Diolch am ymweld â Nature.com. Mae gan y fersiwn o borwr rydych chi'n ei ddefnyddio gefnogaeth CSS gyfyngedig. I gael y canlyniadau gorau, rydym yn argymell defnyddio fersiwn 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 cymwysiadau deallusrwydd artiffisial clinigol (AI) yn tyfu'n gyflym, ond mae cwricwla ysgolion meddygol presennol yn cynnig addysgu cyfyngedig sy'n cwmpasu'r maes hwn. Yma rydym yn disgrifio cwrs hyfforddi deallusrwydd artiffisial a ddatblygwyd a chyflwynwyd gennym 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 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 eiriol dros 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. Holwyd 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 o gyflwyno cyfres o weithdai AI i dri grŵp o fyfyrwyr meddygol ac yn gwneud argymhellion ar gyfer addysg feddygol yn y dyfodol mewn AI.
Cynhaliwyd ein gweithdy pum wythnos Cyflwyniad i Ddeallusrwydd Artiffisial mewn Meddygaeth ar gyfer myfyrwyr meddygol dair gwaith rhwng Chwefror 2019 ac Ebrill 2021. Dangosir amserlen ar gyfer pob gweithdy, gyda disgrifiad byr o newidiadau i'r cwrs, yn Ffigur 1. Mae gan ein cwrs dri phrif amcan dysgu: 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, ac yn manteisio ar gyfleoedd i gydweithio â pheirianwyr sy'n datblygu deallusrwydd artiffisial.
Glas yw pwnc y ddarlith a glas golau yw'r cyfnod holi ac ateb rhyngweithiol. Yr adran lwyd yw ffocws yr adolygiad llenyddiaeth byr. Yr adrannau oren yw astudiaethau achos dethol sy'n disgrifio modelau neu dechnegau deallusrwydd artiffisial. Gwyrdd yw cwrs rhaglennu dan arweiniad a gynlluniwyd 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 yn rhithwir rhwng Hydref a Thachwedd 2020, gyda 222 o fyfyrwyr meddygol a 3 phreswylydd o 8 ysgol feddygol yng Nghanada yn cofrestru. Mae sleidiau a chod y cyflwyniad wedi'u huwchlwytho i wefan mynediad agored (http://ubcaimed.github.io). Yr adborth allweddol o'r ailadroddiad 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, symleiddiodd ddeunydd y cwrs, ychwanegodd fwy o astudiaethau achos, a chreodd raglenni safonol a oedd yn caniatáu i gyfranogwyr gwblhau darnau cod gyda dadfygio lleiafswm (Blwch 1). Roedd adborth allweddol o'r ailadroddiad 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 yn rhithwir ar gyfer 126 o fyfyrwyr meddygol ym mis Mawrth-Ebrill 2021, fe wnaethom gynnwys mwy o ymarferion codio rhyngweithiol a sesiynau adborth ar brosiectau i ddangos effaith defnyddio cysyniadau gweithdy ar brosiectau.
Dadansoddi Data: Maes astudio mewn ystadegaeth sy'n nodi patrymau ystyrlon mewn data trwy ddadansoddi, prosesu a chyfleu patrymau data.
Cloddio data: y broses o adnabod ac echdynnu 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 wrth gadw priodweddau pwysig y set ddata wreiddiol.
Nodweddion (yng nghyd-destun deallusrwydd artiffisial): priodweddau mesuradwy sampl. Yn aml yn cael ei ddefnyddio'n gyfnewidiol â "priodwedd" neu "newidyn".
Map Actifadu Graddiant: Techneg a ddefnyddir i ddehongli modelau deallusrwydd artiffisial (yn enwedig rhwydweithiau niwral cyfryngol), 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: arae o ddata. Mewn dysgu peirianyddol, mae pob elfen arae fel arfer yn nodwedd unigryw o'r sampl.
Mae Tabl 1 yn rhestru'r cyrsiau diweddaraf ar gyfer mis Ebrill 2021, gan gynnwys amcanion dysgu wedi'u targedu ar gyfer pob pwnc. Bwriedir y gweithdy hwn 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 â graddau uwch mewn peirianneg. Mae peirianwyr yn datblygu damcaniaeth deallusrwydd artiffisial i addysgu, ac mae myfyrwyr meddygol yn dysgu deunydd sy'n berthnasol yn glinigol.
