Nature.com сайтына кіргеніңіз үшін рахмет.Сіз пайдаланып жатқан шолғыш нұсқасында шектеулі CSS қолдауы бар.Жақсы нәтижеге қол жеткізу үшін шолғыштың жаңарақ нұсқасын пайдалану ұсынылады (немесе Internet Explorer шолғышында үйлесімділік режимін өшіру).Әзірше, тұрақты қолдауды қамтамасыз ету үшін біз сайтты сәндеусіз немесе JavaScriptсіз көрсетеміз.
Клиникалық жасанды интеллектті (AI) қолдану қарқынды дамып келеді, бірақ медициналық мектептің қолданыстағы оқу бағдарламалары осы саланы қамтитын шектеулі оқытуды ұсынады.Мұнда біз жасанды интеллект бойынша оқу курсын сипаттаймыз және канадалық медицина студенттеріне жеткіземіз және болашақта оқыту үшін ұсыныстар жасаймыз.
Медицинадағы жасанды интеллект (AI) жұмыс орнының тиімділігін арттырып, клиникалық шешім қабылдауға көмектеседі.Жасанды интеллектті пайдалануды қауіпсіз басқару үшін дәрігерлер жасанды интеллект туралы біраз түсінікке ие болуы керек.Көптеген пікірлер AI үлгілерін түсіндіру және тексеру процестері2 сияқты AI тұжырымдамаларын1 оқытуды жақтайды.Дегенмен, құрылымдық жоспарлар аз, әсіресе ұлттық деңгейде орындалды.Пинто дос Сантос және т.б.3.263 медициналық студентке сауалнама жүргізіліп, олардың 71%-ы жасанды интеллект бойынша оқыту қажет деп келіскен.Медициналық аудиторияға жасанды интеллектті үйрету көбінесе алдыңғы білімі бар студенттер үшін техникалық және техникалық емес тұжырымдамаларды біріктіретін мұқият дизайнды талап етеді.Біз медициналық студенттердің үш тобына AI семинарларының сериясын жеткізу тәжірибемізді сипаттаймыз және АИ бойынша болашақ медициналық білім алу үшін ұсыныстар жасаймыз.
Медицина студенттеріне арналған «Медицинадағы жасанды интеллектке кіріспе» атты бес апталық семинарымыз 2019 жылдың ақпаны мен 2021 жылдың сәуірі аралығында үш рет өткізілді. Әр семинардың кестесі курсқа енгізілген өзгерістердің қысқаша сипаттамасымен 1-суретте көрсетілген. Біздің курсымыз бар үш негізгі оқу мақсаты: студенттер жасанды интеллект қолданбаларында деректердің қалай өңделетінін түсінеді, клиникалық қолданбалар үшін жасанды интеллект әдебиетін талдайды және жасанды интеллектті дамытатын инженерлермен бірлесіп жұмыс істеу мүмкіндіктерін пайдаланады.
Көк түс – лекция тақырыбы, ашық көк түс – интерактивті сұрақ-жауап кезеңі.Сұр бөлім қысқаша әдебиетті шолудың негізгі бағыты болып табылады.Қызғылт сары бөлімдер жасанды интеллект үлгілерін немесе әдістерін сипаттайтын таңдалған жағдайлық зерттеулер болып табылады.Жасыл – клиникалық мәселелерді шешу және модельдерді бағалау үшін жасанды интеллектке үйретуге арналған бағдарланған бағдарламалау курсы.Семинарлардың мазмұны мен ұзақтығы студенттердің қажеттіліктерін бағалауға байланысты өзгереді.
