Terima kasih telah mengunjungi Nature.com. Versi browser yang Anda gunakan memiliki dukungan CSS terbatas. Untuk hasil terbaik, kami sarankan menggunakan versi yang lebih baru dari browser Anda (atau mematikan mode kompatibilitas di Internet Explorer). Sementara itu, untuk memastikan dukungan yang berkelanjutan, kami menunjukkan situs tanpa gaya atau javascript.
Aplikasi Klinis Kecerdasan Buatan (AI) tumbuh dengan cepat, tetapi kurikulum sekolah kedokteran yang ada menawarkan pengajaran terbatas yang mencakup bidang ini. Di sini kami menggambarkan kursus pelatihan kecerdasan buatan yang kami kembangkan dan kirimkan kepada mahasiswa kedokteran Kanada dan membuat rekomendasi untuk pelatihan di masa depan.
Kecerdasan buatan (AI) dalam kedokteran dapat meningkatkan efisiensi di tempat kerja dan membantu pengambilan keputusan klinis. Untuk memandu dengan aman penggunaan kecerdasan buatan, dokter harus memiliki pemahaman tentang kecerdasan buatan. Banyak komentar mengadvokasi pengajaran AI Concepts1, seperti menjelaskan model AI dan proses verifikasi2. Namun, beberapa rencana terstruktur telah diterapkan, terutama di tingkat nasional. Pinto Dos Santos et al.3. 263 mahasiswa kedokteran disurvei dan 71% sepakat bahwa mereka membutuhkan pelatihan dalam kecerdasan buatan. Mengajar kecerdasan buatan kepada audiens medis membutuhkan desain yang cermat yang menggabungkan konsep teknis dan non-teknis untuk siswa yang sering memiliki pengetahuan sebelumnya yang luas. Kami menggambarkan pengalaman kami memberikan serangkaian lokakarya AI kepada tiga kelompok mahasiswa kedokteran dan membuat rekomendasi untuk pendidikan kedokteran di masa depan di AI.
Pengantar lima minggu kami untuk Workshop Intelijen Buatan dalam Kedokteran untuk Mahasiswa Kedokteran diadakan tiga kali antara Februari 2019 dan April 2021. Jadwal untuk setiap lokakarya, dengan deskripsi singkat tentang perubahan kursus, ditunjukkan pada Gambar 1. Kursus kami telah Tiga tujuan pembelajaran utama: Siswa memahami bagaimana data diproses dalam aplikasi kecerdasan buatan, menganalisis literatur kecerdasan buatan untuk aplikasi klinis, dan memanfaatkan peluang untuk berkolaborasi dengan insinyur yang mengembangkan kecerdasan buatan.
Biru adalah topik kuliah dan biru muda adalah periode pertanyaan dan jawaban interaktif. Bagian abu -abu adalah fokus dari tinjauan literatur singkat. Bagian oranye adalah studi kasus terpilih yang menggambarkan model atau teknik kecerdasan buatan. Green adalah kursus pemrograman berpemandu yang dirancang untuk mengajarkan kecerdasan buatan untuk menyelesaikan masalah klinis dan mengevaluasi model. Konten dan durasi lokakarya bervariasi berdasarkan penilaian kebutuhan siswa.
Lokakarya pertama diadakan di University of British Columbia dari Februari hingga April 2019, dan semua 8 peserta memberikan umpan balik positif4. Karena COVID-19, lokakarya kedua diadakan secara virtual pada Oktober-November 2020, dengan 222 mahasiswa kedokteran dan 3 penduduk dari 8 sekolah kedokteran Kanada yang mendaftar. Slide dan kode presentasi telah diunggah ke situs akses terbuka (http://ubcaimed.github.io). Umpan balik utama dari iterasi pertama adalah bahwa kuliah terlalu intens dan material terlalu teoretis. Melayani enam zona waktu yang berbeda Kanada menimbulkan tantangan tambahan. Dengan demikian, lokakarya kedua memperpendek setiap sesi menjadi 1 jam, menyederhanakan materi kursus, menambahkan lebih banyak studi kasus, dan membuat program boilerplate yang memungkinkan peserta untuk menyelesaikan cuplikan kode dengan debugging minimal (Kotak 1). Umpan balik utama dari iterasi kedua termasuk umpan balik positif pada latihan pemrograman dan permintaan untuk menunjukkan perencanaan untuk proyek pembelajaran mesin. Oleh karena itu, dalam lokakarya ketiga kami, diadakan secara virtual untuk 126 mahasiswa kedokteran pada bulan Maret-April 2021, kami memasukkan lebih banyak latihan pengkodean interaktif dan sesi umpan balik proyek untuk menunjukkan dampak dari penggunaan konsep lokakarya pada proyek.
