Terima kasih telah mengunjungi Nature.com.Versi browser yang Anda gunakan memiliki dukungan CSS yang terbatas.Untuk hasil terbaik, sebaiknya gunakan versi browser Anda yang lebih baru (atau nonaktifkan mode kompatibilitas di Internet Explorer).Sementara itu, untuk memastikan dukungan berkelanjutan, kami menampilkan situs tanpa gaya atau JavaScript.
Penerapan kecerdasan buatan klinis (AI) berkembang pesat, namun kurikulum sekolah kedokteran yang ada menawarkan pengajaran terbatas yang mencakup bidang ini.Di sini kami menjelaskan kursus pelatihan kecerdasan buatan yang kami kembangkan dan berikan kepada mahasiswa kedokteran Kanada dan membuat rekomendasi untuk pelatihan di masa depan.
Kecerdasan buatan (AI) dalam 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 yang menganjurkan pengajaran konsep AI1, seperti menjelaskan model AI dan proses verifikasi2.Namun, hanya sedikit rencana terstruktur yang telah dilaksanakan, terutama di tingkat nasional.Pinto dos Santos dkk.3.263 mahasiswa kedokteran disurvei dan 71% setuju bahwa mereka memerlukan pelatihan kecerdasan buatan.Mengajarkan kecerdasan buatan kepada audiens medis memerlukan desain yang cermat yang menggabungkan konsep teknis dan non-teknis untuk siswa yang sering kali memiliki pengetahuan sebelumnya yang luas.Kami menjelaskan pengalaman kami dalam memberikan serangkaian lokakarya AI kepada tiga kelompok mahasiswa kedokteran dan membuat rekomendasi untuk pendidikan kedokteran AI di masa depan.
Lokakarya Pengantar Kecerdasan Buatan dalam Kedokteran selama lima minggu untuk mahasiswa kedokteran diadakan tiga kali antara Februari 2019 dan April 2021. Jadwal untuk setiap lokakarya, dengan penjelasan singkat tentang perubahan kursus, ditunjukkan pada Gambar 1. Kursus kami memiliki 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.
Warna biru merupakan topik perkuliahan dan warna biru muda merupakan masa tanya jawab 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 terpandu yang dirancang untuk mengajarkan kecerdasan buatan untuk memecahkan masalah klinis dan mengevaluasi model.Isi dan durasi lokakarya bervariasi berdasarkan penilaian kebutuhan siswa.
Lokakarya pertama diadakan di University of British Columbia pada bulan Februari hingga April 2019, dan kedelapan peserta memberikan tanggapan yang positif4.Karena COVID-19, lokakarya kedua diadakan secara virtual pada bulan Oktober-November 2020, dengan 222 mahasiswa kedokteran dan 3 warga dari 8 sekolah kedokteran Kanada mendaftar.Slide presentasi dan kode telah diunggah ke situs akses terbuka (http://ubcaimed.github.io).Umpan balik utama dari pengulangan pertama adalah bahwa perkuliahan terlalu intens dan materi terlalu teoretis.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 menyelesaikan cuplikan kode dengan proses debug minimal (Kotak 1).Masukan penting dari iterasi kedua mencakup masukan positif pada latihan pemrograman dan permintaan untuk mendemonstrasikan perencanaan 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 statistik yang mengidentifikasi pola bermakna dalam data dengan menganalisis, memproses, dan mengkomunikasikan pola data.
Penambangan data: proses mengidentifikasi dan mengekstraksi data.Dalam konteks kecerdasan buatan, hal ini seringkali berukuran besar, dengan banyak variabel untuk setiap sampel.
Pengurangan dimensi: Proses mengubah data dengan banyak fitur individual menjadi lebih sedikit fitur sambil mempertahankan properti penting dari kumpulan data asli.
Karakteristik (dalam konteks kecerdasan buatan): sifat sampel yang dapat diukur.Sering digunakan secara bergantian dengan “properti” atau “variabel”.
