Grazie per aver visitato Nature.com. La versione del browser che stai utilizzando ha un supporto CSS limitato. Per i migliori risultati, ti consigliamo di utilizzare una versione più recente del browser (o disattivare la modalità di compatibilità in Internet Explorer). Nel frattempo, per garantire un supporto continuo, stiamo mostrando il sito senza styling o JavaScript.
Le applicazioni dell'intelligenza artificiale clinica (AI) stanno crescendo rapidamente, ma i curricula delle scuole di medicina esistenti offrono un insegnamento limitato che copre quest'area. Qui descriviamo un corso di formazione per l'intelligenza artificiale che abbiamo sviluppato e consegnato agli studenti di medicina canadese e formulano raccomandazioni per la formazione futura.
L'intelligenza artificiale (AI) in medicina può migliorare l'efficienza sul posto di lavoro e aiutare il processo decisionale clinico. Per guidare in sicurezza l'uso dell'intelligenza artificiale, i medici devono avere una certa comprensione dell'intelligenza artificiale. Molti commenti sostengono l'insegnamento di AI Concepts1, come la spiegazione dei modelli di intelligenza artificiale e i processi di verifica2. Tuttavia, sono stati implementati pochi piani strutturati, specialmente a livello nazionale. Pinto dos Santos et al.3. 263 studenti di medicina sono stati intervistati e il 71% ha concordato di aver bisogno di una formazione in intelligenza artificiale. L'insegnamento dell'intelligenza artificiale a un pubblico medico richiede un design attento che combina concetti tecnici e non tecnici per gli studenti che hanno spesso ampie conoscenze precedenti. Descriviamo la nostra esperienza nella fornitura di una serie di seminari di intelligenza artificiale a tre gruppi di studenti di medicina e formiamo raccomandazioni per l'educazione medica futura in AI.
La nostra introduzione di cinque settimane all'intelligenza artificiale nel seminario di medicina per gli studenti di medicina si è tenuta tre volte tra febbraio 2019 e aprile 2021. Un programma per ogni seminario, con una breve descrizione delle modifiche al corso, è mostrato nella Figura 1. Il nostro corso ha Tre obiettivi di apprendimento primari: gli studenti comprendono come i dati vengono elaborati nelle applicazioni di intelligenza artificiale, analizza la letteratura di intelligenza artificiale per applicazioni cliniche e sfruttano le opportunità per collaborare con ingegneri che sviluppano l'intelligenza artificiale.
Il blu è l'argomento della lezione e il blu chiaro è la domanda interattiva e il periodo di risposta. La sezione grigia è al centro della breve revisione della letteratura. Le sezioni arancioni sono casi studio selezionati che descrivono modelli o tecniche di intelligenza artificiale. Green è un corso di programmazione guidato progettato per insegnare l'intelligenza artificiale per risolvere i problemi clinici e valutare i modelli. Il contenuto e la durata dei seminari variano in base a una valutazione delle esigenze degli studenti.
Il primo seminario si è tenuto presso l'Università della British Columbia da febbraio ad aprile 2019 e tutti e 8 i partecipanti hanno dato feedback positivo4. A causa di Covid-19, il secondo seminario si è tenuto virtualmente nell'ottobre-novembre 2020, con 222 studenti di medicina e 3 residenti di 8 scuole mediche canadesi. Le diapositive e il codice di presentazione sono stati caricati in un sito di accesso aperto (http://ubcaimed.github.io). Il feedback chiave della prima iterazione era che le lezioni erano troppo intense e il materiale troppo teorico. Servire sei diverse fusi orari del Canada pone ulteriori sfide. Pertanto, il secondo workshop ha abbreviato ogni sessione a 1 ora, ha semplificato il materiale del corso, ha aggiunto più casi studio e creato programmi di caldaia che hanno permesso ai partecipanti di completare i frammenti di codice con il debug minimo (Box 1). Il feedback chiave della seconda iterazione includeva un feedback positivo sugli esercizi di programmazione e una richiesta di dimostrare la pianificazione per un progetto di apprendimento automatico. Pertanto, nel nostro terzo seminario, detenuto praticamente per 126 studenti di medicina nel 2021 marzo-aprile, abbiamo incluso più esercizi di codifica interattivi e sessioni di feedback dei progetti per dimostrare l'impatto dell'utilizzo dei concetti di workshop sui progetti.