Analisis Data: Bidang studi dalam statistik yang mengidentifikasi pola yang bermakna dalam data dengan menganalisis, memproses, dan mengkomunikasikan pola data.
Data Mining: Proses mengidentifikasi dan mengekstraksi data. Dalam konteks kecerdasan buatan, ini seringkali besar, dengan banyak variabel untuk setiap sampel.
Pengurangan Dimensi: Proses mengubah data dengan banyak fitur individu menjadi lebih sedikit fitur sambil menjaga sifat -sifat penting dari set data asli.
Karakteristik (dalam konteks kecerdasan buatan): sifat -sifat yang dapat diukur dari sampel. Sering digunakan secara bergantian dengan "properti" atau "variabel".
Peta aktivasi gradien: Teknik yang digunakan untuk menginterpretasikan model kecerdasan buatan (terutama jaringan saraf konvolusional), yang menganalisis proses mengoptimalkan bagian terakhir dari jaringan untuk mengidentifikasi daerah data atau gambar yang sangat prediktif.
Model Standar: Model AI yang ada yang telah dilatih sebelumnya untuk melakukan tugas yang sama.
Pengujian (dalam konteks kecerdasan buatan): Mengamati bagaimana model melakukan tugas menggunakan data yang belum pernah ditemui sebelumnya.
Pelatihan (dalam konteks kecerdasan buatan): memberikan model dengan data dan hasil sehingga model menyesuaikan parameter internalnya untuk mengoptimalkan kemampuannya untuk melakukan tugas menggunakan data baru.
Vektor: Array data. Dalam pembelajaran mesin, setiap elemen array biasanya merupakan fitur unik dari sampel.
Tabel 1 mencantumkan kursus terbaru untuk April 2021, termasuk tujuan pembelajaran yang ditargetkan untuk setiap topik. Lokakarya ini ditujukan untuk mereka yang baru ke tingkat teknis dan tidak memerlukan pengetahuan matematika di luar tahun pertama gelar medis sarjana. Kursus ini dikembangkan oleh 6 mahasiswa kedokteran dan 3 guru dengan gelar lanjutan dalam bidang teknik. Insinyur mengembangkan teori kecerdasan buatan untuk mengajar, dan mahasiswa kedokteran belajar materi yang relevan secara klinis.
Lokakarya meliputi kuliah, studi kasus, dan pemrograman yang dipandu. Dalam kuliah pertama, kami meninjau konsep analisis data yang dipilih dalam biostatistik, termasuk visualisasi data, regresi logistik, dan perbandingan statistik deskriptif dan induktif. Meskipun analisis data adalah fondasi kecerdasan buatan, kami mengecualikan topik -topik seperti penambangan data, pengujian signifikansi, atau visualisasi interaktif. Ini karena keterbatasan waktu dan juga karena beberapa mahasiswa sarjana memiliki pelatihan sebelumnya dalam biostatistik dan ingin membahas lebih banyak topik pembelajaran mesin yang unik. Kuliah selanjutnya memperkenalkan metode modern dan membahas formulasi masalah AI, keunggulan dan keterbatasan model AI, dan pengujian model. Kuliah dilengkapi dengan literatur dan penelitian praktis tentang perangkat kecerdasan buatan yang ada. Kami menekankan keterampilan yang diperlukan untuk mengevaluasi efektivitas dan kelayakan model untuk menjawab pertanyaan klinis, termasuk memahami keterbatasan perangkat kecerdasan buatan yang ada. Sebagai contoh, kami meminta siswa untuk menafsirkan pedoman cedera kepala anak yang diusulkan oleh Kupperman et al., 5 yang menerapkan algoritma pohon keputusan intelijen buatan untuk menentukan apakah CT scan akan berguna berdasarkan pemeriksaan dokter. Kami menekankan bahwa ini adalah contoh umum dari AI yang memberikan analitik prediktif untuk ditafsirkan dokter, daripada mengganti dokter.
