Diolch am ymweld â Nature.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 diweddar o'ch porwr (neu ddiffodd modd cydweddoldeb yn Internet Explorer).Yn y cyfamser, er mwyn sicrhau cefnogaeth barhaus, rydym yn dangos y wefan heb steilio na JavaScript.
Mae cymwysiadau deallusrwydd artiffisial clinigol (AI) yn tyfu'n gyflym, ond mae cwricwla presennol ysgolion meddygol yn cynnig addysgu cyfyngedig sy'n cwmpasu'r maes hwn.Yma rydym yn disgrifio cwrs hyfforddi deallusrwydd artiffisial a ddatblygwyd gennym ac a gyflwynwyd i fyfyrwyr meddygol Canada ac yn gwneud argymhellion ar gyfer hyfforddiant yn y dyfodol.
Gall deallusrwydd artiffisial (AI) mewn meddygaeth wella effeithlonrwydd yn y gweithle a helpu i wneud penderfyniadau clinigol.Er mwyn arwain y defnydd o ddeallusrwydd artiffisial yn ddiogel, rhaid bod gan feddygon rywfaint o ddealltwriaeth o ddeallusrwydd artiffisial.Mae llawer o sylwadau yn argymell addysgu cysyniadau AI1, megis esbonio modelau AI a phrosesau dilysu2.Fodd bynnag, ychydig o gynlluniau strwythuredig sydd wedi'u rhoi ar waith, yn enwedig ar lefel genedlaethol.Pinto dos Santos et al.3.Arolygwyd 263 o fyfyrwyr meddygol a chytunodd 71% eu bod angen hyfforddiant mewn deallusrwydd artiffisial.Mae addysgu deallusrwydd artiffisial i gynulleidfa feddygol yn gofyn am ddylunio gofalus sy'n cyfuno cysyniadau technegol ac annhechnegol ar gyfer myfyrwyr sydd yn aml â gwybodaeth flaenorol helaeth.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 AI yn y dyfodol.
Cynhaliwyd ein gweithdy pum wythnos Cyflwyniad i Ddeallusrwydd Artiffisial mewn Meddygaeth ar gyfer myfyrwyr meddygol deirgwaith rhwng Chwefror 2019 ac Ebrill 2021. Mae amserlen ar gyfer pob gweithdy, gyda disgrifiad byr o'r newidiadau i'r cwrs, i'w gweld yn Ffigur 1. Mae ein cwrs wedi tri amcan dysgu sylfaenol: mae myfyrwyr yn deall sut mae data'n cael ei brosesu mewn cymwysiadau deallusrwydd artiffisial, dadansoddi'r llenyddiaeth deallusrwydd artiffisial ar gyfer cymwysiadau clinigol, a manteisio ar gyfleoedd i gydweithio â pheirianwyr sy'n datblygu deallusrwydd artiffisial.
Glas yw testun y ddarlith a glas golau yw’r cyfnod holi ac ateb rhyngweithiol.Yr adran lwyd yw ffocws yr adolygiad byr o lenyddiaeth.Mae'r adrannau oren yn astudiaethau achos dethol 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 yn seiliedig ar asesiad o anghenion myfyrwyr.
Cynhaliwyd y gweithdy cyntaf ym Mhrifysgol British Columbia o fis Chwefror i fis 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 phreswylydd o 8 ysgol feddygol Canada yn cofrestru.Mae sleidiau cyflwyniad a chod wedi'u huwchlwytho i wefan 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, gwnaeth yr ail weithdy fyrhau pob sesiwn i 1 awr, symleiddio deunydd y cwrs, ychwanegu mwy o astudiaethau achos, a chreu rhaglenni plât boeler a oedd yn caniatáu i gyfranogwyr gwblhau pytiau cod heb fawr o ddadfygio (Blwch 1).Roedd adborth allweddol o'r ail fersiwn yn cynnwys adborth cadarnhaol ar yr ymarferion rhaglennu a chais i ddangos cynllunio ar gyfer prosiect dysgu peirianyddol.Felly, yn ein trydydd gweithdy, a gynhaliwyd fwy neu lai ar gyfer 126 o fyfyrwyr meddygol ym mis Mawrth-Ebrill 2021, fe wnaethom gynnwys mwy o ymarferion codio rhyngweithiol a sesiynau adborth prosiect 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 chyfathrebu patrymau data.
