Nature.com сайтына кіргеніңіз үшін рақмет. Сіз пайдаланып отырған браузер нұсқасында CSS қолдауы шектеулі. Ең жақсы нәтижелерге қол жеткізу үшін браузеріңіздің жаңа нұсқасын пайдалануды (немесе Internet Explorer бағдарламасында үйлесімділік режимін өшіруді) ұсынамыз. Сонымен қатар, үздіксіз қолдауды қамтамасыз ету үшін біз сайтты стильдеусіз немесе JavaScriptсіз көрсетіп жатырмыз.
Клиникалық жасанды интеллекттің (ЖИ) қолданылуы тез өсіп келеді, бірақ медициналық мектептердің қолданыстағы оқу бағдарламалары бұл саланы қамтитын шектеулі оқытуды ұсынады. Мұнда біз канадалық медицина студенттеріне әзірлеп, ұсынған жасанды интеллект бойынша оқыту курсын сипаттаймыз және болашақ оқытуға ұсыныстар береміз.
Медицинадағы жасанды интеллект (ЖИ) жұмыс орнының тиімділігін арттырып, клиникалық шешім қабылдауға көмектеседі. Жасанды интеллектті қауіпсіз пайдалану үшін дәрігерлер жасанды интеллект туралы біраз түсінікке ие болуы керек. Көптеген пікірлер ЖИ тұжырымдамаларын1, мысалы, ЖИ модельдерін және тексеру процестерін2 түсіндіруді жақтайды. Дегенмен, әсіресе ұлттық деңгейде құрылымдық жоспарлар аз ғана жүзеге асырылды. Пинто дос Сантос және т.б.3. 263 медицина студентіне сауалнама жүргізілді және олардың 71%-ы жасанды интеллект бойынша оқыту қажет деген пікірмен келісті. Медициналық аудиторияға жасанды интеллектті оқыту көбінесе кең көлемді білімі бар студенттер үшін техникалық және техникалық емес тұжырымдамаларды біріктіретін мұқият дизайнды қажет етеді. Біз медицина студенттерінің үш тобына ЖИ бойынша бірқатар семинарлар өткізу тәжірибемізді сипаттаймыз және ЖИ бойынша болашақ медициналық білім беру үшін ұсыныстар береміз.
Медицина студенттеріне арналған бес апталық «Медицинадағы жасанды интеллектке кіріспе» семинарымыз 2019 жылдың ақпаны мен 2021 жылдың сәуірі аралығында үш рет өткізілді. Курсқа енгізілген өзгерістердің қысқаша сипаттамасымен бірге әрбір семинардың кестесі 1-суретте көрсетілген. Біздің курсымыздың үш негізгі оқу мақсаты бар: студенттер жасанды интеллект қолданбаларында деректердің қалай өңделетінін түсінеді, клиникалық қолданбаларға арналған жасанды интеллект әдебиеттерін талдайды және жасанды интеллектті әзірлейтін инженерлермен ынтымақтастық мүмкіндіктерін пайдаланады.
Дәрістің тақырыбы көк, ал ашық көк түс интерактивті сұрақ-жауап кезеңі болып табылады. Сұр бөлім қысқаша әдебиетке шолудың негізгі тақырыбы болып табылады. Қызғылт сары бөлімдер жасанды интеллект модельдерін немесе әдістерін сипаттайтын таңдалған кейс-стадилер болып табылады. Жасыл түс - жасанды интеллектке клиникалық мәселелерді шешу және модельдерді бағалау үшін оқытуға арналған бағыттаушы бағдарламалау курсы. Семинарлардың мазмұны мен ұзақтығы студенттердің қажеттіліктерін бағалауға байланысты өзгеріп отырады.
