Grazie per aver visitato Nature.com.La versione del browser che stai utilizzando ha un supporto CSS limitato.Per ottenere risultati ottimali, ti consigliamo di utilizzare una versione più recente del browser (o di disattivare la modalità compatibilità in Internet Explorer).Nel frattempo, per garantire un supporto continuo, mostriamo il sito senza stili o JavaScript.
Le applicazioni dell’intelligenza artificiale clinica (AI) stanno crescendo rapidamente, ma i programmi di studio esistenti delle scuole di medicina offrono un insegnamento limitato che copre quest’area.Qui descriviamo un corso di formazione sull’intelligenza artificiale che abbiamo sviluppato e offerto agli studenti di medicina canadesi e forniamo 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 modo sicuro l’uso dell’intelligenza artificiale, i medici devono avere una certa conoscenza dell’intelligenza artificiale.Molti commenti sostengono l’insegnamento dei concetti di intelligenza artificiale1, come la spiegazione dei modelli di intelligenza artificiale e dei processi di verifica2.Tuttavia, sono stati attuati pochi piani strutturati, soprattutto a livello nazionale.Pinto dos Santos et al.3.Sono stati intervistati 263 studenti di medicina e il 71% ha concordato di aver bisogno di una formazione in intelligenza artificiale.Insegnare l'intelligenza artificiale a un pubblico medico richiede un'attenta progettazione che combini concetti tecnici e non tecnici per gli studenti che spesso hanno una vasta conoscenza pregressa.Descriviamo la nostra esperienza nel fornire una serie di workshop sull'intelligenza artificiale a tre gruppi di studenti di medicina e forniamo raccomandazioni per la futura formazione medica sull'intelligenza artificiale.
Il nostro workshop di cinque settimane di Introduzione all'Intelligenza Artificiale in Medicina per studenti di medicina si è tenuto tre volte tra febbraio 2019 e aprile 2021. Un programma per ciascun workshop, 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 vengono elaborati i dati nelle applicazioni di intelligenza artificiale, analizzano la letteratura sull'intelligenza artificiale per applicazioni cliniche e sfruttano le opportunità di collaborare con ingegneri che sviluppano l'intelligenza artificiale.
Il blu è l'argomento della lezione e l'azzurro è il periodo interattivo di domande e risposte.La sezione grigia è il focus della breve revisione della letteratura.Le sezioni arancioni rappresentano casi di studio selezionati che descrivono modelli o tecniche di intelligenza artificiale.Green è un corso di programmazione guidata progettato per insegnare all'intelligenza artificiale a risolvere problemi clinici e valutare modelli.Il contenuto e la durata dei laboratori variano in base alla valutazione delle esigenze degli studenti.
Il primo workshop si è tenuto presso l'Università della British Columbia da febbraio ad aprile 2019 e tutti gli 8 partecipanti hanno dato feedback positivi4.A causa del COVID-19, il secondo workshop si è tenuto virtualmente tra ottobre e novembre 2020, con la registrazione di 222 studenti di medicina e 3 residenti provenienti da 8 scuole di medicina canadesi.Le diapositive e il codice della presentazione sono stati caricati su un sito ad accesso aperto (http://ubcaimed.github.io).Il feedback chiave della prima iterazione è stato che le lezioni erano troppo intense e il materiale troppo teorico.Servire i sei diversi fusi orari del Canada pone ulteriori sfide.Pertanto, il secondo workshop ha ridotto la durata di ciascuna sessione a 1 ora, semplificato il materiale del corso, aggiunto ulteriori casi di studio e creato programmi standard che consentivano ai partecipanti di completare frammenti di codice con un debug minimo (riquadro 1).Il feedback chiave della seconda iterazione includeva un feedback positivo sugli esercizi di programmazione e una richiesta di dimostrare la pianificazione di un progetto di machine learning.Pertanto, nel nostro terzo workshop, tenuto virtualmente per 126 studenti di medicina nel periodo marzo-aprile 2021, abbiamo incluso esercizi di codifica più interattivi e sessioni di feedback sui progetti per dimostrare l'impatto dell'utilizzo dei concetti del workshop sui progetti.
Analisi dei dati: un campo di studio della statistica che identifica modelli significativi nei dati analizzando, elaborando e comunicando modelli di dati.
