Nature.com'u ziyaret ettiğiniz için teşekkür ederiz.Kullandığınız tarayıcı sürümünün CSS desteği sınırlıdır.En iyi sonuçları elde etmek için tarayıcınızın daha yeni bir sürümünü kullanmanızı (veya Internet Explorer'da uyumluluk modunu kapatmanızı) öneririz.Bu arada desteğin sürekliliğini sağlamak için siteyi stil veya JavaScript olmadan gösteriyoruz.
Klinik yapay zekanın (AI) uygulamaları hızla büyüyor, ancak mevcut tıp fakültesi müfredatı bu alanı kapsayan sınırlı eğitim sunuyor.Burada geliştirdiğimiz ve Kanadalı tıp öğrencilerine sunduğumuz bir yapay zeka eğitim kursunu anlatacağız ve gelecekteki eğitimler için önerilerde bulunacağız.
Tıpta yapay zeka (AI), işyeri verimliliğini artırabilir ve klinik karar almaya yardımcı olabilir.Yapay zekanın kullanımını güvenli bir şekilde yönlendirmek için doktorların yapay zeka konusunda biraz bilgi sahibi olması gerekir.Birçok yorum, yapay zeka modellerinin ve doğrulama süreçlerinin2 açıklanması gibi yapay zeka kavramlarının1 öğretilmesini savunmaktadır.Ancak, özellikle ulusal düzeyde çok az sayıda yapılandırılmış plan uygulamaya konmuştur.Pinto dos Santos ve ark.3.263 tıp öğrencisine anket uygulandı ve %71'i yapay zeka konusunda eğitime ihtiyaç duyduklarını kabul etti.Yapay zekanın tıbbi bir kitleye öğretilmesi, genellikle kapsamlı ön bilgiye sahip öğrenciler için teknik ve teknik olmayan kavramları birleştiren dikkatli bir tasarım gerektirir.Üç grup tıp öğrencisine bir dizi yapay zeka çalıştayı sunma deneyimimizi anlatıyor ve yapay zeka konusunda gelecekteki tıp eğitimi için önerilerde bulunuyoruz.
Tıp öğrencilerine yönelik beş haftalık Tıpta Yapay Zekaya Giriş çalıştayımız Şubat 2019 ile Nisan 2021 arasında üç kez gerçekleştirildi. Kurstaki değişikliklerin kısa bir açıklamasını içeren her çalıştayın programı Şekil 1'de gösterilmektedir. Kursumuz üç temel öğrenme hedefi: öğrenciler yapay zeka uygulamalarında verilerin nasıl işlendiğini anlamak, klinik uygulamalar için yapay zeka literatürünü analiz etmek ve yapay zekayı geliştiren mühendislerle işbirliği yapma fırsatlarından yararlanmak.
Mavi dersin konusu, açık mavi ise interaktif soru-cevap dönemidir.Gri bölüm, kısa literatür taramasının odak noktasıdır.Turuncu bölümler, yapay zeka modellerini veya tekniklerini açıklayan seçilmiş vaka çalışmalarıdır.Green, yapay zekanın klinik sorunları çözmesini ve modelleri değerlendirmesini öğretmek için tasarlanmış rehberli bir programlama dersidir.Atölyelerin içeriği ve süresi, öğrenci ihtiyaçlarının değerlendirilmesine göre değişir.
İlk çalıştay Şubat-Nisan 2019 tarihleri arasında British Columbia Üniversitesi'nde gerçekleştirildi ve 8 katılımcının tamamı olumlu geri bildirimler verdi4.İkinci çalıştay, COVID-19 nedeniyle Ekim-Kasım 2020'de sanal olarak gerçekleştirildi ve 222 tıp öğrencisi ve Kanada'daki 8 tıp fakültesinden 3 asistan kayıt yaptırdı.Sunum slaytları ve kodları açık erişimli bir siteye (http://ubcaimed.github.io) yüklenmiştir.İlk yinelemenin en önemli geri bildirimi, derslerin çok yoğun ve materyalin fazla teorik olmasıydı.Kanada'nın altı farklı saat diliminde hizmet vermek ek zorluklar doğurmaktadır.Böylece, ikinci çalıştayda her oturum 1 saate kısaltıldı, ders materyali basitleştirildi, daha fazla vaka çalışması eklendi ve katılımcıların kod parçacıklarını minimum hata ayıklamayla tamamlamalarına olanak tanıyan standart programlar oluşturuldu (Kutu 1).İkinci yinelemeden elde edilen önemli geri bildirimler arasında programlama alıştırmalarına ilişkin olumlu geri bildirimler ve bir makine öğrenimi projesinin planlamasını gösterme talebi yer alıyordu.Bu nedenle Mart-Nisan 2021'de 126 tıp öğrencisine sanal olarak gerçekleştirdiğimiz üçüncü çalıştayımızda, atölye konseptlerini kullanmanın projeler üzerindeki etkisini göstermek için daha interaktif kodlama egzersizlerine ve proje geri bildirim oturumlarına yer verdik.