Бірінші семинар Британдық Колумбия университетінде 2019 жылдың ақпан айынан сәуір айына дейін өтті, және барлық 8 қатысушы оң пікір білдірді4. COVID-19 салдарынан екінші семинар 2020 жылдың қазан-қараша айларында виртуалды түрде өтті, оған 8 канадалық медициналық оқу орнынан 222 медицина студенті және 3 резидент тіркелді. Презентация слайдтары мен коды ашық қолжетімді сайтқа жүктелді (http://ubcaimed.github.io). Бірінші итерациядан алынған негізгі кері байланыс дәрістердің тым қарқынды және материалдың тым теориялық екендігі болды. Канаданың алты түрлі уақыт белдеуіне қызмет көрсету қосымша қиындықтар туғызады. Осылайша, екінші семинар әр сессияны 1 сағатқа дейін қысқартты, курс материалын жеңілдетті, көбірек кейс-стадилерді қосты және қатысушыларға код үзінділерін минималды отладтаумен аяқтауға мүмкіндік беретін шаблондық бағдарламалар жасады (1-қорап). Екінші итерациядан алынған негізгі кері байланыс бағдарламалау жаттығулары бойынша оң пікірлерді және машиналық оқыту жобасын жоспарлауды көрсетуді сұрауды қамтыды. Сондықтан, 2021 жылдың наурыз-сәуір айларында 126 медицина студенті үшін виртуалды түрде өткізілген үшінші семинарымызда біз семинар тұжырымдамаларын жобаларға қолданудың әсерін көрсету үшін интерактивті кодтау жаттығулары мен жоба бойынша кері байланыс сессияларын қостық.
Деректерді талдау: Деректер үлгілерін талдау, өңдеу және жеткізу арқылы деректердегі маңызды заңдылықтарды анықтайтын статистика саласы.
Деректерді өндіру: деректерді анықтау және алу процесі. Жасанды интеллект контексінде бұл көбінесе үлкен, әрбір үлгі үшін бірнеше айнымалы болады.
Өлшемділікті азайту: Бастапқы деректер жиынының маңызды қасиеттерін сақтай отырып, көптеген жеке ерекшеліктері бар деректерді аз ерекшеліктерге түрлендіру процесі.
Сипаттамалары (жасанды интеллект контексінде): үлгінің өлшенетін қасиеттері. Көбінесе «қасиет» немесе «айнымалы» терминдерімен алмастырылып қолданылады.
Градиентті белсендіру картасы: Жасанды интеллект модельдерін (әсіресе конволюциялық нейрондық желілерді) түсіндіру үшін қолданылатын әдіс, ол желінің соңғы бөлігін оңтайландыру процесін талдап, деректердің немесе кескіндердің жоғары болжамды аймақтарын анықтайды.
Стандартты модель: ұқсас тапсырмаларды орындау үшін алдын ала дайындалған қолданыстағы жасанды интеллект моделі.
Тестілеу (жасанды интеллект контексінде): модельдің бұрын кездеспеген деректерді пайдаланып тапсырманы қалай орындайтынын бақылау.
Оқыту (жасанды интеллект контексінде): Модельге деректер мен нәтижелер беру, осылайша модель жаңа деректерді пайдаланып тапсырмаларды орындау мүмкіндігін оңтайландыру үшін ішкі параметрлерін реттейді.
Вектор: деректер массиві. Машиналық оқытуда әрбір массив элементі әдетте үлгінің бірегей ерекшелігі болып табылады.
1-кестеде 2021 жылдың сәуір айындағы соңғы курстар, соның ішінде әр тақырып бойынша мақсатты оқу мақсаттары көрсетілген. Бұл семинар техникалық деңгейге жаңадан келгендерге арналған және медициналық бакалавр дәрежесінің бірінші жылынан басқа ешқандай математикалық білімді қажет етпейді. Курсты 6 медицина студенті және инженерия саласындағы жоғары дәрежесі бар 3 оқытушы әзірледі. Инженерлер оқыту үшін жасанды интеллект теориясын әзірлеуде, ал медицина студенттері клиникалық тұрғыдан маңызды материалдарды үйренуде.