Бірінші семинар Британдық Колумбия университетінде 2019 жылдың ақпан-сәуір айлары аралығында өтті және барлық 8 қатысушы оң пікір білдірді4.COVID-19-ға байланысты екінші семинар іс жүзінде 2020 жылдың қазан-қараша айларында өтті, оған 222 медициналық студент және 8 канадалық медициналық оқу орнынан 3 резидент тіркелді.Презентация слайдтары мен коды ашық қолжетімді сайтқа (http://ubcaimed.github.io) жүктеп салынды.Бірінші итерацияның негізгі кері байланысы дәрістер тым қарқынды және материал тым теориялық болды.Канаданың алты түрлі уақыт белдеуіне қызмет көрсету қосымша қиындықтар тудырады.Осылайша, екінші семинар әрбір сеансты 1 сағатқа дейін қысқартты, курстық материалды жеңілдетті, қосымша мысалдар қосты және қатысушыларға код үзінділерін ең аз жөндеумен аяқтауға мүмкіндік беретін қарапайым бағдарламаларды жасады (1-қорап).Екінші итерацияның негізгі кері байланысы бағдарламалау жаттығулары туралы оң пікірлерді және машиналық оқыту жобасын жоспарлауды көрсетуге сұрауды қамтиды.Сондықтан, 2021 жылдың наурыз-сәуір айларында 126 медицина студенті үшін виртуалды түрде өткізілген үшінші семинарымызда біз семинар тұжырымдамаларын жобаларға пайдаланудың әсерін көрсету үшін көбірек интерактивті кодтау жаттығулары мен жобаға кері байланыс сессияларын қостық.
Деректерді талдау: деректер үлгілерін талдау, өңдеу және хабарлау арқылы деректердегі мәнді үлгілерді анықтайтын статистиканың зерттеу саласы.
Деректерді өндіру: деректерді анықтау және алу процесі.Жасанды интеллект контекстінде бұл жиі үлкен, әр үлгі үшін бірнеше айнымалылар бар.
Өлшемді азайту: көптеген жеке мүмкіндіктері бар деректерді бастапқы деректер жиынының маңызды қасиеттерін сақтай отырып, аз мүмкіндіктерге түрлендіру процесі.
Сипаттамалар (жасанды интеллект контекстінде): үлгінің өлшенетін қасиеттері.Көбінесе «қасиет» немесе «айнымалы» сөздерімен ауыстырылады.
Градиентті белсендіру картасы: жоғары болжамды деректер немесе кескін аймақтарын анықтау үшін желінің соңғы бөлігін оңтайландыру процесін талдайтын жасанды интеллект үлгілерін (әсіресе конволюционды нейрондық желілер) түсіндіру үшін қолданылатын әдіс.
Стандартты үлгі: Ұқсас тапсырмаларды орындау үшін алдын ала дайындалған бар AI үлгісі.
Тестілеу (жасанды интеллект контекстінде): модель бұрын кездеспеген деректерді пайдаланып тапсырманы қалай орындайтынын бақылау.
Тренинг (жасанды интеллект контекстінде): Модельді жаңа деректерді пайдаланып тапсырмаларды орындау мүмкіндігін оңтайландыру үшін ішкі параметрлерін реттейтіндей деректермен және нәтижелермен қамтамасыз ету.
Вектор: деректер массиві.Машиналық оқытуда әрбір жиым элементі әдетте үлгінің бірегей ерекшелігі болып табылады.
1-кестеде 2021 жылдың сәуір айындағы соңғы курстар, оның ішінде әрбір тақырып бойынша оқу мақсаттары берілген.Бұл семинар техникалық деңгейге жаңадан келгендерге арналған және бакалавриат медициналық дәрежесінің бірінші жылынан кейін ешқандай математикалық білімді қажет етпейді.Курсты 6 медицина студенті мен инженерлік дәрежесі жоғары 3 оқытушы әзірледі.Инженерлер оқыту үшін жасанды интеллект теориясын әзірлеуде, ал медицина студенттері клиникалық тұрғыдан маңызды материалдарды үйренуде.
