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 tuo browser (o di disattivare la modalità di compatibilità in Internet Explorer). Nel frattempo, per garantire il supporto continuo, il sito viene visualizzato senza stili o JavaScript.
Le applicazioni dell'intelligenza artificiale (IA) in ambito clinico sono in rapida crescita, ma i programmi di studio delle facoltà di medicina offrono una formazione limitata in questo campo. In questo articolo descriviamo un corso di formazione sull'intelligenza artificiale che abbiamo sviluppato e offerto a studenti di medicina canadesi e formuliamo raccomandazioni per la formazione futura.
L'intelligenza artificiale (IA) in medicina può migliorare l'efficienza sul posto di lavoro e supportare il processo decisionale clinico. Per guidare in modo sicuro l'uso dell'intelligenza artificiale, i medici devono possedere una certa conoscenza in materia. Molti commenti sostengono l'importanza di insegnare i concetti di IA¹, come la spiegazione dei modelli di IA e dei processi di verifica². Tuttavia, sono stati implementati pochi piani strutturati, soprattutto a livello nazionale. Pinto dos Santos et al.³ hanno intervistato 263 studenti di medicina e il 71% ha concordato sulla necessità 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 studenti che spesso possiedono già ampie conoscenze pregresse. Descriviamo la nostra esperienza nell'erogazione di una serie di workshop sull'IA a tre gruppi di studenti di medicina e formuliamo raccomandazioni per la futura formazione medica in questo campo.
Il nostro seminario introduttivo di cinque settimane sull'intelligenza artificiale in medicina, rivolto agli studenti di medicina, si è tenuto tre volte tra febbraio 2019 e aprile 2021. Il programma di ciascun seminario, con una breve descrizione delle modifiche apportate al corso, è illustrato nella Figura 1. Il nostro corso ha tre obiettivi di apprendimento principali: far sì che gli studenti comprendano come vengono elaborati i dati nelle applicazioni di intelligenza artificiale, analizzino la letteratura sull'intelligenza artificiale per le applicazioni cliniche e sfruttino le opportunità di collaborare con ingegneri che sviluppano l'intelligenza artificiale.
La sezione in blu indica l'argomento della lezione, mentre quella in azzurro la sessione interattiva di domande e risposte. La sezione grigia si concentra sulla breve rassegna della letteratura. Le sezioni arancioni presentano casi di studio selezionati che descrivono modelli o tecniche di intelligenza artificiale. La sezione verde è dedicata a un corso di programmazione guidato, progettato per insegnare l'intelligenza artificiale a risolvere problemi clinici e a valutare i modelli. Il contenuto e la durata dei workshop 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 fornito un feedback positivo4. A causa del COVID-19, il secondo workshop si è svolto virtualmente tra ottobre e novembre 2020, con la partecipazione di 222 studenti di medicina e 3 specializzandi provenienti da 8 facoltà di medicina canadesi. Le slide delle presentazioni e il codice sono stati caricati su un sito ad accesso aperto (http://ubcaimed.github.io). Il feedback principale emerso dalla prima edizione 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 ogni sessione a 1 ora, ha semplificato il materiale del corso, ha aggiunto più casi di studio e ha creato programmi boilerplate che hanno permesso ai partecipanti di completare frammenti di codice con un debug minimo (Box 1). Il feedback principale della seconda edizione ha incluso commenti positivi sugli esercizi di programmazione e la richiesta di dimostrare la pianificazione di un progetto di apprendimento automatico. Pertanto, nel nostro terzo workshop, svoltosi virtualmente tra marzo e aprile 2021 per 126 studenti di medicina, abbiamo incluso un maggior numero di esercizi di programmazione interattivi e sessioni di feedback sui progetti, al fine di dimostrare l'impatto dell'applicazione dei concetti appresi durante il workshop sui progetti stessi.
Analisi dei dati: un campo di studio della statistica che identifica modelli significativi nei dati attraverso l'analisi, l'elaborazione e la comunicazione di tali modelli.
Data mining: il processo di identificazione ed estrazione dei dati. Nel contesto dell'intelligenza artificiale, si tratta spesso di grandi quantità di dati, con molteplici variabili per ciascun campione.