Семинарларға дәрістер, кейс-стадилер және басшылыққа алынған бағдарламалау кіреді. Бірінші дәрісте біз биостатистикадағы деректерді талдаудың таңдалған тұжырымдамаларын, соның ішінде деректерді визуализациялауды, логистикалық регрессияны және сипаттамалық және индуктивті статистиканы салыстыруды қарастырамыз. Деректерді талдау жасанды интеллекттің негізі болғанымен, біз деректерді өндіру, маңыздылықты тексеру немесе интерактивті визуализация сияқты тақырыптарды қоспаймыз. Бұл уақыттың шектеулілігіне және кейбір бакалавриат студенттерінің биостатистика бойынша алдын ала дайындықтан өткендіктен және машиналық оқытудың ерекше тақырыптарын қамтығысы келгендіктен болды. Келесі дәрісте заманауи әдістер енгізіліп, жасанды интеллект мәселелерін тұжырымдау, жасанды интеллект модельдерінің артықшылықтары мен шектеулері, сондай-ақ модельді тестілеу талқыланады. Дәрістер қолданыстағы жасанды интеллект құрылғылары бойынша әдебиеттер мен практикалық зерттеулермен толықтырылады. Біз клиникалық сұрақтарды шешу үшін модельдің тиімділігі мен орындылығын бағалау үшін қажетті дағдыларды, соның ішінде қолданыстағы жасанды интеллект құрылғыларының шектеулерін түсінуді атап өтеміз. Мысалы, біз студенттерден Купперман және т.б. ұсынған педиатриялық бас жарақаты бойынша нұсқаулықтарды түсіндіруді сұрадық, олар КТ сканерлеу дәрігердің тексеруіне негізделген пайдалы болатынын анықтау үшін жасанды интеллект шешім ағашы алгоритмін енгізді. Біз бұл жасанды интеллекттің дәрігерлерді ауыстырудың орнына дәрігерлерге түсіндіру үшін болжамды аналитиканы ұсынатын кең таралған мысалы екенін атап өтеміз.
Қолжетімді ашық бастапқы кодты bootstrap бағдарламалау мысалдарында (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) біз зерттеу деректерін талдауды, өлшемділікті азайтуды, стандартты модельді жүктеуді, оқытуды және тестілеуді қалай орындау керектігін көрсетеміз. Біз Python кодын веб-шолғыштан орындауға мүмкіндік беретін Google Colaboratory ноутбуктерін (Google LLC, Mountain View, CA) пайдаланамыз. 2-суретте бағдарламалау жаттығуының мысалы келтірілген. Бұл жаттығу Висконсин ашық сүт безін бейнелеу деректер жиынтығын6 және шешім ағашы алгоритмін пайдаланып қатерлі ісіктерді болжауды қамтиды.
Апта бойы байланысты тақырыптар бойынша бағдарламаларды ұсыныңыз және жарияланған жасанды интеллект қолданбаларынан мысалдар таңдаңыз. Бағдарламалау элементтері болашақ клиникалық тәжірибеге түсінік беру үшін маңызды деп саналған жағдайда ғана қосылады, мысалы, модельдерді клиникалық сынақтарда қолдануға дайын екенін анықтау үшін қалай бағалау керек. Бұл мысалдар ісіктерді медициналық имидж параметрлеріне негізделген қатерсіз немесе қатерлі деп жіктейтін толыққанды кешенді қолданбамен аяқталады.
Алдын ала білімнің әртектілігі. Қатысушыларымыздың математикалық білім деңгейі әртүрлі болды. Мысалы, инженерлік білімі жоғары студенттер өздерінің Фурье түрлендірулерін қалай орындау керектігі сияқты тереңірек материал іздейді. Дегенмен, сабақта Фурье алгоритмін талқылау мүмкін емес, себебі ол сигналдарды өңдеуді терең білуді талап етеді.