Семинарларға лекциялар, кейс-стадилер және жетекші бағдарламалау кіреді.Бірінші дәрісте біз биостатистикада деректерді талдаудың таңдалған тұжырымдамаларын қарастырамыз, соның ішінде деректерді визуализациялау, логистикалық регрессия және сипаттамалық және индуктивті статистиканы салыстыру.Деректерді талдау жасанды интеллекттің негізі болғанымен, біз деректерді іздеу, маңыздылықты тексеру немесе интерактивті визуализация сияқты тақырыптарды қоспаймыз.Бұл уақыт шектеулеріне байланысты болды, сонымен қатар кейбір бакалавриат студенттері биостатистика бойынша алдын ала дайындықтан өтіп, машинаны оқытудың ерекше тақырыптарын қамтығысы келді.Келесі дәріс заманауи әдістермен таныстырады және AI мәселелерін тұжырымдау, AI модельдерінің артықшылықтары мен шектеулері және модельді тестілеуді талқылайды.Дәрістер әдебиеттермен және қолданыстағы жасанды интеллект құрылғылары бойынша практикалық зерттеулермен толықтырылған.Қолданыстағы жасанды интеллект құрылғыларының шектеулерін түсінуді қоса, клиникалық сұрақтарды шешуге арналған үлгінің тиімділігі мен орындылығын бағалау үшін қажетті дағдыларды ерекше атап өтеміз.Мысалы, біз студенттерден Купперман және т.б., 5 ұсынған педиатриялық бас жарақаты бойынша нұсқаулықтарды түсіндіруді сұрадық, ол дәрігердің тексеруі негізінде КТ сканерлеуінің пайдалы болатынын анықтау үшін жасанды интеллект шешім ағашының алгоритмін жүзеге асырды.Бұл дәрігерлерді алмастырмай, дәрігерлерге түсіндіру үшін болжамды аналитиканы ұсынатын AI-ның жалпы үлгісі екенін атап өтеміз.
Қол жетімді ашық бастапқы бастапқы жүктеу жолағын бағдарламалау мысалдарында (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) біз зерттеу деректерін талдауды, өлшемді азайтуды, стандартты үлгі жүктеуді және оқытуды қалай орындау керектігін көрсетеміз. .және тестілеу.Біз Python кодын веб-шолғыштан орындауға мүмкіндік беретін Google Colaboratory жазу кітапшаларын (Google LLC, Mountain View, CA) қолданамыз.2-суретте бағдарламалау жаттығуының мысалы келтірілген.Бұл жаттығу Wisconsin Open Breast Imaging Dataset6 және шешім ағашының алгоритмі арқылы қатерлі ісіктерді болжауды қамтиды.
Қатысты тақырыптар бойынша бағдарламаларды апта бойы ұсыныңыз және жарияланған AI қолданбаларынан мысалдарды таңдаңыз.Бағдарламалау элементтері, егер олар клиникалық сынақтарда қолдануға дайын екенін анықтау үшін үлгілерді бағалау әдісі сияқты болашақ клиникалық тәжірибені түсінуге қатысты деп есептелсе ғана қосылады.Бұл мысалдар медициналық кескін параметрлері негізінде ісіктерді қатерсіз немесе қатерлі деп жіктейтін толыққанды қосымшада аяқталады.
Бұрынғы білімнің біркелкі еместігі.Қатысушыларымыз математикалық білім деңгейлері бойынша әр түрлі болды.Мысалы, озық инженерлік білімі бар студенттер өздерінің Фурье түрлендірулерін қалай орындау керектігі сияқты тереңірек материалды іздейді.Дегенмен, сыныпта Фурье алгоритмін талқылау мүмкін емес, себебі ол сигналды өңдеу бойынша терең білімді қажет етеді.
Қатысушылардың шығуы.Кейінгі кездесулерге қатысу азайды, әсіресе онлайн форматтарда.Шешім сабаққа қатысуды бақылау және оқуды аяқтағаны туралы сертификат беру болуы мүмкін.Медициналық оқу орындары студенттердің оқудан тыс оқу әрекеттерінің транскрипттерін танитыны белгілі, бұл студенттерді ғылыми дәрежеге ұмтылуға ынталандырады.