Data mining: il processo di identificazione ed estrazione dei dati.Nel contesto dell’intelligenza artificiale, questo è spesso ampio, con più variabili per ciascun campione.
Riduzione della dimensionalità: il processo di trasformazione dei dati con molte caratteristiche individuali 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”.
Gradient Activation Map: una tecnica utilizzata per interpretare modelli di intelligenza artificiale (in particolare reti neurali convoluzionali), che analizza il processo di ottimizzazione dell'ultima parte della rete per identificare regioni di dati o immagini altamente predittive.
Modello standard: un modello di intelligenza artificiale esistente che è stato preaddestrato per eseguire attività simili.
Test (nel contesto dell'intelligenza artificiale): osservare come un modello esegue un compito utilizzando dati che non ha mai incontrato prima.
Formazione (nel contesto dell'intelligenza artificiale): fornire a un modello dati e risultati in modo che il modello adatti i suoi parametri interni per ottimizzare la sua capacità di eseguire attività utilizzando nuovi dati.
Vettore: matrice di dati.Nell'apprendimento automatico, ogni elemento dell'array è solitamente una caratteristica unica del campione.
La tabella 1 elenca gli ultimi corsi di aprile 2021, inclusi gli obiettivi di apprendimento mirati per ciascun argomento.Questo workshop è rivolto a chi è nuovo al livello tecnico e non richiede alcuna conoscenza matematica oltre il primo anno di laurea in medicina.Il corso è stato sviluppato da 6 studenti di medicina e 3 docenti con lauree specialistiche in ingegneria.Gli ingegneri stanno sviluppando la teoria dell’intelligenza artificiale da insegnare e gli studenti di medicina stanno imparando materiale clinicamente rilevante.
I workshop includono lezioni frontali, casi di studio e programmazione guidata.Nella prima lezione, esaminiamo concetti selezionati di analisi dei dati in biostatistica, inclusa la visualizzazione dei dati, la regressione logistica e il confronto tra statistica descrittiva e induttiva.Sebbene l'analisi dei dati sia il fondamento dell'intelligenza artificiale, escludiamo argomenti come il data mining, i test di significatività o la visualizzazione interattiva.Ciò era dovuto a vincoli di tempo e anche al fatto che alcuni studenti universitari avevano una formazione precedente in biostatistica e volevano trattare argomenti più specifici di apprendimento automatico.La lezione successiva introduce metodi moderni e discute la formulazione dei problemi di intelligenza artificiale, i vantaggi e i limiti dei modelli di intelligenza artificiale e il test dei modelli.Le lezioni sono integrate da letteratura e ricerca pratica sui dispositivi di intelligenza artificiale esistenti.Sottolineiamo le competenze richieste per valutare l'efficacia e la fattibilità di un modello per affrontare domande cliniche, inclusa la comprensione dei limiti dei dispositivi di intelligenza artificiale esistenti.Ad esempio, abbiamo chiesto agli studenti di interpretare le linee guida pediatriche sulle lesioni alla testa proposte da Kupperman et al., 5 che implementavano un algoritmo decisionale basato sull'intelligenza artificiale per determinare se una scansione TC sarebbe utile sulla base di un esame medico.Sottolineiamo che questo è un esempio comune di intelligenza artificiale che fornisce analisi predittive da interpretare per i medici, 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 analisi esplorativa dei dati, riduzione della dimensionalità, caricamento del modello standard e formazione .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 esercizio di programmazione.Questo esercizio prevede la previsione delle neoplasie utilizzando il Wisconsin Open Breast Imaging Dataset6 e un algoritmo ad albero decisionale.
Presenta programmi durante la settimana su argomenti correlati e seleziona esempi dalle applicazioni AI pubblicate.Gli elementi di programmazione sono inclusi solo se considerati rilevanti per fornire informazioni sulla futura pratica clinica, ad esempio come valutare i modelli per determinare se sono pronti per l'uso negli studi clinici.Questi esempi culminano in un'applicazione end-to-end completa che classifica i tumori come benigni o maligni in base ai parametri dell'immagine medica.