Қатысушылардың ағымы. Кейінгі кездесулерге қатысу, әсіресе онлайн форматтарда, азайды. Шешім қатысуды бақылау және бітіру туралы сертификат беру болуы мүмкін. Медициналық оқу орындары студенттердің сыныптан тыс академиялық іс-шараларының транскрипттерін танитыны белгілі, бұл студенттерді дәреже алуға ынталандыруы мүмкін.
Курс дизайны: Жасанды интеллект көптеген ішкі салаларды қамтитындықтан, тиісті тереңдік пен кеңдіктің негізгі тұжырымдамаларын таңдау қиын болуы мүмкін. Мысалы, зертханадан клиникаға дейін жасанды интеллект құралдарын пайдаланудың үздіксіздігі маңызды тақырып болып табылады. Біз деректерді алдын ала өңдеуді, модель құруды және валидацияны қарастырғанымызбен, үлкен деректерді талдау, интерактивті визуализация немесе жасанды интеллект клиникалық сынақтарын жүргізу сияқты тақырыптарды қоспаймыз, оның орнына біз ең ерекше жасанды интеллект тұжырымдамаларына назар аударамыз. Біздің басшылық қағидамыз - дағдыларды емес, сауаттылықты арттыру. Мысалы, модельдің енгізу мүмкіндіктерін қалай өңдейтінін түсіну түсіндіру үшін маңызды. Мұны істеудің бір жолы - деректердің қай аймақтарын болжауға болатынын көрнекі түрде көрсете алатын градиенттік активация карталарын пайдалану. Дегенмен, бұл көп айнымалы есептеуді қажет етеді және оны енгізу мүмкін емес8. Ортақ терминологияны әзірлеу қиын болды, себебі біз деректермен математикалық формализмсіз векторлар ретінде қалай жұмыс істеу керектігін түсіндіруге тырыстық. Әртүрлі терминдердің мағынасы бірдей екенін ескеріңіз, мысалы, эпидемиологияда «сипаттама» «айнымалы» немесе «атрибут» ретінде сипатталады.
Білімді сақтау. Жасанды интеллектті қолдану шектеулі болғандықтан, қатысушылардың білімді қаншалықты сақтайтыны белгісіз. Медициналық оқу орындарының оқу бағдарламалары практикалық ротациялар кезінде білімді бекіту үшін жиі аралық қайталауға сүйенеді,9 мұны жасанды интеллект бойынша білім беруге де қолдануға болады.
Кәсібилік сауаттылықтан маңыздырақ. Материалдың тереңдігі математикалық қатаңдықсыз жасалған, бұл жасанды интеллект бойынша клиникалық курстарды іске қосу кезінде қиындық тудырды. Бағдарламалау мысалдарында біз қатысушыларға өрістерді толтырып, бағдарламалық жасақтаманы толық бағдарламалау ортасын қалай орнату керектігін білмей-ақ іске қосуға мүмкіндік беретін шаблон бағдарламасын қолданамыз.
Жасанды интеллектке қатысты алаңдаушылықтарды шешу: Жасанды интеллект кейбір клиникалық міндеттерді алмастыра алады деген кең таралған алаңдаушылық бар3. Бұл мәселені шешу үшін біз жасанды интеллекттің шектеулерін, соның ішінде реттеуші органдар бекіткен барлық дерлік жасанды интеллект технологиялары дәрігердің бақылауын қажет ететінін түсіндіреміз11. Сондай-ақ, алгоритмдер, әсіресе деректер жиынтығы әртүрлі болмаса, ауытқуға бейім болғандықтан, ауытқудың маңыздылығын атап өтеміз12. Демек, белгілі бір кіші топ дұрыс емес модельденуі мүмкін, бұл әділетсіз клиникалық шешімдерге әкелуі мүмкін.