Mae'r gweithdai'n cynnwys darlithoedd, astudiaethau achos, a rhaglennu dan arweiniad. Yn y ddarlith gyntaf, rydym yn adolygu cysyniadau dethol o ddadansoddi data mewn bioystadegau, 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 gan rai myfyrwyr israddedig hyfforddiant blaenorol mewn bioystadegau ac roeddent am ymdrin â phynciau dysgu peirianyddol mwy unigryw. Mae'r ddarlith ddilynol yn cyflwyno dulliau modern ac yn trafod llunio problemau AI, manteision a chyfyngiadau modelau AI, a phrofi modelau. Mae'r darlithoedd yn cael eu hategu gan lenyddiaeth ac ymchwil ymarferol ar ddyfeisiau deallusrwydd artiffisial presennol. Rydym yn pwysleisio'r sgiliau sydd eu hangen i werthuso effeithiolrwydd a hyfywedd 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 anafiadau i'r pen pediatrig a gynigiwyd gan Kupperman et al., 5 a weithredodd algorithm coeden benderfyniad 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 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 gynnal dadansoddiad data archwiliadol, 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. 2, mae Ffigur 2 yn darparu enghraifft o ymarfer rhaglennu. Mae'r ymarfer hwn yn cynnwys rhagweld malaeneddau gan ddefnyddio Set Ddata Delweddu'r Fron Agored Wisconsin6 ac algorithm coeden benderfyniadau.
Cyflwyno rhaglenni drwy gydol yr wythnos ar bynciau cysylltiedig a dewis enghreifftiau o gymwysiadau AI cyhoeddedig. Dim ond os ystyrir eu bod yn berthnasol i roi cipolwg ar ymarfer clinigol yn y dyfodol y cynhwysir elfennau rhaglennu, megis sut i werthuso modelau i benderfynu a ydynt yn barod i'w defnyddio mewn treialon clinigol. Mae'r enghreifftiau hyn yn arwain at gymhwysiad llawn o'r dechrau i'r diwedd sy'n dosbarthu tiwmorau fel rhai diniwed neu falaen yn seiliedig ar baramedrau delwedd feddygol.
Amrywiaeth o wybodaeth flaenorol. Roedd ein cyfranogwyr yn amrywio o ran eu lefel o wybodaeth fathemategol. Er enghraifft, mae myfyrwyr â chefndiroedd peirianneg uwch yn chwilio am ddeunydd mwy manwl, fel sut i gyflawni eu trawsffurfiadau Fourier eu hunain. Fodd bynnag, nid yw trafod yr algorithm Fourier yn y dosbarth yn bosibl oherwydd ei fod yn gofyn am wybodaeth fanwl am brosesu signalau.
All-lif presenoldeb. Gostyngodd presenoldeb mewn cyfarfodydd dilynol, yn enwedig mewn fformatau ar-lein. Un ateb posibl fyddai olrhain presenoldeb a darparu tystysgrif cwblhau. Mae ysgolion meddygol yn hysbys am gydnabod trawsgrifiadau o weithgareddau academaidd allgyrsiol myfyrwyr, a all annog myfyrwyr i ddilyn gradd.
Dyluniad y Cwrs: Gan fod AI yn cwmpasu cymaint o is-feysydd, gall dewis cysyniadau craidd o ddyfnder a lled priodol fod yn heriol. Er enghraifft, mae parhad y defnydd o offer AI o'r labordy i'r clinig yn bwnc pwysig. Er ein bod yn ymdrin â chyn-brosesu data, adeiladu modelau, a dilysu, nid ydym yn cynnwys pynciau fel dadansoddeg data mawr, delweddu rhyngweithiol, neu gynnal 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 dehongliadwyedd. 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-amrywiol 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'r un ystyr, er enghraifft, mewn epidemioleg, disgrifir "nodwedd" fel "newidyn" neu "briodoledd".
Cadw gwybodaeth. Gan fod cymhwysiad deallusrwydd artiffisial yn gyfyngedig, mae'n parhau i fod i'w weld i ba raddau y mae cyfranogwyr yn cadw gwybodaeth. Mae cwricwla ysgolion meddygol yn aml yn dibynnu ar ailadrodd rhwng bylchau i atgyfnerthu gwybodaeth yn ystod cylchdroadau ymarferol,9 y gellir ei gymhwyso hefyd i addysg deallusrwydd artiffisial.