Riduzione della dimensionalità: il processo di trasformazione di dati con molte caratteristiche individuali in un numero inferiore di caratteristiche, preservando al contempo le proprietà importanti del set di dati originale.
Caratteristiche (nel contesto dell'intelligenza artificiale): proprietà misurabili di un campione. Spesso utilizzate in modo intercambiabile con "proprietà" o "variabile".
Mappa di 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 che sono altamente predittive.
Modello standard: un modello di intelligenza artificiale esistente, pre-addestrato per svolgere compiti simili.
Test (nel contesto dell'intelligenza artificiale): osservazione di come un modello esegue un compito utilizzando dati che non ha mai incontrato prima.
Addestramento (nel contesto dell'intelligenza artificiale): Fornire a un modello dati e risultati affinché il modello adatti i propri parametri interni per ottimizzare la sua capacità di svolgere compiti utilizzando nuovi dati.
Vettore: matrice di dati. Nell'apprendimento automatico, ogni elemento della matrice rappresenta solitamente una caratteristica univoca del campione.
La Tabella 1 elenca i corsi più recenti di aprile 2021, inclusi gli obiettivi di apprendimento specifici per ogni argomento. Questo workshop è pensato per chi si avvicina per la prima volta al livello tecnico e non richiede conoscenze matematiche superiori a quelle del primo anno di un corso di laurea in medicina. Il corso è stato sviluppato da 6 studenti di medicina e 3 docenti con titoli di studio avanzati in ingegneria. Gli ingegneri stanno sviluppando la teoria dell'intelligenza artificiale da insegnare, mentre gli studenti di medicina stanno apprendendo materiale clinicamente rilevante.
I workshop includono lezioni frontali, casi di studio e programmazione guidata. Nella prima lezione, esaminiamo alcuni concetti di analisi dei dati in biostatistica, tra cui 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 è dovuto a vincoli di tempo e anche al fatto che alcuni studenti universitari avevano una precedente formazione in biostatistica e desideravano approfondire argomenti di apprendimento automatico più specifici. La lezione successiva introduce i metodi moderni e discute la formulazione dei problemi di IA, i vantaggi e i limiti dei modelli di IA e la verifica dei modelli. Le lezioni sono integrate da letteratura e ricerca pratica sui dispositivi di intelligenza artificiale esistenti. Sottolineiamo le competenze necessarie per valutare l'efficacia e la fattibilità di un modello per affrontare quesiti clinici, inclusa la comprensione dei limiti dei dispositivi di intelligenza artificiale esistenti. Ad esempio, abbiamo chiesto agli studenti di interpretare le linee guida per le lesioni craniche pediatriche proposte da Kupperman et al., 5 che implementavano un algoritmo ad albero decisionale di intelligenza artificiale per determinare se una TAC sarebbe stata utile in base all'esame di un medico. Sottolineiamo che questo è un esempio comune di come l'intelligenza artificiale fornisca analisi predittive che i medici possono interpretare, anziché sostituirli.
Negli esempi di programmazione bootstrap open source disponibili (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), mostriamo come eseguire l'analisi esplorativa dei dati, la riduzione della dimensionalità, il caricamento standard del modello e l'addestramento e il test. Utilizziamo i notebook di Google Colaboratory (Google LLC, Mountain View, CA), che consentono di eseguire codice Python da un browser web. La Figura 2 fornisce un esempio di esercizio di programmazione. Questo esercizio prevede la previsione di neoplasie utilizzando il Wisconsin Open Breast Imaging Dataset6 e un algoritmo ad albero decisionale.
Durante la settimana verranno presentati programmi su argomenti correlati e verranno selezionati esempi tratti da applicazioni di intelligenza artificiale già pubblicate. Gli elementi di programmazione saranno inclusi solo se ritenuti rilevanti per fornire spunti per la futura pratica clinica, ad esempio su come valutare i modelli per determinarne l'idoneità all'uso in studi clinici. Questi esempi culmineranno in un'applicazione completa, end-to-end, che classifica i tumori come benigni o maligni in base ai parametri delle immagini mediche.
