Diolch am ymweld â natur.com. Mae gan y fersiwn o'r porwr rydych chi'n ei ddefnyddio gefnogaeth CSS gyfyngedig. I gael y canlyniadau gorau, rydym yn argymell defnyddio fersiwn mwy newydd o'ch porwr (neu ddiffodd y modd cydnawsedd yn Internet Explorer). Yn y cyfamser, er mwyn sicrhau cefnogaeth barhaus, rydym yn dangos y wefan heb steilio na JavaScript.
Mae cymhwyso deallusrwydd artiffisial clinigol (AI) yn tyfu'n gyflym, ond mae cwricwla ysgol feddygol bresennol yn cynnig addysgu cyfyngedig sy'n cwmpasu'r ardal hon. Yma rydym yn disgrifio cwrs hyfforddi deallusrwydd artiffisial y gwnaethom ei ddatblygu a'i gyflwyno i fyfyrwyr meddygol Canada a gwneud argymhellion ar gyfer hyfforddiant yn y dyfodol.
Gall deallusrwydd artiffisial (AI) mewn meddygaeth wella effeithlonrwydd yn y gweithle a chynorthwyo gwneud penderfyniadau clinigol. Er mwyn arwain y defnydd o ddeallusrwydd artiffisial yn ddiogel, rhaid i feddygon fod â rhywfaint o ddealltwriaeth o ddeallusrwydd artiffisial. Mae llawer o sylwadau yn cefnogi addysgu cysyniadau AI1, megis egluro modelau AI a phrosesau gwirio2. Fodd bynnag, ychydig o gynlluniau strwythuredig sydd wedi'u gweithredu, yn enwedig ar y lefel genedlaethol. Pinto dos Santos et al.3. Arolygwyd 263 o fyfyrwyr meddygol a chytunodd 71% fod angen hyfforddiant arnynt mewn deallusrwydd artiffisial. Mae angen dyluniad gofalus ar ddysgu deallusrwydd artiffisial i gynulleidfa feddygol sy'n cyfuno cysyniadau technegol ac annhechnegol i fyfyrwyr sydd â gwybodaeth flaenorol helaeth yn aml. Rydym yn disgrifio ein profiad yn cyflwyno cyfres o weithdai AI i dri grŵp o fyfyrwyr meddygol ac yn gwneud argymhellion ar gyfer addysg feddygol yn AI yn y dyfodol.
Cynhaliwyd ein cyflwyniad pum wythnos i weithdy deallusrwydd artiffisial mewn meddygaeth ar gyfer myfyrwyr meddygol dair gwaith rhwng mis Chwefror 2019 ac Ebrill 2021. Dangosir amserlen ar gyfer pob gweithdy, gyda disgrifiad byr o newidiadau i'r cwrs, yn Ffigur 1. Mae ein cwrs wedi cael Tri amcan dysgu cynradd: Mae myfyrwyr yn deall sut mae data'n cael ei brosesu mewn cymwysiadau deallusrwydd artiffisial, yn dadansoddi'r llenyddiaeth deallusrwydd artiffisial ar gyfer cymwysiadau clinigol, a manteisio ar gyfleoedd i gydweithio â pheirianwyr sy'n datblygu deallusrwydd artiffisial.
Glas yw pwnc y ddarlith a glas golau yw'r cyfnod cwestiwn ac ateb rhyngweithiol. Yr adran lwyd yw canolbwynt yr adolygiad llenyddiaeth fer. Mae'r adrannau oren yn astudiaethau achos a ddewiswyd sy'n disgrifio modelau neu dechnegau deallusrwydd artiffisial. Mae Green yn gwrs rhaglennu dan arweiniad sydd wedi'i gynllunio i ddysgu deallusrwydd artiffisial i ddatrys problemau clinigol a gwerthuso modelau. Mae cynnwys a hyd y gweithdai yn amrywio ar sail asesiad o anghenion myfyrwyr.