Курс дизайны: AI көптеген ішкі өрістерді қамтитындықтан, сәйкес тереңдік пен кеңдіктің негізгі тұжырымдамаларын таңдау қиын болуы мүмкін.Мысалы, AI құралдарын зертханадан клиникаға дейін пайдаланудың үздіксіздігі маңызды тақырып болып табылады.Деректерді алдын ала өңдеу, үлгі құру және валидациялауды қамтитын болсақ, біз үлкен деректерді талдау, интерактивті визуализация немесе AI клиникалық сынақтарын өткізу сияқты тақырыптарды қамтымаймыз, оның орнына ең бірегей AI тұжырымдамаларына назар аударамыз.Біздің басты ұстанымымыз – біліктілікті емес, сауаттылықты арттыру.Мысалы, үлгінің енгізу мүмкіндіктерін қалай өңдейтінін түсіну интерпретация үшін маңызды.Мұны істеудің бір жолы - деректердің қай аймақтарын болжауға болатынын көрнекі түрде көрсететін градиентті белсендіру карталарын пайдалану.Дегенмен, бұл көп өлшемді есептеуді қажет етеді және оны енгізу мүмкін емес8.Жалпы терминологияны әзірлеу қиын болды, өйткені біз математикалық формализмсіз векторлар ретінде деректермен қалай жұмыс істеу керектігін түсіндіруге тырыстық.Әртүрлі терминдердің мағынасы бірдей екенін ескеріңіз, мысалы, эпидемиологияда «сипаттама» «айнымалы» немесе «атрибут» ретінде сипатталады.
Білімді сақтау.Жасанды интеллект қолдану шектеулі болғандықтан, қатысушылардың білімін қаншалықты сақтайтыны әлі де белгілі болады.Медициналық мектептің оқу бағдарламалары тәжірибелік айналымдар кезінде білімді бекіту үшін жиі аралық қайталауға негізделген9, оны AI білімінде де қолдануға болады.
Сауаттылықтан гөрі кәсібилік маңыздырақ.Материалдың тереңдігі математикалық қатаңдықсыз жасалған, бұл жасанды интеллект бойынша клиникалық курстарды ашу кезінде қиындық туғызды.Бағдарламалау мысалдарында қатысушыларға толық бағдарламалау ортасын орнату жолын білмей-ақ өрістерді толтыруға және бағдарламалық құралды іске қосуға мүмкіндік беретін үлгілік бағдарламаны қолданамыз.
Жасанды интеллектке қатысты алаңдаушылықтар қарастырылды: жасанды интеллект кейбір клиникалық міндеттерді алмастыруы мүмкін деген алаңдаушылық бар3.Бұл мәселені шешу үшін біз АИ шектеулерін түсіндіреміз, оның ішінде реттеуші органдар бекіткен барлық дерлік AI технологиялары дәрігердің бақылауын қажет етеді11.Сондай-ақ біз бұрмалаудың маңыздылығын атап өтеміз, өйткені алгоритмдер бұрмалауға бейім, әсіресе деректер жиыны әртүрлі болмаса12.Демек, белгілі бір кіші топ дұрыс емес үлгіленуі мүмкін, бұл әділетсіз клиникалық шешімдерге әкеледі.
Ресурстар жалпыға қолжетімді: Біз жалпыға қолжетімді ресурстарды, соның ішінде дәріс слайдтары мен кодын жасадық.Уақыт белдеулеріне байланысты синхронды мазмұнға қол жеткізу шектелгенімен, ашық бастапқы мазмұн асинхронды оқытудың ыңғайлы әдісі болып табылады, өйткені AI тәжірибесі барлық медициналық мектептерде қол жетімді емес.
