Terima kasih telah mengunjungi Nature.com. Versi peramban yang Anda gunakan memiliki dukungan CSS yang terbatas. Untuk hasil terbaik, kami sarankan menggunakan versi peramban yang lebih baru (atau menonaktifkan mode kompatibilitas di Internet Explorer). Sementara itu, untuk memastikan dukungan berkelanjutan, kami menampilkan situs tanpa gaya atau JavaScript.
Penerapan kecerdasan buatan (AI) klinis berkembang pesat, tetapi kurikulum sekolah kedokteran yang ada menawarkan pengajaran yang terbatas yang mencakup bidang ini. Di sini kami menjelaskan kursus pelatihan kecerdasan buatan yang kami kembangkan dan berikan kepada mahasiswa kedokteran Kanada dan memberikan rekomendasi untuk pelatihan di masa mendatang.
Kecerdasan buatan (AI) dalam bidang kedokteran dapat meningkatkan efisiensi tempat kerja dan membantu pengambilan keputusan klinis. Untuk memandu penggunaan kecerdasan buatan dengan aman, dokter harus memiliki pemahaman tentang kecerdasan buatan. Banyak komentar menganjurkan pengajaran konsep AI¹, seperti menjelaskan model AI dan proses verifikasi². Namun, hanya sedikit rencana terstruktur yang telah diimplementasikan, terutama di tingkat nasional. Pinto dos Santos dkk.³. 263 mahasiswa kedokteran disurvei dan 71% setuju bahwa mereka membutuhkan pelatihan dalam kecerdasan buatan. Mengajarkan kecerdasan buatan kepada audiens medis membutuhkan desain yang cermat yang menggabungkan konsep teknis dan non-teknis untuk mahasiswa yang seringkali memiliki pengetahuan sebelumnya yang luas. Kami menjelaskan pengalaman kami dalam memberikan serangkaian lokakarya AI kepada tiga kelompok mahasiswa kedokteran dan memberikan rekomendasi untuk pendidikan kedokteran di masa depan dalam bidang AI.
Lokakarya Pengantar Kecerdasan Buatan dalam Kedokteran selama lima minggu untuk mahasiswa kedokteran kami diadakan tiga kali antara Februari 2019 dan April 2021. Jadwal untuk setiap lokakarya, dengan deskripsi singkat tentang perubahan pada kursus, ditunjukkan pada Gambar 1. Kursus kami memiliki tiga tujuan pembelajaran utama: mahasiswa memahami bagaimana data diproses dalam aplikasi kecerdasan buatan, menganalisis literatur kecerdasan buatan untuk aplikasi klinis, dan memanfaatkan peluang untuk berkolaborasi dengan para insinyur yang mengembangkan kecerdasan buatan.
Warna biru menunjukkan topik kuliah, dan biru muda menunjukkan sesi tanya jawab interaktif. Bagian abu-abu adalah fokus dari tinjauan pustaka singkat. Bagian oranye adalah studi kasus terpilih yang menjelaskan model atau teknik kecerdasan buatan. Hijau adalah kursus pemrograman terbimbing yang dirancang untuk mengajarkan kecerdasan buatan dalam memecahkan masalah klinis dan mengevaluasi model. Isi dan durasi lokakarya bervariasi berdasarkan penilaian kebutuhan siswa.
Lokakarya pertama diadakan di Universitas 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 residen dari 8 sekolah kedokteran Kanada yang mendaftar. Slide presentasi dan kode telah diunggah ke situs akses terbuka (http://ubcaimed.github.io). Umpan balik utama dari iterasi pertama adalah bahwa kuliah terlalu intensif dan materi terlalu teoritis. Melayani enam zona waktu berbeda di Kanada menimbulkan tantangan tambahan. Oleh karena itu, lokakarya kedua mempersingkat 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 tentang latihan pemrograman dan permintaan untuk mendemonstrasikan perencanaan untuk proyek pembelajaran mesin. Oleh karena itu, dalam lokakarya ketiga kami, yang diadakan secara virtual untuk 126 mahasiswa kedokteran pada bulan Maret-April 2021, kami menyertakan lebih banyak latihan pengkodean interaktif dan sesi umpan balik proyek untuk menunjukkan dampak penggunaan konsep lokakarya pada proyek.
Analisis Data: Bidang studi dalam statistik yang mengidentifikasi pola-pola bermakna dalam data dengan menganalisis, memproses, dan mengkomunikasikan pola-pola data tersebut.