Cynhaliwyd y gweithdy cyntaf ym Mhrifysgol British Columbia rhwng mis Chwefror ac Ebrill 2019, a rhoddodd pob un o'r 8 cyfranogwr adborth cadarnhaol4. Oherwydd Covid-19, cynhaliwyd yr ail weithdy bron ym mis Hydref-Tachwedd 2020, gyda 222 o fyfyrwyr meddygol a 3 thrigolion o 8 ysgol feddygol Canada yn cofrestru. Mae sleidiau a chod cyflwyniad wedi'u huwchlwytho i safle mynediad agored (http://ubcaimed.github.io). Yr adborth allweddol o'r iteriad cyntaf oedd bod y darlithoedd yn rhy ddwys a'r deunydd yn rhy ddamcaniaethol. Mae gwasanaethu chwe pharth amser gwahanol Canada yn peri heriau ychwanegol. Felly, byrhaodd yr ail weithdy bob sesiwn i 1 awr, symleiddio deunydd y cwrs, ychwanegu mwy o astudiaethau achos, a chreu rhaglenni boilerplate a oedd yn caniatáu i gyfranogwyr gwblhau pytiau cod heb fawr o ddadfygio (Blwch 1). Roedd adborth allweddol o'r ail iteriad yn cynnwys adborth cadarnhaol ar yr ymarferion rhaglennu a chais i ddangos cynllunio ar gyfer prosiect dysgu peiriant. Felly, yn ein trydydd gweithdy, a gynhaliwyd bron ar gyfer 126 o fyfyrwyr meddygol ym mis Mawrth-Ebrill 2021, gwnaethom gynnwys mwy o ymarferion codio rhyngweithiol a sesiynau adborth prosiectau i ddangos effaith defnyddio cysyniadau gweithdy ar brosiectau.
Dadansoddi data: Maes astudio mewn ystadegau sy'n nodi patrymau ystyrlon mewn data trwy ddadansoddi, prosesu a chyfleu patrymau data.
Mwyngloddio Data: Y broses o nodi a thynnu data. Yng nghyd -destun deallusrwydd artiffisial, mae hyn yn aml yn fawr, gyda nifer o newidynnau ar gyfer pob sampl.
Gostyngiad dimensiwn: Y broses o drawsnewid data gyda llawer o nodweddion unigol yn llai o nodweddion wrth warchod priodweddau pwysig y set ddata wreiddiol.
Nodweddion (yng nghyd -destun deallusrwydd artiffisial): Priodweddau mesuradwy sampl. Yn aml yn cael ei ddefnyddio'n gyfnewidiol ag “eiddo” neu “amrywiol”.
Map Actifadu Graddiant: Techneg a ddefnyddir i ddehongli modelau deallusrwydd artiffisial (yn enwedig rhwydweithiau niwral argyhoeddiadol), sy'n dadansoddi'r broses o optimeiddio rhan olaf y rhwydwaith i nodi rhanbarthau o ddata neu ddelweddau sy'n rhagfynegol iawn.
Model Safonol: Model AI presennol sydd wedi'i hyfforddi ymlaen llaw i gyflawni tasgau tebyg.
Profi (yng nghyd -destun deallusrwydd artiffisial): arsylwi sut mae model yn cyflawni tasg gan ddefnyddio data nad yw wedi dod ar ei draws o'r blaen.
Hyfforddiant (yng nghyd -destun deallusrwydd artiffisial): Darparu data a chanlyniadau i fodel fel bod y model yn addasu ei baramedrau mewnol i wneud y gorau o'i allu i gyflawni tasgau gan ddefnyddio data newydd.
Fector: amrywiaeth o ddata. Mewn dysgu â pheiriant, mae pob elfen arae fel arfer yn nodwedd unigryw o'r sampl.
Mae Tabl 1 yn rhestru'r cyrsiau diweddaraf ar gyfer Ebrill 2021, gan gynnwys amcanion dysgu wedi'u targedu ar gyfer pob pwnc. Mae'r gweithdy hwn wedi'i fwriadu ar gyfer y rhai sy'n newydd i'r lefel dechnegol ac nid oes angen unrhyw wybodaeth fathemategol arno y tu hwnt i flwyddyn gyntaf gradd feddygol israddedig. Datblygwyd y cwrs gan 6 myfyriwr meddygol a 3 athro â graddau uwch mewn peirianneg. Mae peirianwyr yn datblygu theori deallusrwydd artiffisial i ddysgu, ac mae myfyrwyr meddygol yn dysgu deunydd sy'n berthnasol yn glinigol.