Analisi dei dati: un campo di studio in statistiche che identifica modelli significativi nei dati analizzando, elaborando e comunicando i modelli di dati.
Data mining: il processo di identificazione e estrazione dei dati. Nel contesto dell'intelligenza artificiale, questo è spesso grande, con più variabili per ciascun campione.
Riduzione della dimensionalità: il processo di trasformazione dei dati con molte singole funzionalità in meno caratteristiche preservando le proprietà importanti del set di dati originale.
Caratteristiche (nel contesto dell'intelligenza artificiale): proprietà misurabili di un campione. Spesso usato in modo intercambiabile con "proprietà" o "variabile".
Mappa dell'attivazione del gradiente: una tecnica utilizzata per interpretare i modelli di intelligenza artificiale (in particolare le reti neurali convoluzionali), che analizza il processo di ottimizzazione dell'ultima parte della rete per identificare le regioni di dati o immagini altamente predittive.
Modello standard: un modello AI esistente che è stato pre-addestrato per eseguire compiti simili.
Test (nel contesto dell'intelligenza artificiale): osservare come un modello esegue un compito usando i dati che non ha mai incontrato prima.
Formazione (nel contesto dell'intelligenza artificiale): fornire un modello con dati e risultati in modo che il modello regoli i suoi parametri interni per ottimizzare la sua capacità di eseguire attività utilizzando nuovi dati.
Vector: array di dati. Nell'apprendimento automatico, ogni elemento di array è di solito una caratteristica unica del campione.
La tabella 1 elenca gli ultimi corsi per aprile 2021, inclusi obiettivi di apprendimento mirati per ciascun argomento. Questo workshop è destinato a coloro che nuovi a livello tecnico e non richiedono alcuna conoscenza matematica oltre il primo anno di laurea in medicina. Il corso è stato sviluppato da 6 studenti di medicina e 3 insegnanti con titoli avanzati in ingegneria. Gli ingegneri stanno sviluppando la teoria dell'intelligenza artificiale da insegnare e gli studenti di medicina stanno imparando materiale clinicamente rilevante.
I seminari includono lezioni, casi studio e programmazione guidata. Nella prima lezione, esaminiamo i concetti selezionati di analisi dei dati in biostatistica, tra cui la visualizzazione dei dati, la regressione logistica e il confronto delle statistiche descrittive e induttive. Sebbene l'analisi dei dati sia la base dell'intelligenza artificiale, escludiamo argomenti come il data mining, i test di significatività o la visualizzazione interattiva. Ciò era dovuto ai vincoli di tempo e anche perché alcuni studenti universitari avevano una formazione precedente in biostatistica e volevano coprire argomenti di apprendimento automatico più unico. La successiva lezione introduce metodi moderni e discute la formulazione dei problemi AI, i vantaggi e i limiti dei modelli di intelligenza artificiale e i test del modello. Le lezioni sono integrate dalla letteratura e dalla ricerca pratica sui dispositivi di intelligenza artificiale esistenti. Sottolineiamo le competenze necessarie per valutare l'efficacia e la fattibilità di un modello per affrontare le domande cliniche, compresa la comprensione dei limiti dei dispositivi di intelligenza artificiale esistenti. Ad esempio, abbiamo chiesto agli studenti di interpretare le linee guida per lesioni alla testa pediatrica proposte da Kupperman et al., 5 che hanno implementato un algoritmo di albero decisionale di intelligenza artificiale per determinare se una scansione TC sarebbe utile in base all'esame di un medico. Sottolineiamo che questo è un esempio comune di intelligenza artificiale che fornisce analisi predittive per i medici da interpretare, piuttosto che sostituire i medici.