Veri Analizi: Veri modellerini analiz ederek, işleyerek ve ileterek verilerdeki anlamlı kalıpları tanımlayan istatistik alanında bir çalışma alanı.
Veri madenciliği: Veriyi tanımlama ve çıkarma süreci.Yapay zeka bağlamında bu genellikle büyüktür ve her örnek için birden fazla değişken vardır.
Boyut azaltma: Orijinal veri setinin önemli özelliklerini korurken, birçok bireysel özelliğe sahip verileri daha az özelliğe dönüştürme süreci.
Özellikler (yapay zeka bağlamında): bir numunenin ölçülebilir özellikleri.Genellikle “özellik” veya “değişken” ile birbirinin yerine kullanılır.
Gradyan Aktivasyon Haritası: Yapay zeka modellerini (özellikle evrişimli sinir ağlarını) yorumlamak için kullanılan ve yüksek tahmine sahip veri veya görüntü bölgelerini tanımlamak için ağın son bölümünü optimize etme sürecini analiz eden bir teknik.
Standart Model: Benzer görevleri gerçekleştirmek üzere önceden eğitilmiş mevcut bir yapay zeka modeli.
Test etme (yapay zeka bağlamında): Bir modelin daha önce karşılaşmadığı verileri kullanarak bir görevi nasıl yerine getirdiğini gözlemlemek.
Eğitim (yapay zeka bağlamında): Modelin, yeni verileri kullanarak görevleri yerine getirme yeteneğini optimize edecek şekilde iç parametrelerini ayarlaması için veri ve sonuçlar içeren bir model sağlamak.
Vektör: veri dizisi.Makine öğreniminde her dizi öğesi genellikle numunenin benzersiz bir özelliğidir.
Tablo 1'de, her konu için hedeflenen öğrenme hedefleri de dahil olmak üzere Nisan 2021'deki en son kurslar listelenmektedir.Bu çalıştay teknik seviyeye yeni başlayanlar için tasarlanmıştır ve tıp lisans diplomasının ilk yılının ötesinde herhangi bir matematik bilgisi gerektirmez.Kurs, mühendislik alanında ileri derecelere sahip 6 tıp öğrencisi ve 3 öğretmen tarafından geliştirildi.Mühendisler öğretmek için yapay zeka teorisi geliştiriyor ve tıp öğrencileri klinik açıdan ilgili materyalleri öğreniyor.
Atölye çalışmaları dersler, vaka çalışmaları ve rehberli programlamayı içerir.İlk derste, veri görselleştirme, lojistik regresyon ve tanımlayıcı ve tümevarımsal istatistiklerin karşılaştırılması da dahil olmak üzere biyoistatistikte seçilmiş veri analizi kavramlarını gözden geçireceğiz.Veri analizi yapay zekanın temeli olmasına rağmen veri madenciliği, önem testi veya etkileşimli görselleştirme gibi konuları hariç tutuyoruz.Bunun nedeni zaman kısıtlamasıydı ve ayrıca bazı lisans öğrencilerinin biyoistatistik konusunda önceden eğitim almış olmaları ve daha benzersiz makine öğrenimi konularını ele almak istemeleriydi.Sonraki derste modern yöntemler tanıtılıyor ve yapay zeka problem formülasyonu, yapay zeka modellerinin avantajları ve sınırlamaları ile model testi tartışılıyor.Dersler, mevcut yapay zeka cihazları üzerine literatür ve pratik araştırmalarla tamamlanmaktadır.Mevcut yapay zeka cihazlarının sınırlamalarının anlaşılması da dahil olmak üzere, klinik soruları ele alacak bir modelin etkililiğini ve fizibilitesini değerlendirmek için gereken becerileri vurguluyoruz.Örneğin, öğrencilerden Kupperman ve ark.5 tarafından önerilen ve doktor muayenesine dayalı olarak CT taramasının faydalı olup olmayacağını belirlemek için yapay zeka karar ağacı algoritması uygulayan pediatrik kafa travması kılavuzunu yorumlamalarını istedik.Bunun, doktorların yerini almak yerine doktorların yorumlayabileceği tahmine dayalı analizler sağlayan yapay zekanın yaygın bir örneği olduğunu vurguluyoruz.