Mae gweithdai'n cynnwys darlithoedd, astudiaethau achos, a rhaglennu dan arweiniad. Yn y ddarlith gyntaf, rydym yn adolygu cysyniadau dethol o ddadansoddi data mewn biostatistics, gan gynnwys delweddu data, atchweliad logistaidd, a chymharu ystadegau disgrifiadol ac anwythol. Er mai dadansoddi data yw sylfaen deallusrwydd artiffisial, rydym yn eithrio pynciau fel cloddio data, profi arwyddocâd, neu ddelweddu rhyngweithiol. Roedd hyn oherwydd cyfyngiadau amser a hefyd oherwydd bod rhai myfyrwyr israddedig wedi cael hyfforddiant blaenorol mewn biostatistics ac eisiau ymdrin â phynciau dysgu peiriannau mwy unigryw. Mae'r ddarlith ddilynol yn cyflwyno dulliau modern ac yn trafod llunio problemau AI, manteision a chyfyngiadau modelau AI, a phrofi modelau. Ategir y darlithoedd gan lenyddiaeth ac ymchwil ymarferol ar ddyfeisiau deallusrwydd artiffisial presennol. Rydym yn pwysleisio'r sgiliau sy'n ofynnol i werthuso effeithiolrwydd a dichonoldeb model i fynd i'r afael â chwestiynau clinigol, gan gynnwys deall cyfyngiadau dyfeisiau deallusrwydd artiffisial presennol. Er enghraifft, gwnaethom ofyn i fyfyrwyr ddehongli'r canllawiau anafiadau pen pediatreg a gynigiwyd gan Kupperman et al., 5 a weithredodd algorithm coeden penderfyniad deallusrwydd artiffisial i benderfynu a fyddai sgan CT yn ddefnyddiol yn seiliedig ar archwiliad meddyg. Rydym yn pwysleisio bod hon yn enghraifft gyffredin o AI sy'n darparu dadansoddeg ragfynegol i feddygon ei dehongli, yn hytrach na disodli meddygon.
Yn yr enghreifftiau rhaglennu bootstrap ffynhonnell agored sydd ar gael (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), rydym yn dangos sut i berfformio dadansoddiad data archwiliadol, lleihau dimensiwn, lleihau dimensiwn, llwytho model safonol a hyfforddiant . a phrofi. Rydym yn defnyddio llyfrau nodiadau Google Colaboratory (Google LLC, Mountain View, CA), sy'n caniatáu i god Python gael ei weithredu o borwr gwe. Yn Ffig. Mae Ffigur 2 yn rhoi enghraifft o ymarfer rhaglennu. Mae'r ymarfer hwn yn cynnwys rhagweld malaenau gan ddefnyddio set ddata Delweddu Bron Agored Wisconsin6 ac algorithm coeden benderfynu.
Cyflwyno rhaglenni trwy gydol yr wythnos ar bynciau cysylltiedig a dewis enghreifftiau o gymwysiadau AI cyhoeddedig. Dim ond os cânt eu hystyried yn berthnasol i roi mewnwelediad i ymarfer clinigol yn y dyfodol y mae elfennau rhaglennu yn cael eu cynnwys, megis sut i werthuso modelau i benderfynu a ydynt yn barod i'w defnyddio mewn treialon clinigol. Daw'r enghreifftiau hyn i ben gyda chymhwysiad llawn o'r dechrau i'r diwedd sy'n dosbarthu tiwmorau fel anfalaen neu falaen yn seiliedig ar baramedrau delwedd feddygol.
Heterogenedd gwybodaeth flaenorol. Roedd ein cyfranogwyr yn amrywio yn lefel eu gwybodaeth fathemategol. Er enghraifft, mae myfyrwyr â chefndiroedd peirianneg uwch yn chwilio am ddeunydd mwy manwl, megis sut i berfformio eu trawsnewidiadau Fourier eu hunain. Fodd bynnag, nid yw'n bosibl trafod yr algorithm Fourier yn y dosbarth oherwydd mae angen gwybodaeth fanwl am brosesu signal.
