Nature.com'u ziyaret ettiğiniz için teşekkür ederiz. Kullandığınız tarayıcı sürümünde sınırlı CSS desteği vardır. En iyi sonuçlar için, tarayıcınızın daha yeni bir sürümünü kullanmanızı öneririz (veya Internet Explorer'da uyumluluk modunu kapatmanızı). Bu arada, sürekli destek sağlamak için siteyi stil veya JavaScript olmadan gösteriyoruz.
Klinik yapay zekanın (AI) uygulamaları hızla büyüyor, ancak mevcut tıp fakültesi müfredatı bu alanı kapsayan sınırlı öğretim sunuyor. Burada Kanadalı tıp öğrencilerini geliştirdiğimiz ve sunduğumuz ve gelecekteki eğitim için önerilerde bulunduğumuz yapay zeka eğitim kursunu açıklıyoruz.
Tıpta yapay zeka (AI) işyeri verimliliğini artırabilir ve klinik karar almaya yardımcı olabilir. Yapay zeka kullanımına güvenle rehberlik etmek için, doktorların yapay zeka hakkında biraz bilgi sahibi olması gerekir. Birçok yorum, AI modellerini ve doğrulama süreçlerini açıklama gibi AI kavramlarını öğretmeyi savunuyor2. Ancak, özellikle ulusal düzeyde az sayıda yapılandırılmış plan uygulanmıştır. Pinto Dos Santos ve ark.3. 263 tıp öğrencisi araştırıldı ve% 71'i yapay zeka konusunda eğitime ihtiyaç duyduklarını kabul etti. Bir tıbbi kitleye yapay zeka öğretimi, genellikle kapsamlı önceden bilgiye sahip öğrenciler için teknik ve teknik olmayan kavramları birleştiren dikkatli bir tasarım gerektirir. Üç tıp öğrencisine bir dizi AI atölyesi sunma deneyimimizi açıklıyoruz ve AI'da gelecekteki tıp eğitimi için önerilerde bulunuyoruz.
Tıp öğrencileri için Tıpta Yapay Zeka Çalıştayına Beş Haftalık Girişimiz Şubat 2019 ile Nisan 2021 arasında üç kez yapıldı. Her atölye için bir program, kursdaki değişikliklerin kısa bir açıklaması ile gösterilmiştir. Üç temel öğrenme hedefi: Öğrenciler yapay zeka uygulamalarında verilerin nasıl işlendiğini anlar, klinik uygulamalar için yapay zeka literatürünü analiz eder ve yapay zeka geliştiren mühendislerle işbirliği yapma fırsatlarından yararlanırlar.
Mavi dersin konusudur ve açık mavi etkileşimli soru ve cevap dönemidir. Gri bölüm, kısa literatür taramasının odağıdır. Turuncu bölümler yapay zeka modellerini veya tekniklerini tanımlayan seçilmiş vaka çalışmalarıdır. Green, klinik problemleri çözmek ve modelleri değerlendirmek için yapay zeka öğretmek için tasarlanmış rehberli bir programlama kursudur. Çalıştayların içeriği ve süresi, öğrenci ihtiyaçlarının değerlendirilmesine göre değişir.
İlk atölye Şubat'tan Nisan 2019'a kadar British Columbia Üniversitesi'nde yapıldı ve 8 katılımcının hepsi olumlu geri bildirim verdi4. Covid-19 nedeniyle, ikinci çalıştay neredeyse Ekim-Kasım 2020'de düzenlendi, 222 tıp öğrencisi ve 8 Kanada tıp okulundan 3 kişi kayıt yaptı. Sunum slaytları ve kod açık bir erişim sitesine yüklendi (http://ubcaimed.github.io). İlk yinelemeden elde edilen temel geri bildirim, derslerin çok yoğun ve malzemenin çok teorik olmasıydı. Kanada'nın altı farklı zaman dilimine hizmet etmek ek zorluklar doğuruyor. Böylece, ikinci çalıştay her oturumu 1 saate kadar kısalttı, kurs materyalini basitleştirdi, daha fazla vaka çalışması ekledi ve katılımcıların en az hata ayıklama ile kod snippet'lerini tamamlamalarına izin veren kaynar plaka programları oluşturdu (Kutu 1). İkinci yinelemeden gelen önemli geri bildirimler, programlama egzersizleri hakkında olumlu geri bildirimler ve bir makine öğrenimi projesi için planlama gösterme talebini içeriyordu. Bu nedenle, Mart-Nisan 2021'de neredeyse 126 tıp öğrencisi için düzenlenen üçüncü atölyemizde, atölye konseptlerini kullanmanın projeler üzerindeki etkisini göstermek için daha fazla etkileşimli kodlama egzersizi ve proje geri bildirim oturumları ekledik.