Ресурстар жалпыға қолжетімді: Біз дәріс слайдтары мен кодты қоса алғанда, жалпыға қолжетімді ресурстар жасадық. Синхронды мазмұнға қол жеткізу уақыт белдеулеріне байланысты шектеулі болғанымен, ашық бастапқы коды бар мазмұн асинхронды оқыту үшін ыңғайлы әдіс болып табылады, себебі жасанды интеллект бойынша сараптама барлық медициналық оқу орындарында қолжетімді емес.
Пәнаралық ынтымақтастық: Бұл семинар медицина студенттерінің инженерлермен бірлесіп курстарды жоспарлау үшін бастаған бірлескен кәсіпорны. Бұл екі саладағы ынтымақтастық мүмкіндіктері мен білімдегі олқылықтарды көрсетеді, қатысушыларға болашақта қандай рөл атқара алатынын түсінуге мүмкіндік береді.
Жасанды интеллекттің негізгі құзыреттіліктерін анықтаңыз. Құзыреттіліктер тізімін анықтау қолданыстағы құзыреттілікке негізделген медициналық оқу бағдарламаларына біріктірілуі мүмкін стандартталған құрылымды қамтамасыз етеді. Бұл семинар қазіргі уақытта Блум таксономиясының 2-ші (Түсіну), 3-ші (Қолдану) және 4-ші (Талдау) оқу мақсаттарының деңгейлерін пайдаланады. Жобалар жасау сияқты жіктеудің жоғары деңгейлеріндегі ресурстардың болуы білімді одан әрі нығайта алады. Бұл клиникалық сарапшылармен бірге жасанды интеллект тақырыптарын клиникалық жұмыс процестеріне қалай қолдануға болатынын анықтауды және стандартты медициналық оқу бағдарламаларына енгізілген қайталанатын тақырыптарды оқытудың алдын алуды талап етеді.
Жасанды интеллектті қолдана отырып, кейс-стадилер жасаңыз. Клиникалық мысалдарға ұқсас, кейс-негізделген оқыту абстрактілі ұғымдарды олардың клиникалық сұрақтарға қатыстылығын көрсету арқылы нығайта алады. Мысалы, бір семинарлық зерттеу Google компаниясының жасанды интеллект негізіндегі диабеттік ретинопатияны анықтау жүйесін 13 талдап, зертханадан клиникаға дейінгі жолдағы қиындықтарды, мысалы, сыртқы валидация талаптары мен реттеуші органдардың бекіту жолдарын анықтады.
Тәжірибелік оқытуды пайдаланыңыз: Техникалық дағдылар клиникалық тағылымдамадан өтушілердің ауыспалы оқу тәжірибесіне ұқсас, мақсатты тәжірибені және игеру үшін қайта-қайта қолдануды қажет етеді. Бір ықтимал шешім - инженерлік білім беруде білімді сақтауды жақсартатыны туралы хабарланған сыныпты ауыстыру моделі14. Бұл модельде студенттер теориялық материалды өз бетінше қайталайды және сабақ уақыты кейс-стадилер арқылы мәселелерді шешуге арналады.
Көп салалы қатысушылар үшін масштабтау: Біз жасанды интеллектті енгізуді дәрігерлер мен әртүрлі деңгейдегі дайындықтан өткен денсаулық сақтау саласындағы мамандарды қоса алғанда, бірнеше сала бойынша ынтымақтастықты қамтитынын көздейміз. Сондықтан, оқу бағдарламаларын денсаулық сақтаудың әртүрлі салаларына бейімдеу үшін әртүрлі кафедралардың оқытушыларымен кеңесе отырып әзірлеу қажет болуы мүмкін.