All -lif presenoldeb. Dirywiodd presenoldeb mewn cyfarfodydd dilynol, yn enwedig mewn fformatau ar-lein. Efallai mai datrysiad fydd olrhain presenoldeb a darparu tystysgrif gwblhau. Gwyddys bod ysgolion meddygol yn cydnabod trawsgrifiadau o weithgareddau academaidd allgyrsiol myfyrwyr, a all annog myfyrwyr i ddilyn gradd.
Dylunio Cwrs: Oherwydd bod AI yn rhychwantu cymaint o is -feysydd, gall dewis cysyniadau craidd dyfnder ac ehangder priodol fod yn heriol. Er enghraifft, mae parhad defnyddio offer AI o'r labordy i'r clinig yn bwnc pwysig. Er ein bod yn ymdrin â rhagbrosesu data, adeiladu modelau a dilysu, nid ydym yn cynnwys pynciau fel dadansoddeg data mawr, delweddu rhyngweithiol, na chynnal treialon clinigol AI, yn lle hynny rydym yn canolbwyntio ar y cysyniadau AI mwyaf unigryw. Ein hegwyddor arweiniol yw gwella llythrennedd, nid sgiliau. Er enghraifft, mae deall sut mae model yn prosesu nodweddion mewnbwn yn bwysig ar gyfer dealladwyedd. Un ffordd o wneud hyn yw defnyddio mapiau actifadu graddiant, a all ddelweddu pa ranbarthau o'r data sy'n rhagweladwy. Fodd bynnag, mae hyn yn gofyn am galcwlws aml -amrywedd ac ni ellir ei gyflwyno8. Roedd datblygu terminoleg gyffredin yn heriol oherwydd ein bod yn ceisio egluro sut i weithio gyda data fel fectorau heb ffurfioldeb mathemategol. Sylwch fod gan wahanol dermau yr un ystyr, er enghraifft, mewn epidemioleg, disgrifir “nodwedd” fel “newidyn” neu “briodoledd.”
Cadw gwybodaeth. Oherwydd bod cymhwyso AI yn gyfyngedig, mae'r graddau y mae cyfranogwyr yn cadw gwybodaeth i'w weld o hyd. Mae cwricwla ysgolion meddygol yn aml yn dibynnu ar ailadrodd gofod i atgyfnerthu gwybodaeth yn ystod cylchdroadau ymarferol, 9 y gellir eu cymhwyso hefyd i addysg AI.
Mae proffesiynoldeb yn bwysicach na llythrennedd. Dyluniwyd dyfnder y deunydd heb drylwyredd mathemategol, a oedd yn broblem wrth lansio cyrsiau clinigol mewn deallusrwydd artiffisial. Yn yr enghreifftiau rhaglennu, rydym yn defnyddio rhaglen templed sy'n caniatáu i gyfranogwyr lenwi meysydd a rhedeg y feddalwedd heb orfod darganfod sut i sefydlu amgylchedd rhaglennu cyflawn.
Pryderon ynghylch deallusrwydd artiffisial yr ymdriniwyd â hwy: Mae pryder eang y gallai deallusrwydd artiffisial ddisodli rhai dyletswyddau clinigol3. Er mwyn mynd i'r afael â'r mater hwn, rydym yn egluro cyfyngiadau AI, gan gynnwys y ffaith bod angen goruchwylio meddyg ar gyfer bron pob technoleg AI a gymeradwywyd gan reoleiddwyr11. Rydym hefyd yn pwysleisio pwysigrwydd gogwydd oherwydd bod algorithmau yn dueddol o ragfarn, yn enwedig os nad yw'r set ddata yn amrywiol12. O ganlyniad, gellir modelu is -grŵp penodol yn anghywir, gan arwain at benderfyniadau clinigol annheg.
Mae adnoddau ar gael i'r cyhoedd: rydym wedi creu adnoddau sydd ar gael i'r cyhoedd, gan gynnwys sleidiau darlithoedd a chod. Er bod mynediad at gynnwys cydamserol yn gyfyngedig oherwydd parthau amser, mae cynnwys ffynhonnell agored yn ddull cyfleus ar gyfer dysgu asyncronig gan nad yw arbenigedd AI ar gael ym mhob ysgol feddygol.