Eterogeneità delle conoscenze pregresse. I nostri partecipanti presentavano livelli di conoscenza matematica differenti. Ad esempio, gli studenti con una formazione ingegneristica avanzata erano alla ricerca di materiale più approfondito, come ad esempio come eseguire autonomamente le trasformate di Fourier. Tuttavia, discutere l'algoritmo di Fourier in classe non è possibile perché richiede una conoscenza approfondita dell'elaborazione dei segnali.
Si è registrato un calo di presenze. La partecipazione agli incontri di follow-up è diminuita, soprattutto in formato online. Una possibile soluzione potrebbe essere quella di monitorare le presenze e rilasciare un attestato di partecipazione. Le facoltà di medicina sono note per riconoscere le trascrizioni delle attività accademiche extracurriculari degli studenti, il che può incoraggiarli a proseguire gli studi.
Progettazione del corso: Poiché l'IA abbraccia così tanti sottocampi, selezionare i concetti chiave con la giusta profondità e ampiezza può essere una sfida. Ad esempio, la continuità d'uso degli strumenti di IA dal laboratorio alla clinica è un argomento importante. Pur trattando 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 sull'IA, concentrandoci invece sui concetti di IA più specifici. Il nostro principio guida è migliorare la comprensione, 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 le mappe di attivazione del gradiente, che possono visualizzare quali regioni dei dati sono prevedibili. Tuttavia, ciò richiede il calcolo multivariato e non può essere introdotto in questo corso8. Sviluppare 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" viene descritta come una "variabile" o un "attributo".
Conservazione delle conoscenze. Poiché l'applicazione dell'IA è limitata, resta da vedere in che misura i partecipanti conserveranno le conoscenze. I programmi di studio delle facoltà di medicina spesso si basano sulla ripetizione distanziata per rafforzare le conoscenze durante le rotazioni pratiche,9 un approccio che può essere applicato anche alla formazione sull'IA.
La professionalità è più importante della competenza linguistica. La profondità del materiale è stata concepita senza un rigore matematico, che rappresentava un problema al momento del lancio dei corsi clinici di 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 configurare un ambiente di programmazione completo.
Preoccupazioni relative all'intelligenza artificiale affrontate: Esiste una diffusa preoccupazione che l'intelligenza artificiale possa sostituire alcune mansioni cliniche³. Per affrontare questo problema, spieghiamo i limiti dell'IA, incluso il fatto che quasi tutte le tecnologie di IA approvate dagli enti regolatori richiedono la supervisione di un medico¹¹. Sottolineiamo inoltre l'importanza dei bias, poiché gli algoritmi sono soggetti a distorsioni, soprattutto se il set di dati non è diversificato¹². Di conseguenza, un determinato sottogruppo potrebbe essere modellato in modo errato, portando a decisioni cliniche inique.
Le risorse sono disponibili pubblicamente: abbiamo creato risorse accessibili al pubblico, tra cui diapositive delle lezioni e codice sorgente. Sebbene l'accesso ai contenuti sincroni sia limitato a causa dei fusi orari, i contenuti open source rappresentano un metodo pratico per l'apprendimento asincrono, dato che le competenze in materia di intelligenza artificiale non sono presenti in tutte le facoltà di medicina.
Collaborazione interdisciplinare: questo workshop è un'iniziativa congiunta avviata da studenti di medicina e ingegneri per pianificare corsi insieme. Ciò dimostra le opportunità di collaborazione e le lacune di conoscenza in entrambi i settori, consentendo ai partecipanti di comprendere il potenziale ruolo che potranno svolgere 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 utilizza attualmente i livelli di apprendimento 2 (Comprensione), 3 (Applicazione) e 4 (Analisi) della tassonomia di Bloom. Disporre di risorse a livelli di classificazione superiori, come la creazione di progetti, può ulteriormente consolidare le conoscenze. Ciò richiede la collaborazione con esperti clinici per determinare come i temi dell'IA possano essere applicati ai flussi di lavoro clinici e per evitare l'insegnamento di argomenti ripetitivi già inclusi nei curricula medici standard.