Жасанды интеллект жоғары технологиялық болып табылады және оның негізгі тұжырымдамалары математика мен информатикамен байланысты. Денсаулық сақтау қызметкерлерін жасанды интеллектті түсінуге үйрету мазмұнды таңдауда, клиникалық өзектілікте және жеткізу әдістерінде ерекше қиындықтар туғызады. Біз «Білім берудегі жасанды интеллект» семинарларынан алынған түсініктер болашақ мұғалімдерге жасанды интеллектті медициналық білім беруге интеграциялаудың инновациялық жолдарын игеруге көмектеседі деп үміттенеміз.
Google Colaboratory Python скрипті ашық бастапқы код болып табылады және мына мекенжай бойынша қолжетімді: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Пробер, К.Г. және Хан, С. Медициналық білім беруді қайта қарастыру: әрекетке шақыру. Аккад медицинасы. 88, 1407–1410 (2013).
Маккой, Л.Г. және т.б. Медицина студенттері жасанды интеллект туралы не білуі керек? NPZh сандары. Медицина 3, 1–3 (2020).
Дос Сантос, Д.П. және т.б. Медицина студенттерінің жасанды интеллектке көзқарасы: көп орталықты сауалнама. ЕВРО. радиация. 29, 1640–1646 (2019).
Фан, KY, Ху, Р., және Сингла, Р. Медицина студенттеріне арналған машиналық оқытуға кіріспе: пилоттық жоба. J. Med. teach. 54, 1042–1043 (2020).
Куперман Н. және т.б. Бас жарақатынан кейін клиникалық тұрғыдан маңызды ми жарақатының қаупі өте төмен балаларды анықтау: перспективалық когорттық зерттеу. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH және Mangasarian, OL. Сүт безі ісігін диагностикалау үшін ядролық ерекшеліктерді алу. Биомедициналық ғылым. Кескінді өңдеу. Биомедициналық ғылым. Вайсс. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. және Peng, L. Денсаулық сақтау үшін машиналық оқыту модельдерін қалай әзірлеу керек. Nat. Matt. 18, 410–414 (2019).
Селвараджу, Р.Р. және т.б. Grad-cam: Градиент негізіндегі локализация арқылы терең желілерді визуалды түсіндіру. IEEE компьютерлік көру бойынша халықаралық конференциясының материалдары, 618–626 (2017).
Кумаравел Б, Стюарт К және Илич Д. Бакалавриат медициналық білім беруде ЕҚЫҰ қолдана отырып, дәлелді медицина құзыреттілігін бағалауға арналған спиральды модельді әзірлеу және бағалау. BMK Medicine. teach. 21, 1–9 (2021).
Колачалама В.Б. және Гарг П.С. Машиналық оқыту және медициналық білім беру. NPZh сандары. медицина. 1, 1–3 (2018).
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, Э.Ж. Жоғары өнімді медицина: адам мен жасанды интеллекттің конвергенциясы. Табиғи медицина. 25, 44–56 (2019).
Беде, Э. және т.б. Диабеттік ретинопатияны анықтау үшін клиникада орналастырылған терең оқыту жүйесінің адамға бағытталған бағалауы. Есептеу жүйелеріндегі адам факторлары бойынша 2020 жылғы CHI конференциясының материалдары (2020).
Керр, Б. Инженерлік білім берудегі аударылған сынып: Зерттеуге шолу. 2015 жылғы Интерактивті бірлескен оқыту бойынша халықаралық конференция материалдары (2015).
Авторлар Британдық Колумбия университетінің биомедициналық бейнелеу және жасанды интеллект зерттеу кластерінен Даниэль Уокерге, Тим Салкудинге және Питер Зандстраға қолдау көрсеткені және қаржыландырғаны 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. RH, OY, MT, RS суреттер мен кестелерді жасауға жауапты болды. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS құжатты жобалауға және редакциялауға жауапты болды.
Communication Medicine осы жұмысты шолуға қосқан үлестері үшін Кэролин МакГрегорға, Фабио Мораеске және Адитя Боракатиге алғыс білдіреді.
Жарияланған уақыты: 2024 жылғы 19 ақпан