Cydweithrediad Rhyngddisgyblaethol: Mae'r gweithdy hwn yn fenter ar y cyd a gychwynnwyd gan fyfyrwyr meddygol i gynllunio cyrsiau ynghyd â pheirianwyr. Mae hyn yn dangos cyfleoedd cydweithredu a bylchau gwybodaeth yn y ddau faes, gan ganiatáu i gyfranogwyr ddeall y rôl bosibl y gallant ei chyfrannu yn y dyfodol.
Diffinio cymwyseddau craidd AI. Mae diffinio rhestr o gymwyseddau yn darparu strwythur safonol y gellir ei integreiddio i gwricwla meddygol presennol sy'n seiliedig ar gymhwysedd. Ar hyn o bryd mae'r gweithdy hwn yn defnyddio lefelau gwrthrychol dysgu 2 (deall), 3 (cais), a 4 (dadansoddiad) o dacsonomeg Bloom. Gall cael adnoddau ar lefelau dosbarthu uwch, megis creu prosiectau, gryfhau gwybodaeth ymhellach. Mae hyn yn gofyn am weithio gydag arbenigwyr clinigol i benderfynu sut y gellir cymhwyso pynciau AI i lifoedd gwaith clinigol ac atal addysgu pynciau ailadroddus sydd eisoes wedi'u cynnwys mewn cwricwla meddygol safonol.
Creu astudiaethau achos gan ddefnyddio AI. Yn debyg i enghreifftiau clinigol, gall dysgu ar sail achos atgyfnerthu cysyniadau haniaethol trwy dynnu sylw at eu perthnasedd i gwestiynau clinigol. Er enghraifft, dadansoddodd un astudiaeth gweithdy System Canfod Retinopathi Diabetig sy'n seiliedig ar AI Google i nodi heriau ar hyd y llwybr o labordy i glinig, megis gofynion dilysu allanol a llwybrau cymeradwyo rheoliadol.
Defnyddiwch Ddysgu Profiadol: Mae sgiliau technegol yn gofyn am ymarfer â ffocws a chymhwyso dro ar ôl tro i feistroli, yn debyg i brofiadau dysgu cylchdroi hyfforddeion clinigol. Un ateb posib yw'r model ystafell ddosbarth wedi'i fflipio, yr adroddwyd ei fod yn gwella cadw gwybodaeth mewn addysg beirianneg14. Yn y model hwn, mae myfyrwyr yn adolygu deunydd damcaniaethol yn annibynnol ac mae amser dosbarth wedi'i neilltuo i ddatrys problemau trwy astudiaethau achos.
Sgorio ar gyfer cyfranogwyr amlddisgyblaethol: Rydym yn rhagweld mabwysiadu AI sy'n cynnwys cydweithredu ar draws sawl disgyblaeth, gan gynnwys meddygon a gweithwyr proffesiynol iechyd perthynol sydd â lefelau amrywiol o hyfforddiant. Felly, efallai y bydd angen datblygu cwricwla mewn ymgynghoriad â chyfadran o wahanol adrannau i deilwra eu cynnwys i wahanol feysydd gofal iechyd.
Mae deallusrwydd artiffisial yn uwch-dechnoleg ac mae ei gysyniadau craidd yn gysylltiedig â mathemateg a gwyddoniaeth gyfrifiadurol. Hyfforddi personél gofal iechyd i ddeall deallusrwydd artiffisial yn cyflwyno heriau unigryw wrth ddewis cynnwys, perthnasedd clinigol a dulliau cyflenwi. Gobeithiwn y bydd y mewnwelediadau a gafwyd o'r gweithdai AI mewn Addysg yn helpu addysgwyr y dyfodol i gofleidio ffyrdd arloesol i integreiddio AI i addysg feddygol.
Mae sgript Google Colaboratory Python yn ffynhonnell agored ac ar gael yn: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG a Khan, S. Ailfeddwl Addysg Feddygol: Galwad i Weithredu. Akkad. meddygaeth. 88, 1407–1410 (2013).