Пәнаралық ынтымақтастық: Бұл семинар инженерлермен бірге курстарды жоспарлау үшін медицина студенттерінің бастамасымен құрылған бірлескен кәсіпорын болып табылады.Бұл екі саладағы ынтымақтастық мүмкіндіктері мен білім кемшіліктерін көрсетеді, бұл қатысушыларға болашақта үлес қоса алатын әлеуетті рөлді түсінуге мүмкіндік береді.
AI негізгі құзыреттерін анықтаңыз.Құзыреттердің тізімін анықтау қолданыстағы құзыреттілікке негізделген медициналық оқу бағдарламаларына біріктірілуі мүмкін стандартталған құрылымды қамтамасыз етеді.Қазіргі уақытта бұл семинарда Блум таксономиясының 2 (Түсіну), 3 (Қолдану) және 4 (Талдау) деңгейлері оқу мақсаты қолданылады.Жобаларды жасау сияқты классификацияның жоғары деңгейлеріндегі ресурстарға ие болу білімді одан әрі нығайта алады.Бұл AI тақырыптарын клиникалық жұмыс үрдісіне қалай қолдануға болатынын анықтау және стандартты медициналық оқу бағдарламаларына енгізілген қайталанатын тақырыптарды оқытуды болдырмау үшін клиникалық сарапшылармен жұмыс істеуді талап етеді.
AI көмегімен жағдайлық зерттеулер жасаңыз.Клиникалық мысалдарға ұқсас жағдайға негізделген оқыту олардың клиникалық сұрақтарға сәйкестігін көрсету арқылы абстрактілі түсініктерді нығайта алады.Мысалы, бір семинарлық зерттеу Google компаниясының AI негізіндегі диабеттік ретинопатияны анықтау жүйесін 13 талдады, мысалы, сыртқы валидация талаптары мен реттеуші мақұлдау жолдары сияқты зертханадан клиникаға дейінгі жолдағы қиындықтарды анықтау.
Тәжірибелік оқытуды пайдаланыңыз: Техникалық дағдылар клиникалық тыңдаушылардың ауыспалы оқу тәжірибесіне ұқсас, шоғырландырылған тәжірибе мен меңгеру үшін қайталап қолдануды қажет етеді.Ықтимал шешімдердің бірі - инженерлік білім беруде білімді сақтауды жақсартатыны хабарланған аударылған сынып үлгісі14.Бұл модельде студенттер теориялық материалды өз бетінше қайталайды және сабақ уақыты кейс-стади арқылы есептерді шешуге арналады.
Көп салалы қатысушылар үшін масштабтау: біз әртүрлі пәндер бойынша, соның ішінде әртүрлі деңгейдегі дайындықтары бар дәрігерлер мен одақтас денсаулық сақтау мамандарын қоса алғанда, AI қабылдауды қарастырамыз.Сондықтан оқу бағдарламаларын олардың мазмұнын денсаулық сақтаудың әртүрлі салаларына бейімдеу үшін әртүрлі кафедралардың оқытушыларымен келісе отырып әзірлеу қажет болуы мүмкін.
Жасанды интеллект жоғары технологиялық және оның негізгі ұғымдары математика мен информатикамен байланысты.Медицина қызметкерлерін жасанды интеллектті түсінуге үйрету мазмұнды таңдауда, клиникалық сәйкестікте және жеткізу әдістерінде бірегей қиындықтарды тудырады.Білім берудегі AI семинарларынан алынған түсініктер болашақ педагогтарға AI-ны медициналық білімге біріктірудің инновациялық әдістерін қабылдауға көмектеседі деп үміттенеміз.
Google Colaboratory Python сценарийі ашық бастапқы болып табылады және мына мекенжайда қолжетімді: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Пробер, К.Г. және Хан, С. Медициналық білім беруді қайта қарау: әрекетке шақыру.Аккад.дәрі.88, 1407–1410 (2013).