Cloddio data: y broses o adnabod a thynnu data.Yng nghyd-destun deallusrwydd artiffisial, mae hyn yn aml yn fawr, gyda newidynnau lluosog ar gyfer pob sampl.
Lleihau dimensiwn: Y broses o drawsnewid data gyda llawer o nodweddion unigol yn llai o nodweddion tra'n cadw priodweddau pwysig y set ddata wreiddiol.
Nodweddion (yng nghyd-destun deallusrwydd artiffisial): priodweddau mesuradwy sampl.Defnyddir yn aml yn gyfnewidiol ag “eiddo” neu “newidyn”.
Map Cychwyn Graddiant: Techneg a ddefnyddir i ddehongli modelau deallusrwydd artiffisial (yn enwedig rhwydweithiau niwral convolutional), sy'n dadansoddi'r broses o optimeiddio rhan olaf y rhwydwaith i nodi rhanbarthau o ddata neu ddelweddau sy'n hynod ragfynegol.
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 model gyda data a chanlyniadau 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 peiriant, 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 y tu hwnt i flwyddyn gyntaf gradd feddygol israddedig.Datblygwyd y cwrs gan 6 myfyriwr meddygol a 3 athro gyda graddau uwch mewn peirianneg.Mae peirianwyr yn datblygu theori deallusrwydd artiffisial i'w haddysgu, ac mae myfyrwyr meddygol yn dysgu deunydd sy'n glinigol berthnasol.
Mae gweithdai yn 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 bioystadegau ac eisiau ymdrin â phynciau dysgu peirianyddol mwy unigryw.Mae'r ddarlith ddilynol yn cyflwyno dulliau modern ac yn trafod ffurfio problemau AI, manteision a chyfyngiadau modelau AI, a phrofi modelau.Ategir y darlithoedd gan lenyddiaeth ac ymchwil ymarferol ar ddyfeisiadau deallusrwydd artiffisial presennol.Rydym yn pwysleisio’r sgiliau sydd eu hangen i werthuso effeithiolrwydd ac ymarferoldeb model i fynd i’r afael â chwestiynau clinigol, gan gynnwys deall cyfyngiadau dyfeisiau deallusrwydd artiffisial presennol.Er enghraifft, gofynnwyd i fyfyrwyr ddehongli'r canllawiau pediatrig anaf i'r pen a gynigiwyd gan Kupperman et al., 5 a roddodd algorithm coeden penderfyniad deallusrwydd artiffisial ar waith i benderfynu a fyddai sgan CT yn ddefnyddiol yn seiliedig ar archwiliad meddyg.Rydym yn pwysleisio bod hon yn enghraifft gyffredin o AI yn 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 dimensiwnoldeb, llwytho model safonol, a hyfforddiant .a phrofi.Rydym yn defnyddio llyfrau nodiadau Google Colaboratory (Google LLC, Mountain View, CA), sy'n caniatáu gweithredu cod Python o borwr gwe.Yn Ffig. Mae Ffigur 2 yn rhoi enghraifft o ymarfer rhaglennu.Mae'r ymarfer hwn yn cynnwys rhagfynegi malaeneddau gan ddefnyddio Set Ddata Delweddu Bronnau 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 ystyrir eu bod yn berthnasol i ddarparu mewnwelediad i ymarfer clinigol yn y dyfodol y caiff elfennau rhaglennu 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 rhai anfalaen neu falaen yn seiliedig ar baramedrau delwedd feddygol.
Heterogenedd gwybodaeth flaenorol.Roedd ein cyfranogwyr yn amrywio o ran lefel eu gwybodaeth fathemategol.Er enghraifft, mae myfyrwyr â chefndir peirianneg uwch yn chwilio am ddeunydd mwy manwl, fel sut i berfformio eu trawsnewidiadau Fourier eu hunain.Fodd bynnag, nid yw'n bosibl trafod algorithm Fourier yn y dosbarth oherwydd mae angen gwybodaeth fanwl am brosesu signal.