Peta Aktivasi Gradien: Sebuah teknik yang digunakan untuk menafsirkan model kecerdasan buatan (terutama jaringan saraf konvolusional), yang menganalisis proses pengoptimalan bagian terakhir jaringan untuk mengidentifikasi wilayah data atau gambar yang sangat prediktif.
Model Standar: Model AI yang sudah ada dan telah dilatih sebelumnya untuk melakukan tugas serupa.
Pengujian (dalam konteks kecerdasan buatan): mengamati bagaimana model melakukan suatu tugas menggunakan data yang belum pernah ditemukan sebelumnya.
Pelatihan (dalam konteks kecerdasan buatan): Menyediakan model dengan data dan hasil sehingga model tersebut menyesuaikan parameter internalnya untuk mengoptimalkan kemampuannya dalam melakukan tugas menggunakan data baru.
Vektor: susunan data.Dalam pembelajaran mesin, setiap elemen array biasanya merupakan fitur unik dari sampel.
Tabel 1 mencantumkan kursus terbaru bulan 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 apa pun setelah tahun pertama gelar sarjana kedokteran.Kursus ini dikembangkan oleh 6 mahasiswa kedokteran dan 3 guru dengan gelar lanjutan di bidang teknik.Para insinyur sedang mengembangkan teori kecerdasan buatan untuk diajarkan, dan mahasiswa kedokteran mempelajari materi yang relevan secara klinis.
Lokakarya meliputi ceramah, studi kasus, dan pemrograman terpandu.Pada kuliah pertama, kami meninjau konsep analisis data terpilih dalam biostatistik, termasuk visualisasi data, regresi logistik, dan perbandingan statistik deskriptif dan induktif.Meskipun analisis data adalah dasar dari kecerdasan buatan, kami mengecualikan topik seperti penambangan data, pengujian signifikansi, atau visualisasi interaktif.Hal ini disebabkan oleh keterbatasan waktu dan juga karena beberapa mahasiswa sarjana telah menjalani pelatihan biostatistik sebelumnya dan ingin mempelajari topik pembelajaran mesin yang lebih unik.Kuliah selanjutnya memperkenalkan metode modern dan membahas perumusan masalah AI, kelebihan dan keterbatasan model AI, serta pengujian model.Perkuliahan 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.Misalnya, kami meminta siswa untuk menafsirkan pedoman cedera kepala pediatrik yang diusulkan oleh Kupperman et al.,5 yang menerapkan algoritma pohon keputusan kecerdasan buatan untuk menentukan apakah CT scan akan berguna berdasarkan pemeriksaan dokter.Kami menekankan bahwa ini adalah contoh umum AI yang menyediakan analisis prediktif untuk ditafsirkan oleh dokter, bukan 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 .dan pengujian.Kami menggunakan notebook Google Colaboratory (Google LLC, Mountain View, CA), yang memungkinkan kode Python dieksekusi dari browser web.Pada Gambar 2 memberikan contoh latihan pemrograman.Latihan ini melibatkan prediksi keganasan menggunakan Wisconsin Open Breast Imaging Dataset6 dan algoritma pohon keputusan.
Sajikan program sepanjang minggu tentang topik terkait dan pilih contoh dari aplikasi AI yang dipublikasikan.Elemen pemrograman hanya disertakan jika dianggap relevan untuk memberikan wawasan tentang praktik klinis di masa depan, seperti cara mengevaluasi model untuk menentukan apakah model tersebut siap digunakan dalam uji klinis.Contoh-contoh ini berujung pada aplikasi menyeluruh yang mengklasifikasikan tumor sebagai tumor jinak atau ganas berdasarkan parameter citra medis.
Heterogenitas pengetahuan sebelumnya.Peserta kami bervariasi dalam tingkat pengetahuan matematika mereka.Misalnya, mahasiswa dengan latar belakang teknik tingkat lanjut mencari materi yang lebih mendalam, seperti cara melakukan transformasi Fourier sendiri.Namun pembahasan algoritma Fourier di kelas tidak mungkin dilakukan karena memerlukan pengetahuan pemrosesan sinyal yang mendalam.