Eterogeneità delle conoscenze pregresse.I nostri partecipanti variavano nel loro livello di conoscenza matematica.Ad esempio, gli studenti con un background di ingegneria avanzata sono alla ricerca di materiale più approfondito, ad esempio su come eseguire le proprie trasformate di Fourier.Tuttavia, discutere l'algoritmo di Fourier in classe non è possibile perché richiede una conoscenza approfondita dell'elaborazione del segnale.
Deflusso delle presenze.La partecipazione alle riunioni di follow-up è diminuita, soprattutto nei formati online.Una soluzione potrebbe essere quella di tenere traccia delle presenze e fornire un certificato di completamento.È noto che le scuole di medicina riconoscono le trascrizioni delle attività accademiche extracurriculari degli studenti, il che può incoraggiare gli studenti a conseguire una laurea.
Progettazione del corso: poiché l'intelligenza artificiale abbraccia così tanti sottocampi, selezionare concetti fondamentali di profondità e ampiezza adeguate può essere difficile.Ad esempio, la continuità dell’uso degli strumenti di intelligenza artificiale dal laboratorio alla clinica è un argomento importante.Sebbene trattiamo la preelaborazione dei dati, la creazione di modelli e la convalida, non includiamo argomenti come l'analisi dei big data, la visualizzazione interattiva o la conduzione di studi clinici sull'intelligenza artificiale, concentrandoci invece sui concetti di intelligenza artificiale più esclusivi.Il nostro principio guida è migliorare l’alfabetizzazione, non le competenze.Ad esempio, comprendere come un modello elabora le caratteristiche di input è importante per l'interpretabilità.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.Sviluppare una terminologia comune è stato impegnativo perché stavamo cercando di spiegare come lavorare con i dati come vettori senza formalismi matematici.Si noti che termini diversi hanno lo stesso significato, ad esempio, in epidemiologia, una “caratteristica” è descritta come “variabile” o “attributo”.
Conservazione della conoscenza.Poiché l’applicazione dell’intelligenza artificiale è limitata, resta da vedere in che misura i partecipanti conservano la conoscenza.I programmi delle scuole di medicina spesso si basano su ripetizioni distanziate per rafforzare le conoscenze durante le rotazioni pratiche,9 che possono essere applicate anche alla formazione sull’intelligenza artificiale.
La professionalità è più importante dell’alfabetizzazione.La profondità del materiale è progettata senza rigore matematico, il che rappresentava un problema durante il lancio di corsi clinici sull’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 affrontate sull'intelligenza artificiale: è diffusa la preoccupazione che l'intelligenza artificiale possa sostituire alcuni compiti clinici3.Per affrontare questo problema, spieghiamo i limiti dell’intelligenza artificiale, incluso il fatto che quasi tutte le tecnologie di intelligenza artificiale approvate dalle autorità di regolamentazione richiedono la supervisione medica11.Sottolineiamo inoltre l’importanza della distorsione perché gli algoritmi sono inclini alla distorsione, soprattutto se il set di dati non è diversificato12.Di conseguenza, un determinato sottogruppo potrebbe essere modellato in modo errato, portando a decisioni cliniche ingiuste.
Le risorse sono disponibili al pubblico: abbiamo creato risorse disponibili al pubblico, tra cui diapositive e codice delle lezioni.Sebbene l’accesso ai contenuti sincroni sia limitato a causa dei fusi orari, i contenuti open source rappresentano un metodo conveniente per l’apprendimento asincrono poiché le competenze in materia di intelligenza artificiale non sono disponibili in tutte le scuole di medicina.
Collaborazione interdisciplinare: questo workshop 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 ruolo potenziale che possono contribuire in futuro.
Definire le competenze chiave dell'IA.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 degli obiettivi di apprendimento 2 (comprensione), 3 (applicazione) e 4 (analisi) della tassonomia di Bloom.Disporre di risorse a livelli di classificazione più elevati, come la creazione di progetti, può rafforzare ulteriormente la conoscenza.Ciò richiede la collaborazione con esperti clinici per determinare come gli argomenti relativi all’intelligenza artificiale possano essere applicati ai flussi di lavoro clinici e prevenire l’insegnamento di argomenti ripetitivi già inclusi nei curricula medici standard.