All-lif presenoldeb.Gostyngodd presenoldeb mewn cyfarfodydd dilynol, yn enwedig mewn fformatau ar-lein.Efallai mai un ateb fyddai olrhain presenoldeb a darparu tystysgrif cwblhau.Mae'n hysbys bod ysgolion meddygol yn adnabod trawsgrifiadau o weithgareddau academaidd allgyrsiol myfyrwyr, a all annog myfyrwyr i ddilyn gradd.
Cynllun y Cwrs: Gan fod AI yn rhychwantu cymaint o is-feysydd, gall fod yn heriol dewis cysyniadau craidd o ddyfnder ac ehangder priodol.Er enghraifft, mae parhad y defnydd o 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 dehongliad.Un ffordd o wneud hyn yw defnyddio mapiau actifadu graddiant, sy'n gallu delweddu 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 roeddem yn ceisio esbonio sut i weithio gyda data fel fectorau heb ffurfioldeb mathemategol.Sylwch fod gan dermau gwahanol yr un ystyr, er enghraifft, mewn epidemioleg, disgrifir “nodwedd” fel “amrywiol” neu “briodoledd.”
Cadw gwybodaeth.Oherwydd bod y defnydd o AI yn gyfyngedig, erys i ba raddau y mae cyfranogwyr yn cadw gwybodaeth.Mae cwricwla ysgolion meddygol yn aml yn dibynnu ar ailadrodd bylchau i atgyfnerthu gwybodaeth yn ystod cylchdroadau ymarferol,9 y gellir ei gymhwyso hefyd i addysg AI.
Mae proffesiynoldeb yn bwysicach na llythrennedd.Mae dyfnder y deunydd wedi'i ddylunio heb drylwyredd mathemategol, a oedd yn broblem wrth lansio cyrsiau clinigol mewn deallusrwydd artiffisial.Yn yr enghreifftiau rhaglennu, rydym yn defnyddio rhaglen dempled 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 aethpwyd i’r afael 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 esbonio cyfyngiadau AI, gan gynnwys y ffaith bod angen goruchwyliaeth gan feddygon ar bron pob technoleg AI a gymeradwyir gan reoleiddwyr11.Rydym hefyd yn pwysleisio pwysigrwydd gogwydd oherwydd bod algorithmau yn dueddol o duedd, yn enwedig os nad yw'r set ddata yn amrywiol12.O ganlyniad, gall is-grŵp penodol gael ei fodelu'n 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 darlith a chod.Er bod mynediad at gynnwys cydamserol yn gyfyngedig oherwydd parthau amser, mae cynnwys ffynhonnell agored yn ddull cyfleus ar gyfer dysgu asyncronaidd gan nad yw arbenigedd AI ar gael ym mhob ysgol feddygol.
Cydweithio Rhyngddisgyblaethol: Mae'r gweithdy hwn yn fenter ar y cyd a gychwynnwyd gan fyfyrwyr meddygol i gynllunio cyrsiau ar y cyd â pheirianwyr.Mae hyn yn dangos cyfleoedd cydweithio a bylchau gwybodaeth yn y ddau faes, gan alluogi cyfranogwyr i ddeall y rôl bosibl y gallant ei gyfrannu 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.Mae'r gweithdy hwn ar hyn o bryd yn defnyddio Amcan Dysgu Lefelau 2 (Dealltwriaeth), 3 (Cais), a 4 (Dadansoddiad) Tacsonomeg Bloom.Gall cael adnoddau ar lefelau dosbarthiad 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 amlygu eu perthnasedd i gwestiynau clinigol.Er enghraifft, dadansoddodd un astudiaeth weithdy system canfod retinopathi diabetig 13 sy'n seiliedig ar AI Google i nodi heriau ar hyd y llwybr o'r labordy i'r clinig, megis gofynion dilysu allanol a llwybrau cymeradwyo rheoleiddiol.