Arus keluar kehadiran.Kehadiran pada pertemuan lanjutan menurun, terutama dalam format daring.Solusinya mungkin dengan melacak kehadiran dan memberikan sertifikat kelulusan.Sekolah kedokteran diketahui mengakui transkrip kegiatan akademik ekstrakurikuler siswanya, yang dapat mendorong siswanya untuk mengejar gelar.
Desain Kursus: Karena AI mencakup begitu banyak subbidang, memilih konsep inti dengan kedalaman dan keluasan yang sesuai dapat menjadi suatu tantangan.Misalnya, kesinambungan penggunaan alat AI dari laboratorium hingga klinik merupakan topik yang penting.Meskipun kami membahas prapemrosesan data, pembuatan model, dan validasi, kami tidak menyertakan topik seperti analisis data besar, visualisasi interaktif, atau melakukan uji klinis AI, melainkan fokus pada konsep AI yang paling unik.Prinsip panduan kami adalah meningkatkan literasi, bukan keterampilan.Misalnya, memahami cara model memproses fitur masukan penting untuk kemampuan interpretasi.Salah satu cara untuk melakukannya adalah dengan menggunakan peta aktivasi gradien, yang dapat memvisualisasikan wilayah data mana yang dapat diprediksi.Namun, hal ini memerlukan kalkulus multivariat dan tidak dapat diperkenalkan8.Mengembangkan terminologi umum merupakan suatu tantangan karena kami mencoba menjelaskan cara bekerja dengan data sebagai vektor tanpa formalisme matematika.Perhatikan bahwa istilah-istilah yang berbeda mempunyai arti yang sama, misalnya, dalam epidemiologi, “karakteristik” digambarkan sebagai “variabel” atau “atribut”.
Retensi pengetahuan.Karena penerapan AI masih terbatas, sejauh mana peserta dapat mempertahankan pengetahuannya masih harus dilihat.Kurikulum sekolah kedokteran sering kali mengandalkan pengulangan secara berkala untuk memperkuat pengetahuan selama rotasi praktik,9 yang juga dapat diterapkan pada pendidikan AI.
Profesionalisme lebih penting daripada 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 mengisi kolom dan menjalankan perangkat lunak tanpa harus memikirkan cara menyiapkan lingkungan pemrograman yang lengkap.
Kekhawatiran mengenai kecerdasan buatan telah diatasi: 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 algoritme rentan terhadap bias, terutama jika kumpulan datanya tidak beragam12.Akibatnya, subkelompok tertentu mungkin dimodelkan secara salah, sehingga 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 zona waktu, konten sumber terbuka adalah metode yang nyaman untuk pembelajaran asinkron karena keahlian AI tidak tersedia di semua sekolah kedokteran.
Kolaborasi Interdisipliner: Lokakarya ini merupakan usaha patungan yang diprakarsai oleh mahasiswa kedokteran untuk merencanakan kursus bersama dengan para insinyur.Hal ini menunjukkan peluang kolaborasi dan kesenjangan pengetahuan di kedua bidang, sehingga memungkinkan peserta memahami peran potensial yang dapat mereka sumbangkan di masa depan.
Tentukan kompetensi inti AI.Mendefinisikan daftar kompetensi memberikan struktur standar yang dapat diintegrasikan ke dalam kurikulum kedokteran berbasis kompetensi yang ada.Workshop ini saat ini menggunakan Tujuan Pembelajaran Level 2 (Pemahaman), 3 (Aplikasi), dan 4 (Analisis) Taksonomi Bloom.Memiliki sumber daya pada tingkat klasifikasi yang lebih tinggi, seperti membuat proyek, dapat semakin memperkuat pengetahuan.Hal ini memerlukan kerja sama dengan pakar 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.Misalnya, salah satu studi lokakarya menganalisis sistem deteksi retinopati diabetik berbasis AI 13 milik Google untuk mengidentifikasi tantangan mulai dari laboratorium hingga klinik, seperti persyaratan validasi eksternal dan jalur persetujuan peraturan.