Creare casi di studio utilizzando l'IA. Analogamente agli esempi clinici, l'apprendimento basato su casi può rafforzare i concetti astratti evidenziandone la rilevanza per le questioni cliniche. Ad esempio, uno studio condotto tramite workshop ha analizzato il sistema di rilevamento della retinopatia diabetica basato sull'IA di Google¹³ 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 essere padroneggiate, analogamente alle esperienze di apprendimento a rotazione dei tirocinanti clinici. Una possibile soluzione è il modello della classe capovolta (flipped classroom), che ha dimostrato di migliorare la memorizzazione delle conoscenze nell'ambito della formazione ingegneristica¹⁴. In questo modello, gli studenti ripassano il materiale teorico in modo indipendente e il tempo in classe è dedicato alla risoluzione di problemi attraverso casi di studio.
Scalabilità per partecipanti multidisciplinari: Prevediamo che l'adozione dell'IA implichi la collaborazione tra diverse discipline, inclusi medici e professionisti sanitari con vari livelli di formazione. Pertanto, potrebbe essere necessario sviluppare programmi di studio in consultazione con docenti di diversi dipartimenti per adattarne i contenuti alle diverse aree dell'assistenza sanitaria.
L'intelligenza artificiale è una tecnologia all'avanguardia e i suoi concetti fondamentali sono legati alla matematica e all'informatica. Formare il personale sanitario alla comprensione dell'intelligenza artificiale presenta sfide uniche in termini di selezione dei contenuti, rilevanza clinica e metodi di erogazione. Ci auguriamo che le conoscenze acquisite dai workshop sull'IA nell'istruzione possano aiutare i futuri docenti ad adottare approcci innovativi per integrare l'IA nella formazione medica.
Lo script Python di Google Colaboratory è open source ed è disponibile all'indirizzo: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG e Khan, S. Ripensare la formazione medica: un invito all'azione. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG ecc. Cosa devono sapere realmente gli studenti di medicina sull'intelligenza artificiale? Numeri NPZh. Medicina 3, 1–3 (2020).
Dos Santos, DP, et al. Atteggiamenti degli studenti di medicina nei confronti dell'intelligenza artificiale: un'indagine multicentrica. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., e Singla, R. Introduzione all'apprendimento automatico per studenti di medicina: un progetto pilota. J. Med. teach. 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. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH e Mangasarian, OL. Estrazione di caratteristiche nucleari per la diagnosi di tumori 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. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Interpretazione visiva di reti neurali profonde tramite localizzazione basata sul 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 la valutazione delle competenze di medicina basata sull'evidenza mediante OSCE nella formazione medica universitaria. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB e Garg PS Apprendimento automatico e formazione medica. Numeri NPZh. Medicina. 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 Medicina ad alte prestazioni: la convergenza tra intelligenza umana e artificiale. Nat. medicine. 25, 44–56 (2019).
Bede, E. et al. Valutazione centrata sull'uomo di un sistema di apprendimento profondo implementato in ambito clinico per la rilevazione della retinopatia diabetica. Atti della conferenza CHI 2020 sui fattori umani nei sistemi informatici (2020).
Kerr, B. La classe capovolta nella formazione ingegneristica: una rassegna della ricerca. Atti della Conferenza internazionale sull'apprendimento collaborativo interattivo del 2015 (2015).
Gli autori ringraziano Danielle Walker, Tim Salcudin e Peter Zandstra del gruppo di ricerca su imaging biomedico e intelligenza artificiale dell'Università della British Columbia per il supporto e il finanziamento.
RH, PP, ZH, RS e MA sono stati responsabili dello sviluppo dei contenuti didattici del workshop. RH e PP sono stati 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 e RS sono stati responsabili della creazione di figure e tabelle. RH, KYF, PP, ZH, OY, MY, PW, TL, MA e RS sono stati responsabili della stesura e della revisione del documento.
Communication Medicine ringrazia Carolyn McGregor, Fabio Moraes e Aditya Borakati per il loro contributo alla revisione di questo lavoro.
Data di pubblicazione: 19 febbraio 2024