Negli esempi di programmazione bootstrap open source disponibili (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), dimostriamo come eseguire l'analisi dei dati esplorativi, la riduzione della dimensionalità, il carico di modelli standard e l'allenamento standard e l'allenamento e l'addestramento . e test. Utilizziamo i notebook di Google Colaboratory (Google LLC, Mountain View, CA), che consentono l'esecuzione del codice Python da un browser Web. In Fig. La Figura 2 fornisce un esempio di un esercizio di programmazione. Questo esercizio prevede la previsione di tumori maligni usando il Wisconsin Open Breast Imaging Dataset6 e un algoritmo di albero decisionale.
Presentare programmi durante la settimana su argomenti correlati e selezionare esempi da applicazioni AI pubblicate. Gli elementi di programmazione sono inclusi solo se sono considerati rilevanti per fornire informazioni sulla futura pratica clinica, come come valutare i modelli per determinare se sono pronti per l'uso negli studi clinici. Questi esempi culminano in un'applicazione end-to-end a tutti gli effetti che classifica i tumori come benigni o maligni in base ai parametri dell'immagine medica.
Eterogeneità della conoscenza precedente. I nostri partecipanti variavano nel loro livello di conoscenza matematica. Ad esempio, gli studenti con background di ingegneria avanzati sono alla ricerca di materiale più approfondito, come come eseguire le loro trasformazioni di Fourier. Tuttavia, discutere dell'algoritmo di Fourier in classe non è possibile perché richiede una conoscenza approfondita dell'elaborazione del segnale.
Deflusso di frequenza. La partecipazione alle riunioni di follow-up è diminuita, soprattutto nei formati online. Una soluzione potrebbe essere quella di tenere traccia della partecipazione e fornire un certificato di completamento. È noto che le scuole di medicina riconoscono le trascrizioni delle attività accademiche extracurriculari degli studenti, che possono incoraggiare gli studenti a perseguire una laurea.
Progettazione del corso: perché l'intelligenza artificiale si estende per così tanti sottocampi, la selezione di concetti fondamentali di profondità e ampiezza adeguati può essere una sfida. Ad esempio, la continuità dell'uso degli strumenti di intelligenza artificiale dal laboratorio alla clinica è un argomento importante. Mentre copriamo la preelaborazione dei dati, la costruzione di modelli e la validazione, non includiamo argomenti come l'analisi dei big data, la visualizzazione interattiva o la conduzione di studi clinici di intelligenza artificiale, invece ci concentriamo sui concetti di intelligenza artificiale più unici. Il nostro principio guida è migliorare l'alfabetizzazione, non le abilità. Ad esempio, capire come un modello elabora le caratteristiche di input è importante per l'interpretazione. Un modo per farlo è utilizzare mappe di attivazione del gradiente, che possono visualizzare quali regioni dei dati sono prevedibili. Tuttavia, ciò richiede il calcolo multivariato e non può essere introdotto8. Lo sviluppo di una terminologia comune è stato impegnativo perché stavamo cercando di spiegare come lavorare con i dati come vettori senza formalismo matematico. Si noti che termini diversi hanno lo stesso significato, ad esempio, in epidemiologia, una "caratteristica" è descritta come una "variabile" o "attributo".
Conservazione della conoscenza. Poiché l'applicazione dell'IA è limitata, la misura in cui i partecipanti conservano la conoscenza resta da vedere. I curricula della scuola di medicina spesso fanno affidamento sulla ripetizione distanziata per rafforzare le conoscenze durante le rotazioni pratiche, 9 che possono anche essere applicate all'istruzione dell'IA.