Dalam contoh pemrograman bootstrap open source yang tersedia (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), kami mendemonstrasikan cara melakukan analisis data eksplorasi, pengurangan dimensi, pemuatan model standar, dan pelatihan . dan pengujian. Kami menggunakan Google Colaboratory Notebooks (Google LLC, Mountain View, CA), yang memungkinkan kode Python dieksekusi dari browser web. Pada Gambar. Gambar 2 memberikan contoh latihan pemrograman. Latihan ini melibatkan memprediksi keganasan menggunakan Dataset Pencitraan Payudara Wisconsin dan algoritma pohon keputusan.
Program sekarang sepanjang minggu tentang topik terkait dan pilih contoh dari aplikasi AI yang diterbitkan. Elemen pemrograman hanya dimasukkan jika mereka dianggap relevan untuk memberikan wawasan tentang praktik klinis di masa depan, seperti bagaimana mengevaluasi model untuk menentukan apakah mereka siap digunakan dalam uji klinis. Contoh-contoh ini memuncak dalam aplikasi ujung ke ujung penuh yang mengklasifikasikan tumor sebagai jinak atau ganas berdasarkan parameter gambar medis.
Heterogenitas pengetahuan sebelumnya. Peserta kami bervariasi dalam tingkat pengetahuan matematika mereka. Misalnya, siswa dengan latar belakang teknik canggih mencari materi yang lebih mendalam, seperti cara melakukan transformasi Fourier mereka sendiri. Namun, membahas algoritma Fourier di kelas tidak dimungkinkan karena membutuhkan pengetahuan mendalam tentang pemrosesan sinyal.
Outflow kehadiran. Kehadiran pada pertemuan tindak lanjut menurun, terutama dalam format online. Solusi mungkin untuk melacak kehadiran dan memberikan sertifikat penyelesaian. Sekolah kedokteran diketahui mengenali transkrip kegiatan akademik ekstrakurikuler siswa, yang dapat mendorong siswa untuk mengejar gelar.
Desain Kursus: Karena AI mencakup begitu banyak subbidang, memilih konsep inti dari kedalaman dan luasnya yang sesuai dapat menjadi tantangan. Misalnya, kesinambungan penggunaan alat AI dari laboratorium ke klinik adalah topik penting. Sementara kami mencakup preprocessing data, pembangunan model, dan validasi, kami tidak memasukkan topik -topik seperti analisis data besar, visualisasi interaktif, atau melakukan uji klinis AI, sebaliknya kami fokus pada konsep AI yang paling unik. Prinsip panduan kami adalah untuk meningkatkan melek huruf, bukan keterampilan. Misalnya, memahami bagaimana model memproses fitur input penting untuk interpretabilitas. Salah satu cara untuk melakukan ini adalah dengan menggunakan peta aktivasi gradien, yang dapat memvisualisasikan wilayah data mana yang dapat diprediksi. Namun, ini membutuhkan kalkulus multivariat dan tidak dapat diperkenalkan8. Mengembangkan terminologi umum itu menantang karena kami mencoba menjelaskan cara bekerja dengan data sebagai vektor tanpa formalisme matematika. Perhatikan bahwa istilah yang berbeda memiliki arti yang sama, misalnya, dalam epidemiologi, "karakteristik" digambarkan sebagai "variabel" atau "atribut."
Retensi pengetahuan. Karena penerapan AI terbatas, sejauh mana peserta mempertahankan pengetahuan masih harus dilihat. Kurikulum sekolah kedokteran sering mengandalkan pengulangan spasi untuk memperkuat pengetahuan selama rotasi praktis, 9 yang juga dapat diterapkan pada pendidikan AI.