Gunakan pembelajaran berdasarkan pengalaman: Keterampilan teknis memerlukan latihan yang terfokus dan penerapan berulang-ulang untuk menguasainya, serupa dengan pengalaman pembelajaran bergilir yang dilakukan oleh peserta pelatihan klinis.Salah satu solusi potensial adalah model kelas terbalik, yang dilaporkan dapat meningkatkan retensi pengetahuan dalam pendidikan teknik14.Dalam model ini, siswa meninjau materi teori secara mandiri dan waktu kelas dicurahkan untuk memecahkan masalah melalui studi kasus.
Menskalakan peserta multidisiplin: Kami membayangkan adopsi AI melibatkan kolaborasi berbagai disiplin ilmu, termasuk dokter dan profesional kesehatan terkait dengan berbagai tingkat pelatihan.Oleh karena itu, kurikulum mungkin perlu dikembangkan melalui konsultasi dengan fakultas dari berbagai departemen untuk menyesuaikan isinya dengan berbagai bidang layanan kesehatan.
Kecerdasan buatan adalah teknologi tinggi dan konsep intinya berkaitan dengan matematika dan ilmu komputer.Melatih petugas layanan 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 menerapkan cara-cara inovatif untuk 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: panggilan untuk bertindak.Akkad.obat-obatan.88, 1407–1410 (2013).
McCoy, LG dll. Apa yang benar-benar 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 Agustus 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, 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.Pengolahan citra.Ilmu biomedis.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. dan Peng, L. Bagaimana mengembangkan model pembelajaran mesin untuk perawatan kesehatan.Nat.Mat.18, 410–414 (2019).
Selvaraju, RR dkk.Grad-cam: Interpretasi visual jaringan dalam melalui lokalisasi berbasis gradien.Prosiding Konferensi Internasional IEEE tentang Computer Vision, 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.Kedokteran BMK.mengajar.21, 1–9 (2021).
Kolachalama VB dan Garg PS Pembelajaran mesin dan pendidikan kedokteran.nomor NPZh.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 ilmiahnya.EURO.radiasi.31, 3797–3804 (2021).
Topol, EJ Pengobatan berkinerja tinggi: konvergensi kecerdasan manusia dan buatan.Nat.obat-obatan.25, 44–56 (2019).
Bede, E. dkk.Evaluasi yang berpusat pada manusia terhadap sistem pembelajaran mendalam yang diterapkan di klinik untuk mendeteksi retinopati diabetik.Prosiding Konferensi CHI 2020 tentang Faktor Manusia dalam Sistem Komputasi (2020).
Kerr, B. Kelas terbalik dalam pendidikan teknik: Sebuah tinjauan penelitian.Prosiding Konferensi Internasional Pembelajaran Kolaboratif Interaktif 2015 (2015).
Para penulis berterima kasih kepada Danielle Walker, Tim Salcudin, dan Peter Zandstra dari Biomedical Imaging and Artificial Intelligence Research Cluster di University of British Columbia atas dukungan dan pendanaannya.
RH, PP, ZH, RS dan MA bertanggung jawab mengembangkan konten pengajaran lokakarya.RH dan PP bertanggung jawab mengembangkan contoh pemrograman.KYF, OY, MT dan PW bertanggung jawab atas organisasi logistik proyek dan analisis lokakarya.RH, OY, MT, RS bertanggung jawab membuat gambar dan tabel.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS bertanggung jawab untuk menyusun dan mengedit dokumen.
Kedokteran Komunikasi berterima kasih kepada Carolyn McGregor, Fabio Moraes, dan Aditya Borakati atas kontribusi mereka dalam peninjauan karya ini.
Waktu posting: 19 Februari-2024