Veri analizi: Veri kalıplarını analiz ederek, işleyerek ve ileterek verilerdeki anlamlı kalıpları tanımlayan istatistiklerde bir çalışma alanı.
Veri Madenciliği: Veri tanımlama ve çıkarma işlemi. Yapay zeka bağlamında, bu genellikle büyüktür, her örnek için çoklu değişkenler vardır.
Boyutsallık azaltma: Orijinal veri kümesinin önemli özelliklerini korurken birçok ayrı özelliğe sahip verileri daha az özelliğe dönüştürme işlemi.
Özellikler (yapay zeka bağlamında): bir numunenin ölçülebilir özellikleri. Genellikle “mülk” veya “değişken” ile birbirinin yerine kullanılır.
Gradyan Aktivasyon Haritası: Yapay zeka modellerini (özellikle evrişimsel sinir ağları) yorumlamak için kullanılan bir teknik, ağın son kısmını son derece öngörücü olan bölgeleri tanımlamak için optimize etme sürecini analiz eder.
Standart model: Benzer görevleri yerine getirmek için önceden eğitilmiş mevcut bir AI modeli.
Test (yapay zeka bağlamında): Bir modelin daha önce karşılaşmadığı verileri kullanarak bir görevi nasıl gerçekleştirdiğini gözlemleme.
Eğitim (yapay zeka bağlamında): Modelin yeni veriler kullanarak görev gerçekleştirme yeteneğini optimize etmek için dahili parametrelerini ayarlaması için veri ve sonuçlarla bir modelin sağlanması.
Vektör: veri dizisi. Makine öğreniminde, her dizi öğesi genellikle numunenin benzersiz bir özelliğidir.
Tablo 1, her konu için hedeflenen öğrenme hedefleri de dahil olmak üzere Nisan 2021 için en son kursları listelemektedir. Bu çalıştay, teknik düzeyde yeni olanlar için tasarlanmıştır ve lisans tıbbi derecesinin ilk yılının ötesinde herhangi bir matematiksel bilgi gerektirmez. Kurs, 6 tıp öğrencisi ve mühendislik alanında ileri dereceli 3 öğretmen tarafından geliştirilmiştir. Mühendisler öğretmek için yapay zeka teorisi geliştiriyorlar ve tıp öğrencileri klinik olarak ilgili materyalleri öğreniyorlar.
Çalıştaylar dersler, vaka çalışmaları ve rehberli programlamayı içerir. İlk dersde, veri görselleştirme, lojistik regresyon ve tanımlayıcı ve endüktif istatistiklerin karşılaştırılması dahil olmak üzere biyoistatistikte seçilmiş veri analizi kavramlarını gözden geçiriyoruz. Veri analizi yapay zekanın temeli olsa da, veri madenciliği, önem testi veya etkileşimli görselleştirme gibi konuları hariç tutuyoruz. Bunun nedeni zaman kısıtlamalarından ve ayrıca bazı lisans öğrencilerinin daha önce biyoistatistik eğitimi almaları ve daha benzersiz makine öğrenimi konularını kapsamak istedikleri içindi. Sonraki ders modern yöntemler sunar ve AI problem formülasyonu, AI modellerinin avantajları ve sınırlamaları ve model testlerini tartışır. Dersler, mevcut yapay zeka cihazları üzerinde literatür ve pratik araştırmalarla tamamlanmaktadır. Mevcut yapay zeka cihazlarının sınırlamalarını anlamak da dahil olmak üzere klinik soruları ele almak için bir modelin etkinliğini ve fizibilitesini değerlendirmek için gereken becerileri vurguluyoruz. Örneğin, öğrencilerden bir BT taramasının bir doktor muayenesine dayanarak yararlı olup olmayacağını belirlemek için yapay zeka karar ağacı algoritması uygulayan Kupperman ve ark. 5 tarafından önerilen pediatrik kafa travması kılavuzlarını yorumlamalarını istedik. Bunun doktorların yerini almak yerine, doktorların yorumlaması için öngörücü analitik sağlamanın yaygın bir örneği olduğunu vurguluyoruz.