Crea casi di studio utilizzando l'intelligenza artificiale.Similmente agli esempi clinici, l’apprendimento basato sui casi può rafforzare concetti astratti evidenziandone la rilevanza per le questioni cliniche.Ad esempio, uno studio di laboratorio ha analizzato il sistema di rilevamento della retinopatia diabetica basato sull'intelligenza artificiale di Google 13 per identificare le sfide lungo il percorso dal laboratorio alla clinica, come i requisiti di convalida esterna e i percorsi di approvazione normativa.
Utilizzare l'apprendimento esperienziale: le competenze tecniche richiedono pratica mirata e applicazione ripetuta per padroneggiarle, in modo simile alle esperienze di apprendimento a rotazione dei tirocinanti clinici.Una potenziale soluzione è il modello della classe capovolta, che è stato segnalato per migliorare la conservazione delle conoscenze nella formazione ingegneristica14.In questo modello, gli studenti rivedono il materiale teorico in modo indipendente e il tempo in classe è dedicato alla risoluzione dei problemi attraverso casi di studio.
Scalabilità per partecipanti multidisciplinari: prevediamo che l’adozione dell’intelligenza artificiale comporti la collaborazione tra più discipline, inclusi medici e professionisti sanitari affini con diversi livelli di formazione.Pertanto, potrebbe essere necessario sviluppare programmi di studio consultandosi con docenti di diversi dipartimenti per adattare il loro contenuto alle diverse aree dell’assistenza sanitaria.
L’intelligenza artificiale è altamente tecnologica 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 erogazione.Ci auguriamo che le conoscenze acquisite dai workshop sull’intelligenza artificiale nell’istruzione aiutino i futuri educatori ad abbracciare modi innovativi per integrare l’intelligenza artificiale nella formazione medica.
Lo script Python di Google Colaboratory è open source e disponibile all'indirizzo: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG e Khan, S. Ripensare l'educazione medica: un invito all'azione.Akkad.medicinale.88, 1407–1410 (2013).
McCoy, LG ecc. Cosa devono veramente sapere gli studenti di medicina sull'intelligenza artificiale?Numeri NPZh.Medicina 3, 1–3 (2020).
Dos Santos, DP, et al.Atteggiamento degli studenti di medicina nei confronti dell'intelligenza artificiale: un'indagine multicentrica.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.Identificazione dei bambini a rischio molto basso di lesioni cerebrali clinicamente significative dopo un trauma cranico: uno studio prospettico di coorte.Lancetta 374, 1160–1170 (2009).
Street, WN, Wolberg, WH e Mangasarian, OL.Estrazione delle caratteristiche nucleari per la diagnosi del tumore al seno.Scienze Biomediche.Elaborazione delle immagini.Scienze Biomediche.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. e Peng, L. Come sviluppare modelli di apprendimento automatico per l'assistenza sanitaria.Naz.Opaco.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: interpretazione visiva di reti profonde tramite localizzazione basata su gradiente.Atti della conferenza internazionale IEEE sulla visione artificiale, 618–626 (2017).
Kumaravel B, Stewart K e Ilic D. Sviluppo e valutazione di un modello a spirale per valutare le competenze mediche basate sull'evidenza utilizzando l'OSCE nella formazione medica universitaria.Medicina BMK.insegnare.21, 1–9 (2021).
Kolachalama VB e Garg PS Apprendimento automatico 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 loro prove scientifiche.EURO.radiazione.31, 3797–3804 (2021).
Topol, EJ Medicina ad alte prestazioni: la convergenza dell'intelligenza umana e artificiale.Naz.medicinale.25, 44–56 (2019).
Beda, E. et al.Valutazione centrata sull’uomo di un sistema di deep learning utilizzato 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 nella formazione 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 Biomedical Imaging and Artificial Intelligence Research Cluster dell'Università della British Columbia per il supporto e il finanziamento.
RH, PP, ZH, RS e MA erano responsabili dello sviluppo del contenuto didattico del workshop.RH e PP erano responsabili dello sviluppo degli esempi di programmazione.KYF, OY, MT e PW sono stati responsabili dell'organizzazione logistica del progetto e dell'analisi dei workshop.RH, OY, MT, RS sono stati responsabili della creazione delle figure e delle tabelle.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS sono stati responsabili della stesura e della modifica del documento.
Communication Medicine ringrazia Carolyn McGregor, Fabio Moraes e Aditya Borakati per il loro contributo alla revisione di questo lavoro.
Orario di pubblicazione: 19 febbraio 2024