Profesionalisme lebih penting daripada melek huruf. Kedalaman materi ini dirancang tanpa kekakuan matematika, yang merupakan masalah ketika meluncurkan kursus klinis dalam kecerdasan buatan. Dalam contoh pemrograman, kami menggunakan program templat yang memungkinkan peserta untuk mengisi bidang dan menjalankan perangkat lunak tanpa harus mencari cara untuk mengatur lingkungan pemrograman yang lengkap.
Kekhawatiran tentang kecerdasan buatan yang dibahas: ada kekhawatiran luas bahwa kecerdasan buatan dapat menggantikan beberapa tugas klinis3. Untuk mengatasi masalah ini, kami menjelaskan keterbatasan AI, termasuk fakta bahwa hampir semua teknologi AI yang disetujui oleh regulator memerlukan pengawasan dokter11. Kami juga menekankan pentingnya bias karena algoritma rentan terhadap bias, terutama jika set data tidak beragam12. Akibatnya, subkelompok tertentu dapat dimodelkan secara tidak benar, yang mengarah pada keputusan klinis yang tidak adil.
Sumber daya tersedia untuk umum: Kami telah menciptakan sumber daya yang tersedia untuk umum, termasuk slide kuliah dan kode. Meskipun akses ke konten sinkron terbatas karena zona waktu, konten open source adalah metode yang nyaman untuk pembelajaran asinkron karena keahlian AI tidak tersedia di semua sekolah kedokteran.
Kolaborasi Interdisipliner: Lokakarya ini adalah usaha patungan yang diprakarsai oleh mahasiswa kedokteran untuk merencanakan kursus bersama dengan insinyur. Ini menunjukkan peluang kolaborasi dan kesenjangan pengetahuan di kedua bidang, yang memungkinkan peserta untuk memahami peran potensial yang dapat mereka kontribusikan di masa depan.
Tentukan kompetensi inti AI. Mendefinisikan daftar kompetensi menyediakan struktur standar yang dapat diintegrasikan ke dalam kurikulum medis berbasis kompetensi yang ada. Lokakarya ini saat ini menggunakan Tingkat Tujuan Pembelajaran 2 (pemahaman), 3 (Aplikasi), dan 4 (analisis) taksonomi Bloom. Memiliki sumber daya di tingkat klasifikasi yang lebih tinggi, seperti membuat proyek, dapat lebih memperkuat pengetahuan. Ini membutuhkan bekerja dengan para ahli klinis untuk menentukan bagaimana topik AI dapat diterapkan pada alur kerja klinis dan mencegah pengajaran topik berulang yang sudah termasuk dalam kurikulum medis standar.
Buat studi kasus menggunakan AI. Mirip dengan contoh klinis, pembelajaran berbasis kasus dapat memperkuat konsep abstrak dengan menyoroti relevansinya dengan pertanyaan klinis. Sebagai contoh, satu studi lokakarya menganalisis sistem deteksi retinopati diabetes berbasis AI Google untuk mengidentifikasi tantangan di sepanjang jalur dari lab ke klinik, seperti persyaratan validasi eksternal dan jalur persetujuan peraturan.
Gunakan pembelajaran pengalaman: Keterampilan teknis membutuhkan praktik terfokus dan aplikasi berulang untuk menguasai, mirip dengan pengalaman belajar yang berputar dari peserta pelatihan klinis. Salah satu solusi potensial adalah model kelas terbalik, yang telah dilaporkan untuk meningkatkan retensi pengetahuan dalam pendidikan teknik14. Dalam model ini, siswa meninjau materi teoritis secara mandiri dan waktu kelas dikhususkan untuk memecahkan masalah melalui studi kasus.
Penskalaan untuk peserta multidisiplin: Kami membayangkan adopsi AI yang melibatkan kolaborasi di berbagai disiplin ilmu, termasuk dokter dan profesional kesehatan sekutu dengan berbagai tingkat pelatihan. Oleh karena itu, kurikulum mungkin perlu dikembangkan dengan berkonsultasi dengan fakultas dari berbagai departemen untuk menyesuaikan konten mereka dengan berbagai bidang perawatan kesehatan.