La professionalità è più importante dell'alfabetizzazione. La profondità del materiale è progettata senza rigore matematico, il che è stato un problema quando si lancia corsi clinici nell'intelligenza artificiale. Negli esempi di programmazione, utilizziamo un programma modello che consente ai partecipanti di compilare i campi ed eseguire il software senza dover capire come impostare un ambiente di programmazione completo.
Preoccupazioni per l'intelligenza artificiale affrontata: vi è una diffusa preoccupazione che l'intelligenza artificiale possa sostituire alcuni doveri clinici3. Per affrontare questo problema, spieghiamo i limiti dell'intelligenza artificiale, incluso il fatto che quasi tutte le tecnologie di intelligenza artificiale approvate dai regolatori richiedono la supervisione del medico11. Sottolineiamo anche l'importanza della distorsione perché gli algoritmi sono soggetti a distorsioni, specialmente se il set di dati non è diversificato12. Di conseguenza, un determinato sottogruppo può essere modellato in modo errato, portando a decisioni cliniche ingiuste.
Le risorse sono disponibili al pubblico: abbiamo creato risorse disponibili al pubblico, comprese le diapositive e il codice delle lezioni. Sebbene l'accesso ai contenuti sincroni sia limitato a causa dei fusi orari, il contenuto open source è un metodo conveniente per l'apprendimento asincrono poiché le competenze AI non sono disponibili in tutte le scuole di medicina.
Collaborazione interdisciplinare: questo seminario è una joint venture avviata da studenti di medicina per pianificare corsi insieme agli ingegneri. Ciò dimostra opportunità di collaborazione e lacune di conoscenza in entrambe le aree, consentendo ai partecipanti di comprendere il potenziale ruolo che possono contribuire in futuro.
Definire le competenze chiave di intelligenza artificiale. La definizione di un elenco di competenze fornisce una struttura standardizzata che può essere integrata nei curricula medici esistenti basati sulle competenze. Questo workshop attualmente utilizza i livelli obiettivi di apprendimento 2 (comprensione), 3 (applicazione) e 4 (analisi) della tassonomia di Bloom. Avere risorse a livelli più elevati di classificazione, come la creazione di progetti, può rafforzare ulteriormente le conoscenze. Ciò richiede di lavorare con esperti clinici per determinare come gli argomenti di intelligenza artificiale possono essere applicati ai flussi di lavoro clinici e prevenire l'insegnamento di argomenti ripetitivi già inclusi nei curricula medici standard.
Crea casi di studio usando AI. Simile agli esempi clinici, l'apprendimento basato sui casi può rafforzare i concetti astratti evidenziando la loro rilevanza per le domande cliniche. Ad esempio, uno studio di workshop ha analizzato il sistema di rilevamento della retinopatia diabetica basata su AI di Google per identificare le sfide lungo il percorso da laboratorio a clinica, come i requisiti di validazione esterna e i percorsi di approvazione normativa.
Usa apprendimento esperienziale: le capacità tecniche richiedono una pratica focalizzata e un'applicazione ripetuta per padroneggiare, in modo simile alle esperienze di apprendimento rotante dei tirocinanti clinici. Una potenziale soluzione è il modello di classe capovolto, che è stato segnalato per migliorare la conservazione delle conoscenze nell'educazione ingegneristica14. In questo modello, gli studenti esaminano il materiale teorico in modo indipendente e il tempo di classe è dedicato alla risoluzione di problemi attraverso casi studio.
Ridimensionamento dei partecipanti multidisciplinari: prevediamo l'adozione dell'IA che coinvolge la collaborazione in più discipline, compresi medici e professionisti della salute alleati con vari livelli di formazione. Pertanto, potrebbe essere necessario sviluppare curricula in consultazione con docenti di diversi dipartimenti per adattare il loro contenuto a diverse aree dell'assistenza sanitaria.