Mevcut açık kaynaklı bootstrap programlama örnekleri (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), keşif veri analizi, boyutsal azaltma, standart model yükleme ve eğitim nasıl gerçekleştirileceğini gösteriyoruz . ve test. Python kodunun bir web tarayıcısından yürütülmesine izin veren Google Ewhoabatory Notebook'ları (Google LLC, Mountain View, CA) kullanıyoruz. Şekil 2'de Şekil 2, bir programlama egzersizinin bir örneğini sunmaktadır. Bu egzersiz, Wisconsin Açık Meme Görüntüleme Dataset6 ve bir karar ağacı algoritmasını kullanarak malignitelerin öngörülmesini içerir.
İlgili konular hakkında hafta boyunca programları sunun ve yayınlanmış AI uygulamalarından örnekleri seçin. Programlama unsurları, yalnızca klinik çalışmalarda kullanıma hazır olup olmadıklarını belirlemek için modellerin nasıl değerlendirileceği gibi gelecekteki klinik uygulamalar hakkında bilgi verme ile ilgili olarak kabul edilirse dahil edilir. Bu örnekler, tümörleri tıbbi görüntü parametrelerine göre iyi huylu veya malign olarak sınıflandıran tam teşekküllü uçtan uca bir uygulamada doruğa ulaşır.
Önceden bilginin heterojenliği. Katılımcılarımız matematiksel bilgi düzeyinde değişiyorlardı. Örneğin, ileri mühendislik geçmişine sahip öğrenciler, kendi Fourier dönüşümlerini nasıl gerçekleştirecekleri gibi daha derinlemesine malzeme arıyorlar. Bununla birlikte, sınıftaki Fourier algoritmasını tartışmak mümkün değildir, çünkü sinyal işleme hakkında derinlemesine bilgi gerektirir.
Katılım çıkışı. Takip toplantılarına katılım, özellikle çevrimiçi formatlarda azaldı. Bir çözüm, katılımı izlemek ve bir tamamlama sertifikası sağlamak olabilir. Tıp fakültelerinin öğrencilerin ders dışı akademik faaliyetlerinin transkriptlerini tanıdığı bilinmektedir, bu da öğrencileri bir derece sürdürmeye teşvik edebilecektir.
Kurs Tasarımı: AI pek çok alt alan kapsadığından, uygun derinlik ve genişlik temel kavramlarını seçmek zor olabilir. Örneğin, laboratuvardan kliniğe AI araçlarının kullanımının sürekliliği önemli bir konudur. Veri ön işleme, model oluşturma ve doğrulamayı kapsarken, büyük veri analizi, etkileşimli görselleştirme veya AI klinik çalışmalarını yürütme gibi konuları dahil etmiyoruz, bunun yerine en benzersiz AI kavramlarına odaklanıyoruz. Yol gösterici ilkamız becerileri değil okuryazarlığı geliştirmektir. Örneğin, bir modelin giriş özelliklerini nasıl işlediğini anlamak yorumlanabilirlik için önemlidir. Bunu yapmanın bir yolu, verilerin hangi bölgelerinin öngörülebilir olduğunu görselleştirebilen gradyan aktivasyon haritalarını kullanmaktır. Bununla birlikte, bu çok değişkenli hesap gerektirir ve tanıtılamaz8. Ortak bir terminoloji geliştirmek zordu çünkü matematiksel formalizm olmadan verilerle nasıl çalışacağını açıklamaya çalışıyorduk. Farklı terimlerin aynı anlama sahip olduğunu unutmayın, örneğin epidemiyolojide bir “karakteristik” “değişken” veya “öznitelik” olarak tanımlanır.
Bilgi saklama. Yapay zeka uygulaması sınırlı olduğundan, katılımcıların bilgiyi ne ölçüde tuttuğu görülmeye devam etmektedir. Tıp fakültesi müfredatı genellikle AI eğitimine de uygulanabilen pratik rotasyonlar sırasında bilgiyi güçlendirmek için aralıklı tekrarlamaya güvenir.
Profesyonellik okuryazarlıktan daha önemlidir. Malzemenin derinliği, yapay zeka içinde klinik kurslar başlatırken bir sorun olan matematiksel titizlik olmadan tasarlanmıştır. Programlama örneklerinde, katılımcıların tam bir programlama ortamının nasıl kurulacağını anlamadan alanları doldurmalarını ve yazılımı çalıştırmalarını sağlayan bir şablon programı kullanıyoruz.