Kecerdasan buatan adalah teknologi tinggi dan konsep intinya terkait dengan matematika dan ilmu komputer. Melatih personel perawatan kesehatan untuk memahami kecerdasan buatan menghadirkan tantangan unik dalam pemilihan konten, relevansi klinis, dan metode pengiriman. Kami berharap bahwa wawasan yang diperoleh dari lokakarya AI dalam pendidikan akan membantu para pendidik di masa depan merangkul cara -cara inovatif untuk mengintegrasikan AI ke dalam pendidikan kedokteran.
Script Google Colaboratory Python adalah sumber terbuka dan tersedia di: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG dan Khan, S. Memikirkan kembali pendidikan kedokteran: ajakan bertindak. Akkad. obat-obatan. 88, 1407–1410 (2013).
McCoy, LG dll. Apa yang benar -benar perlu diketahui oleh mahasiswa kedokteran tentang kecerdasan buatan? NPZH NOMOR. Kedokteran 3, 1–3 (2020).
Dos Santos, DP, dkk. Sikap mahasiswa kedokteran terhadap kecerdasan buatan: survei multicenter. EURO. radiasi. 29, 1640–1646 (2019).
Fan, KY, Hu, R., dan Singla, R. Pengantar Pembelajaran Mesin untuk Mahasiswa Kedokteran: Proyek percontohan. J. Med. mengajar. 54, 1042–1043 (2020).
Cooperman N, et al. Mengidentifikasi anak -anak dengan risiko sangat rendah dari cedera otak yang signifikan secara klinis setelah cedera kepala: studi kohort prospektif. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH dan Mangasarian, OL. Ekstraksi fitur nuklir untuk diagnosis tumor payudara. Ilmu Biomedis. Pemrosesan gambar. Ilmu Biomedis. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. dan Peng, L. Cara mengembangkan model pembelajaran mesin untuk perawatan kesehatan. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-Cam: Interpretasi visual jaringan dalam melalui lokalisasi berbasis gradien. Prosiding Konferensi Internasional IEEE tentang Visi Komputer, 618–626 (2017).
Kumaravel B, Stewart K dan Ilic D. Pengembangan dan evaluasi model spiral untuk menilai kompetensi obat berbasis bukti menggunakan OSCE dalam pendidikan kedokteran sarjana. Obat BMK. mengajar. 21, 1–9 (2021).
Kolachalam VB dan Garg PS Pembelajaran Mesin dan Pendidikan Kedokteran. NPZH NOMOR. obat-obatan. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. dan De Rooy, M. Kecerdasan buatan dalam radiologi: 100 produk komersial dan bukti ilmiah mereka. EURO. radiasi. 31, 3797-3804 (2021).
Topol, EJ Obat Kinerja Tinggi: Konvergensi Kecerdasan Manusia dan Buatan. Nat. obat-obatan. 25, 44–56 (2019).
Bede, E. et al. Evaluasi yang berpusat pada manusia dari sistem pembelajaran yang dalam yang digunakan di klinik untuk mendeteksi retinopati diabetik. Prosiding Konferensi CHI 2020 tentang Faktor Manusia dalam Sistem Komputasi (2020).
Kerr, B. Kelas yang dibalik dalam pendidikan teknik: tinjauan penelitian. Prosiding Konferensi Internasional 2015 tentang Interactive Collaborative Learning (2015).
Para penulis berterima kasih kepada Danielle Walker, Tim Salcudin, dan Peter Zandstra dari pencitraan biomedis dan kluster penelitian kecerdasan buatan di University of British Columbia untuk dukungan dan pendanaan.
RH, PP, ZH, RS dan MA bertanggung jawab untuk mengembangkan konten pengajaran lokakarya. RH dan PP bertanggung jawab untuk mengembangkan contoh pemrograman. KYF, OY, MT dan PW bertanggung jawab atas organisasi logistik proyek dan analisis lokakarya. RH, OY, MT, RS bertanggung jawab untuk membuat angka dan tabel. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS bertanggung jawab untuk menyusun dan mengedit dokumen.
Obat Komunikasi Terima kasih Carolyn McGregor, Fabio Moraes, dan Aditya Borakati atas kontribusi mereka pada peninjauan pekerjaan ini.
Waktu posting: Feb-19-2024