inteligenteco: multcentra enketo. EURO. radiado. 29, 1640–1646 (2019).
Fan, KY, Hu, R., kaj Singla, R. Enkonduko al maŝinlernado por medicinaj studentoj: pilotprojekto. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identigante infanojn kun tre malalta risko de klinike signifa cerbolezo post kapvundo: prospektiva kohorta studo. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH kaj Mangasarian, OL. Ekstraktado de nukleaj trajtoj por diagnozo de mamaj tumoroj. Biomedical Science. Bildprilaborado. Biomedical Science. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. kaj Peng, L. Kiel disvolvi maŝinlernadajn modelojn por sanservo. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Vida interpretado de profundaj retoj per gradient-bazita lokalizo. Protokolo de la IEEE Internacia Konferenco pri Komputila Vido, 618–626 (2017).
Kumaravel B, Stewart K kaj Ilic D. Disvolviĝo kaj taksado de spirala modelo por taksi sciencbazitajn medicinajn kompetentecojn uzante OSCE en studenta medicina edukado. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB kaj Garg PS Maŝinlernado kaj medicina edukado. NPZh-nombroj. medicino. 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. medicine. 25, 44–56 (2019).
Bede, E. et al. Homcentra taksado de profunda lerna sistemo deplojita en kliniko por la detekto de diabeta retinopatio. Protokolo de la CHI-Konferenco de 2020 pri Homaj Faktoroj en Komputilaj Sistemoj (2020).
Kerr, B. La renversita klasĉambro en inĝenieristika edukado: Esplorrevizio. Procedoj de la Internacia Konferenco pri Interaga Kunlabora Lernado de 2015 (2015).
La aŭtoroj dankas Danielle Walker, Tim Salcudin, kaj Peter Zandstra de la Esplorgrupo pri Biomedicina Bildigo kaj Artefarita Inteligenteco ĉe la Universitato de Brita Kolumbio pro subteno kaj financado.
RH, PP, ZH, RS kaj MA respondecis pri la disvolviĝo de la enhavo de la laborrenkontiĝoj. RH kaj PP respondecis pri la disvolviĝo de la programaj ekzemploj. KYF, OY, MT kaj PW respondecis pri la loĝistika organizado de la projekto kaj la analizo de la laborrenkontiĝoj. RH, OY, MT, RS respondecis pri la kreado de la figuroj kaj tabeloj. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS respondecis pri la redaktado kaj redaktado de la dokumento.
Communication Medicine dankas Carolyn McGregor, Fabio Moraes, kaj Aditya Borakati pro iliaj kontribuoj al la revizio de ĉi tiu verko.
Afiŝtempo: 19-a de februaro 2024