L'intelligenza artificiale è high-tech e i suoi concetti fondamentali sono legati alla matematica e all'informatica. La formazione del personale sanitario per comprendere l'intelligenza artificiale presenta sfide uniche nella selezione dei contenuti, nella rilevanza clinica e nei metodi di consegna. Speriamo che le intuizioni acquisite dall'intelligenza artificiale nei seminari educativi aiuteranno i futuri educatori ad abbracciare modi innovativi per integrare l'IA nell'educazione medica.
Lo script Python di Google Colaboratory è open source e disponibile su: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG e Khan, S. Rethinking Medical Education: A Call to Action. Akkad. medicinale. 88, 1407–1410 (2013).
McCoy, LG ecc. Cosa devono davvero sapere gli studenti di medicina sull'intelligenza artificiale? Numeri NPZH. Medicine 3, 1–3 (2020).
Dos Santos, DP, et al. Atteggiamenti degli studenti di medicina verso l'intelligenza artificiale: un sondaggio multicentrico. EURO. radiazione. 29, 1640–1646 (2019).
Fan, Ky, Hu, R. e Singla, R. Introduzione all'apprendimento automatico per studenti di medicina: un progetto pilota. J. Med. insegnare. 54, 1042–1043 (2020).
Cooperman N, et al. Identificare i bambini a rischio molto basso di lesioni cerebrali clinicamente significative dopo lesioni alla testa: uno studio di coorte prospettico. Lancet 374, 1160-1170 (2009).
Street, Wn, Wolberg, WH e Mangasarian, ol. Estrazione di caratteristiche nucleari per la diagnosi del tumore al seno. Scienza biomedica. Elaborazione delle immagini. Scienza biomedica. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. e Peng, L. Come sviluppare modelli di apprendimento automatico per l'assistenza sanitaria. Nat. Opaco. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-Cam: interpretazione visiva delle reti profonde attraverso la localizzazione basata su gradiente. Atti della Conferenza internazionale IEEE su Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K e ILIC D. Sviluppo e valutazione di un modello a spirale per valutare le competenze di medicina basate sull'evidenza utilizzando l'OSCE nell'educazione medica universitaria. BMK Medicine. insegnare. 21, 1–9 (2021).
Kolachalama VB e Garg PS Machine Learning ed Educazione medica. Numeri NPZH. medicinale. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. e De Rooy, M. Intelligenza artificiale in radiologia: 100 prodotti commerciali e le loro prove scientifiche. EURO. radiazione. 31, 3797–3804 (2021).
Topol, EJ Medicine ad alte prestazioni: la convergenza dell'intelligenza umana e artificiale. Nat. medicinale. 25, 44–56 (2019).
Bede, E. et al. Valutazione centrata sull'uomo di un sistema di apprendimento profondo distribuito in clinica per il rilevamento della retinopatia diabetica. Atti della conferenza CHI 2020 sui fattori umani nei sistemi informatici (2020).
Kerr, B. La classe capovolta nell'educazione ingegneristica: una revisione della ricerca. Atti della Conferenza internazionale 2015 sull'apprendimento collaborativo interattivo (2015).
Gli autori ringraziano Danielle Walker, Tim Salcudin e Peter Zandstra del cluster di ricerca sull'imaging biomedico e sull'intelligenza artificiale presso l'Università della British Columbia per supporto e finanziamenti.
RH, PP, ZH, RS e MA erano responsabili dello sviluppo del contenuto di insegnamento del seminario. RH e PP erano responsabili dello sviluppo degli esempi di programmazione. KYF, OY, MT e PW erano responsabili dell'organizzazione logistica del progetto e dell'analisi dei seminari. RH, OY, MT, RS erano responsabili della creazione di figure e tabelle. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS erano responsabili della stesura e della modifica del documento.
Medicina della comunicazione grazie Carolyn McGregor, Fabio Moraes e Aditya Borakati per i loro contributi alla revisione di questo lavoro.
Tempo post: febbraio-19-2024