Mae proffesiynoldeb yn bwysicach na llythrennedd. Mae dyfnder y deunydd wedi'i gynllunio 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 wedi’u trafod: Mae pryder eang y gallai deallusrwydd artiffisial ddisodli rhai dyletswyddau clinigol3. I fynd i’r afael â’r mater hwn, rydym yn egluro cyfyngiadau AI, gan gynnwys y ffaith bod bron pob technoleg AI a gymeradwyir gan reoleiddwyr yn gofyn am oruchwyliaeth gan feddyg11. Rydym hefyd yn pwysleisio pwysigrwydd rhagfarn oherwydd bod algorithmau’n dueddol o fod yn rhagfarnllyd, 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 darlith a chod. Er bod mynediad at gynnwys cydamserol yn gyfyngedig oherwydd parthau amser, mae cynnwys ffynhonnell agored yn ddull cyfleus ar gyfer dysgu anghydamserol 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 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 Amcan Dysgu 2 (Dealltwriaeth), 3 (Cymhwyso), a 4 (Dadansoddi) o Dacsonomeg Bloom. Gall cael adnoddau ar lefelau uwch o ddosbarthu, fel creu prosiectau, gryfhau gwybodaeth ymhellach. Mae hyn yn gofyn am weithio gydag arbenigwyr clinigol i benderfynu sut y gellir cymhwyso pynciau AI i lif 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 seiliedig ar achosion atgyfnerthu cysyniadau haniaethol trwy amlygu eu perthnasedd i gwestiynau clinigol. Er enghraifft, dadansoddodd un astudiaeth gweithdy system ganfod retinopathi diabetig Google sy'n seiliedig ar AI 13 i nodi heriau ar hyd y llwybr o'r labordy i'r clinig, megis gofynion dilysu allanol a llwybrau cymeradwyo rheoleiddiol.
Defnyddiwch ddysgu profiadol: Mae sgiliau technegol angen ymarfer wedi'i ffocysu 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 wrthdro, y dywedwyd 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 yn cael ei neilltuo i ddatrys problemau trwy astudiaethau achos.
Graddio ar gyfer cyfranogwyr amlddisgyblaethol: Rydym yn rhagweld y bydd mabwysiadu deallusrwydd artiffisial yn cynnwys cydweithio ar draws sawl disgyblaeth, gan gynnwys meddygon a gweithwyr iechyd proffesiynol cysylltiedig â gwahanol lefelau o hyfforddiant. Felly, efallai y bydd angen datblygu cwricwla ar y cyd â staff o wahanol adrannau i deilwra eu cynnwys i wahanol feysydd gofal iechyd.
Mae deallusrwydd artiffisial yn dechnoleg uchel ac mae ei gysyniadau craidd yn gysylltiedig 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 geir o'r gweithdai AI mewn Addysg yn helpu addysgwyr y dyfodol i gofleidio ffyrdd arloesol o integreiddio AI i addysg feddygol.
Mae sgript Python Google Collaboratory yn ffynhonnell agored ac ar gael yn: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG a Khan, S. Ailystyried 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. Meddygaeth 3, 1–3 (2020).
Dos Santos, DP, ac eraill. Agweddau myfyrwyr meddygol tuag at ddeallusrwydd artiffisial: arolwg aml-ganolfan. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., a Singla, R. Cyflwyniad i ddysgu peirianyddol ar gyfer myfyrwyr meddygol: prosiect peilot. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Nodi plant sydd mewn perygl isel iawn o anaf i'r ymennydd sy'n arwyddocaol yn glinigol ar ôl anaf i'r pen: astudiaeth garfan ragolygol. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH a Mangasarian, OL. Echdynnu nodweddion niwclear ar gyfer diagnosis tiwmor y fron. Gwyddoniaeth Fiofeddygol. Prosesu delweddau. Gwyddoniaeth Fiofeddygol. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. a Peng, L. Sut i ddatblygu modelau dysgu peirianyddol ar gyfer gofal iechyd. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Dehongliad gweledol o rwydweithiau dwfn trwy leoleiddio seiliedig ar raddiant. 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. BMK Medicine. teach. 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: cydgyfeirio deallusrwydd dynol ac artiffisial. Meddygaeth Genedlaethol. 25, 44–56 (2019).
Bede, E. et al. Gwerthusiad sy'n canolbwyntio ar bobl o system ddysgu dwfn a ddefnyddir yn y clinig ar gyfer canfod retinopathi diabetig. Trafodion Cynhadledd CHI 2020 ar Ffactorau Dynol mewn Systemau Cyfrifiadurol (2020).
Kerr, B. Yr ystafell ddosbarth wedi'i gwrthdroi 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 eu cefnogaeth a'u cyllid.
Roedd RH, PP, ZH, RS ac MA yn gyfrifol am ddatblygu cynnwys addysgu'r gweithdy. Roedd RH a PP yn gyfrifol am ddatblygu'r enghreifftiau rhaglennu. Roedd KYF, OY, MT a PW yn gyfrifol am drefnu logistaidd y prosiect a dadansoddi'r gweithdai. Roedd RH, OY, MT, RS yn gyfrifol am greu'r ffigurau a'r tablau. Roedd RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS 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 adolygiad y gwaith hwn.
Amser postio: Chwefror-19-2024