Mevcut açık kaynaklı önyükleme programlama örneklerinde (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), keşfedici veri analizinin, boyut azaltmanın, standart model yüklemenin ve eğitimin nasıl gerçekleştirileceğini gösteriyoruz .ve test etmek.Python kodunun bir web tarayıcısından çalıştırılmasına olanak tanıyan Google Colaboratory not defterlerini (Google LLC, Mountain View, CA) kullanıyoruz.Şekil 2'de bir programlama alıştırmasının bir örneği verilmektedir.Bu alıştırma, Wisconsin Açık Meme Görüntüleme Veri Kümesini6 ve bir karar ağacı algoritmasını kullanarak malignitelerin tahmin edilmesini içerir.
Hafta boyunca ilgili konularda programlar sunun ve yayınlanan yapay zeka uygulamalarından örnekler seçin.Programlama öğeleri yalnızca modellerin klinik araştırmalarda kullanıma hazır olup olmadıklarının belirlenmesi için nasıl değerlendirileceği gibi gelecekteki klinik uygulamalara ilişkin fikir sağlama açısından ilgili oldukları düşünüldüğü takdirde dahil edilir.Bu örnekler, tıbbi görüntü parametrelerine göre tümörleri iyi huylu veya kötü huylu olarak sınıflandıran tam kapsamlı, uçtan uca bir uygulamayla sonuçlanır.
Ön bilgilerin heterojenliği.Katılımcılarımızın matematik bilgi seviyeleri farklılık gösteriyordu.Örneğin, ileri mühendislik geçmişine sahip öğrenciler, kendi Fourier dönüşümlerini nasıl gerçekleştirecekleri gibi daha ayrıntılı materyaller arıyorlar.Ancak Fourier algoritmasını sınıfta tartışmak mümkün değildir çünkü sinyal işleme konusunda derinlemesine bilgi gerektirir.
Katılım çıkışı.Özellikle çevrimiçi formatlarda takip toplantılarına katılım azaldı.Bir çözüm, katılımı takip etmek ve bitirme sertifikası sağlamak olabilir.Tıp fakültelerinin öğrencilerin ders dışı akademik etkinliklerinin transkriptlerini tanıdığı ve bunun da öğrencileri bir diploma almaya teşvik ettiği bilinmektedir.
Kurs Tasarımı: Yapay zeka çok fazla alt alanı kapsadığından, uygun derinlik ve genişliğe sahip temel kavramları seçmek zor olabilir.Örneğin yapay zeka araçlarının laboratuvardan kliniğe kadar kullanımının sürekliliği önemli bir konu.Veri ön işleme, model oluşturma ve doğrulamayı ele alırken, büyük veri analitiği, etkileşimli görselleştirme veya yapay zeka klinik deneylerinin yürütülmesi gibi konuları dahil etmiyoruz; bunun yerine en benzersiz yapay zeka kavramlarına odaklanıyoruz.Yol gösterici ilkemiz becerileri değil, okuryazarlığı geliştirmektir.Örneğin, bir modelin girdi özelliklerini nasıl işlediğini anlamak yorumlanabilirlik açısından önemlidir.Bunu yapmanın bir yolu, verilerin hangi bölgelerinin tahmin edilebilir olduğunu görselleştirebilen gradyan aktivasyon haritalarını kullanmaktır.Ancak bu, çok değişkenli hesaplama gerektirir ve uygulanamaz8.Ortak bir terminoloji geliştirmek zordu çünkü verilerle vektörler halinde nasıl çalışılacağını matematiksel formalizm olmadan açıklamaya çalışıyorduk.Farklı terimlerin aynı anlama geldiğini unutmayın; örneğin epidemiyolojide bir "karakteristik", "değişken" veya "nitelik" olarak tanımlanır.