Penambangan data: proses mengidentifikasi dan mengekstraksi data. Dalam konteks kecerdasan buatan, ini seringkali berskala besar, dengan banyak variabel untuk setiap sampel.
Pengurangan dimensi: Proses mengubah data dengan banyak fitur individual menjadi fitur yang lebih sedikit sambil mempertahankan sifat-sifat penting dari kumpulan data asli.
Karakteristik (dalam konteks kecerdasan buatan): sifat-sifat terukur dari suatu sampel. Sering digunakan secara bergantian dengan "sifat" atau "variabel".
Gradient Activation Map: Sebuah teknik yang digunakan untuk menginterpretasikan model kecerdasan buatan (khususnya jaringan saraf konvolusional), yang menganalisis proses pengoptimalan bagian terakhir dari jaringan untuk mengidentifikasi wilayah data atau gambar yang sangat prediktif.
Model Standar: Model AI yang sudah ada dan telah dilatih sebelumnya untuk melakukan tugas-tugas serupa.
Pengujian (dalam konteks kecerdasan buatan): mengamati bagaimana sebuah model melakukan suatu tugas menggunakan data yang belum pernah ditemui sebelumnya.
Pelatihan (dalam konteks kecerdasan buatan): Memberikan data dan hasil kepada model sehingga model tersebut menyesuaikan parameter internalnya untuk mengoptimalkan kemampuannya dalam melakukan tugas menggunakan data baru.
Vektor: susunan data. Dalam pembelajaran mesin, setiap elemen susunan 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 bagi mereka yang baru mengenal tingkat teknis dan tidak memerlukan pengetahuan matematika di luar tahun pertama gelar sarjana kedokteran. Kursus ini dikembangkan oleh 6 mahasiswa kedokteran dan 3 guru dengan gelar lanjutan di bidang teknik. Para insinyur mengembangkan teori kecerdasan buatan untuk diajarkan, dan mahasiswa kedokteran mempelajari materi yang relevan secara klinis.
Lokakarya mencakup kuliah, studi kasus, dan pemrograman terbimbing. Pada kuliah pertama, kami meninjau konsep-konsep terpilih dari analisis data dalam biostatistik, termasuk visualisasi data, regresi logistik, dan perbandingan statistik deskriptif dan induktif. Meskipun analisis data merupakan dasar dari kecerdasan buatan, kami mengecualikan topik-topik seperti penambangan data, pengujian signifikansi, atau visualisasi interaktif. Hal ini disebabkan oleh keterbatasan waktu dan juga karena beberapa mahasiswa sarjana telah memiliki pelatihan sebelumnya dalam biostatistik dan ingin membahas topik pembelajaran mesin yang lebih unik. Kuliah selanjutnya memperkenalkan metode modern dan membahas formulasi masalah AI, kelebihan dan keterbatasan model AI, dan pengujian model. Kuliah-kuliah tersebut dilengkapi dengan literatur dan penelitian praktis tentang perangkat kecerdasan buatan yang ada. Kami menekankan keterampilan yang dibutuhkan untuk mengevaluasi efektivitas dan kelayakan suatu model untuk menjawab pertanyaan klinis, termasuk memahami keterbatasan perangkat kecerdasan buatan yang ada. Misalnya, kami meminta mahasiswa untuk menafsirkan pedoman cedera kepala pediatrik yang diusulkan oleh Kupperman dkk., 5 yang menerapkan algoritma pohon keputusan kecerdasan buatan untuk menentukan apakah CT scan akan bermanfaat berdasarkan pemeriksaan dokter. Kami menekankan bahwa ini adalah contoh umum AI yang menyediakan analitik prediktif bagi dokter untuk diinterpretasikan, bukan untuk menggantikan dokter.
Dalam contoh pemrograman bootstrap sumber terbuka 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 serta pengujian. Kami menggunakan notebook Google Colaboratory (Google LLC, Mountain View, CA), yang memungkinkan kode Python dieksekusi dari peramban web. Gambar 2 memberikan contoh latihan pemrograman. Latihan ini melibatkan prediksi keganasan menggunakan Wisconsin Open Breast Imaging Dataset6 dan algoritma pohon keputusan.