Yapay zeka ile ilgili endişeler: Yapay zekanın bazı klinik görevlerin yerini alabileceği konusunda yaygın bir endişe vardır3. Bu sorunu ele almak için, düzenleyiciler tarafından onaylanan neredeyse tüm AI teknolojilerinin doktor süpervizörü gerektirmesi de dahil olmak üzere AI'nın sınırlamalarını açıklıyoruz11. Ayrıca önyargının önemini vurguluyoruz çünkü algoritmalar özellikle veri seti çeşitliyse, önyargıya eğilimlidir12. Sonuç olarak, belirli bir alt grup yanlış modellenebilir ve haksız klinik kararlara yol açabilir.
Kaynaklar herkese açıktır: Ders slaytları ve kod dahil olmak üzere herkese açık kaynaklar oluşturduk. Zaman dilimleri nedeniyle senkron içeriğe erişim sınırlı olmasına rağmen, açık kaynak içeriği asenkron öğrenme için uygun bir yöntemdir, çünkü AI uzmanlığı tüm tıp fakültelerinde mevcut değildir.
Disiplinlerarası İşbirliği: Bu çalıştay, tıp öğrencileri tarafından mühendislerle birlikte kurslar planlamak için başlatılan ortak girişimdir. Bu, her iki alanda da işbirliği fırsatlarını ve bilgi boşluklarını gösterir ve katılımcıların gelecekte katkıda bulunabilecekleri potansiyel rolü anlamalarını sağlar.
AI Temel Yetkinlikleri tanımlayın. Bir yeterlilik listesinin tanımlanması, mevcut yeterlilik tabanlı tıbbi müfredata entegre edilebilecek standart bir yapı sağlar. Bu çalıştay şu anda Bloom'un taksonomisinin öğrenme objektif seviyeleri 2 (anlama), 3 (uygulama) ve 4'ü (analiz) kullanmaktadır. Proje oluşturmak gibi daha yüksek sınıflandırma seviyelerinde kaynaklara sahip olmak, bilgiyi daha da güçlendirebilir. Bu, AI konularının klinik iş akışlarına nasıl uygulanabileceğini belirlemek ve standart tıbbi müfredatta bulunan tekrarlayan konuların öğretilmesini önlemek için klinik uzmanlarla çalışmayı gerektirir.
AI kullanarak vaka çalışmaları oluşturun. Klinik örneklere benzer şekilde, vaka temelli öğrenme, klinik sorularla ilgilerini vurgulayarak soyut kavramları güçlendirebilir. Örneğin, bir atölye çalışması, harici doğrulama gereksinimleri ve düzenleyici onay yolları gibi laboratuvardan kliniğe giden yol boyunca zorlukları belirlemek için Google'ın yapay zeka tabanlı diyabetik retinopati tespit sistemi 13'ü analiz etti.
Deneyimsel Öğrenmeyi Kullanın: Teknik Beceriler, klinik kursiyerlerin dönen öğrenme deneyimlerine benzer şekilde, ustaya odaklanmış uygulama ve tekrar tekrar uygulama gerektirir. Potansiyel bir çözüm, mühendislik eğitiminde bilgi tutmayı artırdığı bildirilen çevrilmiş sınıf modelidir14. Bu modelde, öğrenciler teorik materyali bağımsız olarak gözden geçirirler ve sınıf süresi vaka çalışmaları yoluyla problemleri çözmeye ayrılmıştır.
Multidisipliner katılımcılar için ölçeklendirme: Doktorlar ve müttefik sağlık profesyonelleri de dahil olmak üzere birçok disiplin arasında işbirliği içeren AI benimsemeyi öngörüyoruz. Bu nedenle, içeriklerini farklı sağlık hizmetlerine göre uyarlamak için farklı departmanlardan gelen fakülte ile danışarak müfredatın geliştirilmesi gerekebilir.
Yapay zeka yüksek teknolojidir ve temel kavramları matematik ve bilgisayar bilimi ile ilgilidir. Yapay zekayı anlamak için sağlık personelinin eğitimi, içerik seçimi, klinik alaka düzeyi ve teslimat yöntemlerinde benzersiz zorluklar sunar. Eğitim atölyelerinde AI'dan elde edilen içgörülerin gelecekteki eğitimcilerin AI'yi tıp eğitimine entegre etmenin yenilikçi yollarını benimsemelerine yardımcı olacağını umuyoruz.