Маккой, LG және т.б. Медицина студенттері жасанды интеллект туралы не білуі керек?NPZh нөмірлері.Медицина 3, 1–3 (2020).
Дос Сантос, DP және т.б.Медицина студенттерінің жасанды интеллектке қатынасы: көп орталықты сауалнама.ЕУРО.радиация.29, 1640–1646 (2019).
Фан, KY, Ху, Р. және Сингла, Р. Медициналық студенттерге арналған машиналық оқытуға кіріспе: пилоттық жоба.Дж.мед.үйрету.54, 1042–1043 (2020 ж.).
Куперман Н және т.б.Бас жарақатынан кейін клиникалық маңызды ми жарақатының өте төмен қаупі бар балаларды анықтау: перспективалық когортты зерттеу.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH және Mangasarian, OL.Сүт безі ісігін диагностикалау үшін ядролық ерекшелік экстракциясы.Биомедициналық ғылым.Кескінді өңдеу.Биомедициналық ғылым.Вайс.1905, 861–870 (1993).
Чен, PHC, Liu, Y. және Peng, L. Денсаулық сақтау үшін машиналық оқыту үлгілерін қалай жасауға болады.Нат.Мэтт.18, 410–414 (2019 ж.).
Selvaraju, RR және т.б.Grad-cam: градиент негізіндегі локализация арқылы терең желілерді визуалды интерпретациялау.Компьютерлік көру бойынша IEEE халықаралық конференциясының материалдары, 618–626 (2017).
Кумаравел Б, Стюарт К және Илич Д. Бакалавриат медициналық білім беруде ЕҚЫҰ пайдалана отырып, дәлелді медицина құзыреттілігін бағалау үшін спираль үлгісін әзірлеу және бағалау.BMK Медицинасы.үйрету.21, 1–9 (2021).
Колачалама В.Б. және Гарг П.С. Машиналық оқыту және медициналық білім.NPZh нөмірлері.дәрі.1, 1–3 (2018 ж.).
ван Леувен, К.Г., Шалекамп, С., Руттен, М.Дж., ван Гиннекен, Б. және де Руй, М. Радиологиядағы жасанды интеллект: 100 коммерциялық өнім және олардың ғылыми дәлелдері.ЕУРО.радиация.31, 3797–3804 (2021).
Топол, EJ Жоғары тиімді медицина: адам мен жасанды интеллект конвергенциясы.Нат.дәрі.25, 44–56 (2019 ж.).
Беде, Е. және т.б.Диабеттік ретинопатияны анықтау үшін клиникада орналастырылған терең оқыту жүйесін адамға бағытталған бағалау.Есептеу жүйелеріндегі адам факторлары бойынша 2020 CHI конференциясының материалдары (2020).
Керр, Б. Инженерлік білім берудегі ауыстырылған сынып: Зерттеуге шолу.Интерактивті бірлескен оқыту бойынша 2015 халықаралық конференциясының материалдары (2015).
Авторлар Британдық Колумбия университетінің биомедициналық бейнелеу және жасанды интеллект зерттеу кластерінен Даниэль Уокерге, Тим Салкудинге және Питер Зандстраға қолдау және қаржыландыру үшін алғыс білдіреді.
RH, PP, ZH, RS және MA семинардың оқыту мазмұнын әзірлеуге жауапты болды.RH және PP бағдарламалау мысалдарын әзірлеуге жауапты болды.KYF, OY, MT және PW жобаны логистикалық ұйымдастыруға және семинарларды талдауға жауапты болды.Суреттер мен кестелерді құруға RH, OY, MT, RS жауап берді.Құжатты әзірлеуге және өңдеуге RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS жауапты болды.
Коммуникациялық медицина Кэролин МакГрегор, Фабио Мораес және Адитья Боракатиге осы жұмысты қарауға қосқан үлестері үшін алғыс білдіреді.
Хабарлама уақыты: 19 ақпан 2024 ж