Menyajikan program sepanjang minggu tentang topik terkait dan contoh-contoh pilihan dari aplikasi AI yang telah dipublikasikan. Elemen pemrograman hanya disertakan jika dianggap relevan untuk memberikan wawasan tentang praktik klinis di masa mendatang, seperti cara mengevaluasi model untuk menentukan apakah model tersebut siap digunakan dalam uji klinis. Contoh-contoh ini berpuncak pada aplikasi ujung-ke-ujung yang lengkap yang mengklasifikasikan tumor sebagai jinak atau ganas berdasarkan parameter citra medis.
Heterogenitas pengetahuan sebelumnya. Para peserta kami memiliki tingkat pengetahuan matematika yang beragam. Misalnya, mahasiswa dengan latar belakang teknik tingkat lanjut mencari materi yang lebih mendalam, seperti cara melakukan transformasi Fourier sendiri. Namun, membahas algoritma Fourier di kelas tidak memungkinkan karena membutuhkan pengetahuan mendalam tentang pemrosesan sinyal.
Penurunan jumlah peserta. Kehadiran pada pertemuan tindak lanjut menurun, terutama dalam format daring. Solusinya mungkin dengan melacak kehadiran dan memberikan sertifikat penyelesaian. Sekolah kedokteran dikenal mengakui transkrip kegiatan akademik ekstrakurikuler mahasiswa, yang dapat mendorong mahasiswa untuk mengejar gelar.
Desain Kursus: Karena AI mencakup begitu banyak subbidang, memilih konsep inti dengan kedalaman dan keluasan yang tepat dapat menjadi tantangan. Misalnya, kesinambungan penggunaan alat AI dari laboratorium ke klinik merupakan topik penting. Meskipun kami membahas pra-pemrosesan data, pembuatan model, dan validasi, kami tidak menyertakan topik seperti analitik big data, visualisasi interaktif, atau melakukan uji klinis AI, melainkan kami fokus pada konsep AI yang paling unik. Prinsip panduan kami adalah untuk meningkatkan literasi, bukan keterampilan. Misalnya, memahami bagaimana model memproses fitur input penting untuk interpretasi. 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 merupakan tantangan 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 perlu dilihat. Kurikulum sekolah kedokteran sering mengandalkan pengulangan berkala untuk memperkuat pengetahuan selama rotasi praktikum,9 yang juga dapat diterapkan pada pendidikan AI.
Profesionalisme lebih penting daripada kemampuan literasi. Kedalaman materi dirancang tanpa ketelitian matematis, yang merupakan masalah saat meluncurkan kursus klinis dalam kecerdasan buatan. Dalam contoh pemrograman, kami menggunakan program templat yang memungkinkan peserta untuk mengisi kolom dan menjalankan perangkat lunak tanpa harus mencari tahu cara menyiapkan lingkungan pemrograman yang lengkap.
Kekhawatiran tentang kecerdasan buatan dibahas: Terdapat 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 kumpulan data tidak beragam¹². Akibatnya, subkelompok tertentu dapat dimodelkan secara tidak tepat, yang menyebabkan keputusan klinis yang tidak adil.
Sumber daya tersedia untuk umum: Kami telah membuat sumber daya yang tersedia untuk umum, termasuk slide kuliah dan kode. Meskipun akses ke konten sinkron terbatas karena perbedaan zona waktu, konten sumber terbuka merupakan metode yang nyaman untuk pembelajaran asinkron karena keahlian AI tidak tersedia di semua sekolah kedokteran.
Kolaborasi Antar Disiplin: Lokakarya ini merupakan usaha bersama yang diprakarsai oleh mahasiswa kedokteran untuk merencanakan kursus bersama dengan para insinyur. Hal ini menunjukkan peluang kolaborasi dan kesenjangan pengetahuan di kedua bidang, memungkinkan peserta untuk memahami potensi peran yang dapat mereka berikan di masa depan.
Menentukan kompetensi inti AI. Menentukan daftar kompetensi memberikan struktur standar yang dapat diintegrasikan ke dalam kurikulum medis berbasis kompetensi yang sudah ada. Lokakarya ini saat ini menggunakan Tingkat Tujuan Pembelajaran 2 (Pemahaman), 3 (Aplikasi), dan 4 (Analisis) dari Taksonomi Bloom. Memiliki sumber daya pada tingkat klasifikasi yang lebih tinggi, seperti membuat proyek, dapat lebih memperkuat pengetahuan. Hal ini membutuhkan kerja sama 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 terhadap pertanyaan klinis. Misalnya, sebuah studi lokakarya menganalisis sistem deteksi retinopati diabetik berbasis AI milik Google¹³ untuk mengidentifikasi tantangan di sepanjang jalur dari laboratorium ke klinik, seperti persyaratan validasi eksternal dan jalur persetujuan regulasi.