Google Ewhlaboratory Python komut dosyası açık kaynaklıdır ve şu adresten ulaşılabilir: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG ve Khan, S. Tıp eğitimini yeniden düşünmek: Eylem çağrısı. Akkad. ilaç. 88, 1407–1410 (2013).
McCoy, LG vb. Tıp öğrencilerinin yapay zeka hakkında gerçekten ne bilmesi gerekir? NPZH numaraları. Tıp 3, 1–3 (2020).
Dos Santos, DP, vd. Tıp öğrencilerinin yapay zekaya yönelik tutumları: Çok merkezli bir anket. EURO. radyasyon. 29, 1640-1646 (2019).
Fan, KY, Hu, R. ve Singla, R. Tıp öğrencileri için makine öğrenimine giriş: bir pilot proje. J. Med. öğretmek. 54, 1042-1043 (2020).
Cooperman N, et al. Kafa hasarından sonra klinik olarak anlamlı beyin hasarı riski çok düşük olan çocukların belirlenmesi: prospektif bir kohort çalışması. Lancet 374, 1160–1170 (2009).
Sokak, WN, Wolberg, Wh ve Mangasarian, OL. Meme tümörü tanısı için nükleer özellik ekstraksiyonu. Biyomedikal Bilim. Görüntü işleme. Biyomedikal Bilim. Weiss. 1905, 861-870 (1993).
Chen, Phc, Liu, Y. ve Peng, L. Sağlık hizmetleri için makine öğrenme modelleri nasıl geliştirilir. Nat. Mat. 18, 410-414 (2019).
Selvaraju, RR ve ark. Grad-CAM: DEĞİŞTİRME TEMELLİKLERİ İLE DERİK NETLERİN GÖRÜNÜMÜ YAZILIK. IEEE Uluslararası Bilgisayar Vizyonu Konferansı Bildirileri, 618-626 (2017).
Kumaravel B, Stewart K ve Ilic D. Lisans tıp eğitiminde AGİT kullanarak kanıta dayalı tıp yeterliliklerini değerlendirmek için spiral bir modelin geliştirilmesi ve değerlendirilmesi. BMK Tıbbı. öğretmek. 21, 1–9 (2021).
KOLACHALAMA VB ve GARG PS Makine Öğrenimi ve Tıp Eğitimi. NPZH numaraları. ilaç. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. ve De Rooy, M. Radyolojide yapay zeka: 100 ticari ürün ve bunların bilimsel kanıtları. EURO. radyasyon. 31, 3797-3804 (2021).
Topol, EJ Yüksek Performanslı Tıp: İnsan ve Yapay Zekanın Yakınsaması. Nat. ilaç. 25, 44-56 (2019).
Bede, E. ve ark. Diyabetik retinopatinin saptanması için klinikte konuşlandırılan derin bir öğrenme sisteminin insan merkezli değerlendirilmesi. Bilgisayar Sistemlerinde İnsan Faktörleri Konferansı (2020) 2020 CHI Konferansı Bildirileri.
Kerr, B. Mühendislik Eğitiminde Çevirilmiş Sınıf: Bir Araştırma İncelemesi. 2015 Uluslararası Etkileşimli İşbirlikçi Öğrenme Konferansı Bildirileri (2015).
Yazarlar, Destek ve Finansman için British Columbia Üniversitesi Biyomedikal Görüntüleme ve Yapay Zeka Araştırma Kümesinden Danielle Walker, Tim Salcudin ve Peter Zandstra'ya teşekkür eder.
RH, PP, ZH, RS ve MA, atölye öğretim içeriğinin geliştirilmesinden sorumluydu. RH ve PP, programlama örneklerinin geliştirilmesinden sorumluydu. KYF, Oy, MT ve PW, projenin lojistik organizasyonundan ve atölyelerin analizinden sorumluydu. RH, Oy, MT, RS rakamları ve tabloları oluşturmaktan sorumluydu. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS belgenin hazırlanmasından ve düzenlenmesinden sorumluydu.
İletişim Tıbbı, bu çalışmanın gözden geçirilmesine katkıları için Carolyn McGregor, Fabio Moraes ve Aditya Borakati'ye teşekkür eder.
Zaman Post: 19-2024 Şubat