Defnyddio dysgu trwy brofiad: Mae sgiliau technegol yn gofyn am ymarfer â ffocws a'u cymhwyso dro ar ôl tro i feistroli, yn debyg i brofiadau dysgu cylchdroi hyfforddeion clinigol.Un ateb posibl yw'r model ystafell ddosbarth wedi'i fflipio, yr adroddwyd ei fod yn gwella cadw gwybodaeth mewn addysg peirianneg14.Yn y model hwn, mae myfyrwyr yn adolygu deunydd damcaniaethol yn annibynnol a neilltuir amser dosbarth i ddatrys problemau trwy astudiaethau achos.
Graddio ar gyfer cyfranogwyr amlddisgyblaethol: Rydym yn rhagweld mabwysiadu AI yn cynnwys cydweithredu ar draws disgyblaethau lluosog, gan gynnwys meddygon a gweithwyr proffesiynol perthynol i iechyd 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 ymwneud â mathemateg a chyfrifiadureg.Mae hyfforddi personél gofal iechyd i ddeall deallusrwydd artiffisial yn cyflwyno heriau unigryw o ran dewis cynnwys, perthnasedd clinigol, a dulliau cyflwyno.Gobeithiwn y bydd y mewnwelediadau a gafwyd o'r gweithdai AI mewn Addysg yn helpu addysgwyr y dyfodol i gofleidio ffyrdd arloesol o integreiddio AI i addysg feddygol.
Mae sgript Python Colaboratory Google yn ffynhonnell agored ac ar gael yn: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG a Khan, S. Ailfeddwl am addysg feddygol: galwad i weithredu.Akkad.meddygaeth.88, 1407–1410 (2013).
McCoy, LG ac ati Beth sydd wir angen i fyfyrwyr meddygol ei wybod am ddeallusrwydd artiffisial?Rhifau NPZh.Meddyginiaeth 3, 1–3 (2020).
Dos Santos, DP, et al.Agweddau myfyrwyr meddygol tuag at ddeallusrwydd artiffisial: arolwg amlganolfan.EWRO.ymbelydredd.29, 1640–1646 (2019).
Fan, KY, Hu, R., a Singla, R. Cyflwyniad i ddysgu peirianyddol ar gyfer myfyrwyr meddygol: prosiect peilot.J. Med.addysgu.54, 1042–1043 (2020).
Cooperman N, et al.Nodi plant sydd â risg isel iawn o anaf i’r ymennydd sy’n arwyddocaol yn glinigol ar ôl anaf i’r pen: astudiaeth garfan arfaethedig.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH a Mangasarian, OL.Echdynnu nodwedd niwclear ar gyfer diagnosis tiwmor y fron.Gwyddor Fiofeddygol.Prosesu delwedd.Gwyddor Fiofeddygol.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. a Peng, L. Sut i ddatblygu modelau dysgu peiriant ar gyfer gofal iechyd.Nat.Mae 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 sy'n seiliedig ar dystiolaeth gan ddefnyddio OSCE mewn addysg feddygol israddedig.Meddyginiaeth BMK.addysgu.21, 1–9 (2021).
Kolachalama VB a Garg PS Dysgu peirianyddol 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: cydgyfeiriant deallusrwydd dynol ac artiffisial.Nat.meddygaeth.25, 44–56 (2019).
Bede, E. et al.Gwerthusiad dynol-ganolog o system dysgu dwfn a ddefnyddir yn y clinig i ganfod retinopathi diabetig.Trafodion Cynhadledd CHI 2020 ar Ffactorau Dynol mewn Systemau Cyfrifiadura (2020).
Kerr, B. Yr ystafell ddosbarth wedi'i fflipio mewn addysg peirianneg: 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 ac 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 ffigyrau a'r tablau.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS oedd yn gyfrifol am ddrafftio a golygu'r ddogfen.
Mae Communication Medicine yn diolch i Carolyn McGregor, Fabio Moraes, ac Aditya Borakati am eu cyfraniadau i'r adolygiad o'r gwaith hwn.
Amser post: Chwefror-19-2024