Gunakan pembelajaran berbasis pengalaman: Keterampilan teknis membutuhkan latihan terfokus dan penerapan berulang untuk dikuasai, mirip dengan pengalaman belajar bergilir para peserta pelatihan klinis. Salah satu solusi potensial adalah model kelas terbalik (flipped classroom), yang dilaporkan dapat meningkatkan retensi pengetahuan dalam pendidikan teknik14. Dalam model ini, siswa meninjau materi teoretis secara mandiri dan waktu kelas dikhususkan untuk memecahkan masalah melalui studi kasus.
Pengembangan skala untuk peserta multidisiplin: Kami membayangkan adopsi AI melibatkan kolaborasi lintas disiplin, termasuk dokter dan tenaga kesehatan profesional dengan berbagai tingkat pelatihan. Oleh karena itu, kurikulum mungkin perlu dikembangkan melalui konsultasi dengan fakultas dari berbagai departemen untuk menyesuaikan kontennya dengan berbagai bidang perawatan kesehatan.
Kecerdasan buatan adalah teknologi canggih dan konsep intinya terkait dengan matematika dan ilmu komputer. Melatih tenaga kesehatan untuk memahami kecerdasan buatan menghadirkan tantangan unik dalam pemilihan konten, relevansi klinis, dan metode penyampaian. Kami berharap wawasan yang diperoleh dari lokakarya AI dalam Pendidikan akan membantu para pendidik di masa depan untuk menerapkan cara-cara inovatif dalam mengintegrasikan AI ke dalam pendidikan kedokteran.
Skrip Python Google Colaboratory bersifat open source dan tersedia di: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG dan Khan, S. Memikirkan kembali pendidikan kedokteran: seruan untuk bertindak. Akkad. kedokteran. 88, 1407–1410 (2013).
McCoy, LG dkk. Apa yang sebenarnya perlu diketahui mahasiswa kedokteran tentang kecerdasan buatan? Nomor NPZh. Kedokteran 3, 1–3 (2020).
Dos Santos, DP, dkk. Sikap mahasiswa kedokteran terhadap kecerdasan buatan: survei multisenter. EURO. radiasi. 29, 1640–1646 (2019).
Fan, KY, Hu, R., dan Singla, R. Pengantar pembelajaran mesin untuk mahasiswa kedokteran: proyek percontohan. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, dkk. Mengidentifikasi anak-anak dengan risiko sangat rendah mengalami 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 citra. Ilmu Biomedis. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. dan Peng, L. Bagaimana mengembangkan model pembelajaran mesin untuk perawatan kesehatan. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR dkk. Grad-cam: Interpretasi visual jaringan deep learning 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 kedokteran berbasis bukti menggunakan OSCE dalam pendidikan kedokteran sarjana. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB dan Garg PS Pembelajaran mesin dan pendidikan kedokteran. Nomor NPZh. kedokteran. 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 ilmiahnya. EURO. radiasi. 31, 3797–3804 (2021).
Topol, EJ Kedokteran berkinerja tinggi: konvergensi kecerdasan manusia dan kecerdasan buatan. Kedokteran alam. 25, 44–56 (2019).
Bede, E. dkk. Evaluasi berpusat pada manusia terhadap sistem pembelajaran mendalam yang diterapkan di klinik untuk deteksi retinopati diabetik. Prosiding Konferensi CHI 2020 tentang Faktor Manusia dalam Sistem Komputasi (2020).
Kerr, B. Kelas terbalik dalam pendidikan teknik: Tinjauan penelitian. Prosiding Konferensi Internasional Pembelajaran Kolaboratif Interaktif 2015 (2015).
Para penulis mengucapkan terima kasih kepada Danielle Walker, Tim Salcudin, dan Peter Zandstra dari Klaster Penelitian Pencitraan Biomedis dan Kecerdasan Buatan di Universitas British Columbia atas dukungan dan pendanaannya.
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, dan RS bertanggung jawab untuk membuat gambar dan tabel. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, dan RS bertanggung jawab untuk menyusun dan mengedit dokumen.
Communication Medicine mengucapkan terima kasih kepada Carolyn McGregor, Fabio Moraes, dan Aditya Borakati atas kontribusi mereka dalam peninjauan karya ini.
Waktu posting: 19 Februari 2024