McCoy, LG ac ati. Beth sydd angen i fyfyrwyr meddygol ei wybod mewn gwirionedd am ddeallusrwydd artiffisial? Rhifau NPZH. Meddygaeth 3, 1–3 (2020).
Dos Santos, DP, et al. Agweddau myfyrwyr meddygol tuag at ddeallusrwydd artiffisial: arolwg aml -fenter. Ewro. ymbelydredd. 29, 1640–1646 (2019).
Fan, KY, HU, R., a SINGLA, R. Cyflwyniad i Ddysgu Peiriant ar gyfer Myfyrwyr Meddygol: Prosiect Peilot. J. Med. dysgu. 54, 1042–1043 (2020).
Cooperman N, et al. Nodi plant sydd â risg isel iawn o anaf i'r ymennydd arwyddocaol yn glinigol ar ôl anaf i'r pen: astudiaeth ddarpar garfan. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH a Mangasarian, ol. Echdynnu nodwedd niwclear ar gyfer diagnosis tiwmor y fron. Gwyddoniaeth Biofeddygol. Prosesu delwedd. Gwyddoniaeth Biofeddygol. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. a Peng, L. Sut i ddatblygu modelau dysgu peiriannau ar gyfer gofal iechyd. Nat. Matt. 18, 410–414 (2019).
Selvaraju, rr et al. Grad-Cam: Dehongliad gweledol o rwydweithiau dwfn trwy leoleiddio ar sail graddiant. Trafodion Cynhadledd Ryngwladol IEEE ar Weledigaeth Gyfrifiadurol, 618–626 (2017).
Kumaravel B, Stewart K ac ILIC D. Datblygu a gwerthuso model troellog ar gyfer asesu cymwyseddau meddygaeth ar sail tystiolaeth gan ddefnyddio OSCE mewn addysg feddygol israddedig. Meddygaeth BMK. dysgu. 21, 1–9 (2021).
KOLACHALAMA VB a GARG PS Peiriant Dysgu ac Addysg Feddygol. Rhifau NPZH. meddygaeth. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. a De Rooy, M. Deallusrwydd artiffisial mewn radioleg: 100 o gynhyrchion masnachol a'u tystiolaeth wyddonol. Ewro. ymbelydredd. 31, 3797–3804 (2021).
Topol, EJ Meddygaeth Perfformiad Uchel: Cydgyfeirio Deallusrwydd Dynol ac Artiffisial. Nat. meddygaeth. 25, 44–56 (2019).
Bede, E. et al. Gwerthusiad dynol-ganolog o system ddysgu ddwfn a ddefnyddir yn y clinig ar gyfer canfod retinopathi diabetig. Trafodion Cynhadledd 2020 Chi ar Ffactorau Dynol mewn Systemau Cyfrifiadura (2020).
Kerr, B. Yr ystafell ddosbarth wedi'i fflipio mewn Addysg Beirianneg: Adolygiad Ymchwil. Trafodion Cynhadledd Ryngwladol 2015 ar Ddysgu Cydweithredol Rhyngweithiol (2015).
Mae'r awduron yn diolch i Danielle Walker, Tim Salcudin, a Peter Zandstra o'r Clwstwr Ymchwil Delweddu Biofeddygol a Deallusrwydd Artiffisial ym Mhrifysgol British Columbia am gefnogaeth a chyllid.
RH, PP, ZH, RS a MA oedd yn gyfrifol am ddatblygu cynnwys addysgu'r gweithdy. RH a PP oedd yn gyfrifol am ddatblygu'r enghreifftiau rhaglennu. Roedd KYF, OY, MT a PW yn gyfrifol am drefniadaeth logistaidd y prosiect a dadansoddi'r gweithdai. RH, OY, MT, RS oedd yn gyfrifol am greu'r ffigurau a'r byrddau. RH, KYF, PP, ZH, OY, Fy, PW, TL, MA, RS oedd yn gyfrifol am ddrafftio a golygu'r ddogfen.
Mae meddygaeth gyfathrebu yn diolch i Carolyn McGregor, Fabio Moraes, ac Aditya Borakati am eu cyfraniadau at yr adolygiad o'r gwaith hwn.
Amser Post: Chwefror-19-2024