Bilgi saklama.Yapay zekanın uygulanması sınırlı olduğundan, katılımcıların bilgiyi ne ölçüde elinde tutacağı henüz belli değil.Tıp fakültesi müfredatı, pratik rotasyonlar sırasında bilgiyi güçlendirmek için sıklıkla aralıklı tekrarlara dayanır ve bu, aynı zamanda yapay zeka eğitimine de uygulanabilir.
Profesyonellik okuryazarlıktan daha önemlidir.Materyalin derinliği, yapay zekada klinik kurslar başlatılırken sorun olan matematiksel titizlik olmadan tasarlandı.Programlama örneklerinde, katılımcıların eksiksiz bir programlama ortamını nasıl kuracaklarını anlamalarına gerek kalmadan alanları doldurmalarına ve yazılımı çalıştırmalarına olanak tanıyan bir şablon programı kullanıyoruz.
Yapay zekayla ilgili endişeler giderildi: Yapay zekanın bazı klinik görevlerin yerini alabileceğine dair yaygın endişeler var3.Bu sorunu çözmek için, düzenleyiciler tarafından onaylanan neredeyse tüm yapay zeka teknolojilerinin doktor denetimi gerektirdiği gerçeği de dahil olmak üzere yapay zekanın sınırlamalarını açıklıyoruz11.Ayrıca önyargının önemini de vurguluyoruz çünkü algoritmalar, özellikle veri seti çeşitli değilse, önyargıya eğilimlidir12.Sonuç olarak, belirli bir alt grup yanlış modellenebilir ve bu da adil olmayan klinik kararlara yol açabilir.
Kaynaklar kamuya açıktır: Ders slaytları ve kodlar da dahil olmak üzere kamuya açık kaynaklar oluşturduk.Her ne kadar zaman dilimleri nedeniyle senkronize içeriğe erişim sınırlı olsa da, yapay zeka uzmanlığı tüm tıp fakültelerinde mevcut olmadığından açık kaynak içerik, asenkron öğrenme için uygun bir yöntemdir.
Disiplinlerarası İşbirliği: Bu çalıştay, tıp öğrencilerinin mühendislerle birlikte ders planlamak üzere başlattığı bir ortak girişimdir.Bu, her iki alandaki işbirliği fırsatlarını ve bilgi boşluklarını ortaya koyarak katılımcıların gelecekte katkıda bulunabilecekleri potansiyel rolü anlamalarına olanak tanıyor.
Yapay zekanın temel yetkinliklerini tanımlayın.Bir yeterlilik listesinin tanımlanması, mevcut yeterliliğe dayalı tıp müfredatına entegre edilebilecek standartlaştırılmış bir yapı sağlar.Bu atölyede şu anda Bloom Taksonomisinin 2. (Anlama), 3. (Uygulama) ve 4. (Analiz) Öğrenme Hedefi Seviyeleri kullanılmaktadır.Proje oluşturmak gibi daha yüksek sınıflandırma seviyelerinde kaynaklara sahip olmak bilgiyi daha da güçlendirebilir.Bu, yapay zeka konularının klinik iş akışlarına nasıl uygulanabileceğini belirlemek için klinik uzmanlarla çalışmayı ve halihazırda standart tıp müfredatında yer alan tekrarlanan konuların öğretilmesini önlemeyi gerektirir.
Yapay zekayı kullanarak örnek olay çalışmaları oluşturun.Klinik örneklere benzer şekilde vakaya dayalı öğrenme, soyut kavramların klinik sorularla ilgisini vurgulayarak güçlendirebilir.Örneğin, bir atölye çalışması, laboratuvardan kliniğe giden yolda harici doğrulama gereklilikleri ve düzenleyici onay yolları gibi zorlukları tanımlamak için Google'ın yapay zeka tabanlı diyabetik retinopati tespit sistemini 13 analiz etti.
Deneyimsel öğrenmeyi kullanın: Teknik beceriler, klinik stajyerlerin dönüşümlü öğrenme deneyimlerine benzer şekilde odaklanmış pratik ve uzmanlaşmak için tekrarlanan uygulamalar gerektirir.Potansiyel bir çözüm, mühendislik eğitiminde bilginin kalıcılığını arttırdığı bildirilen ters çevrilmiş sınıf modelidir14.Bu modelde öğrenciler teorik materyali bağımsız olarak gözden geçirir ve ders zamanı vaka çalışmaları yoluyla problemlerin çözümüne ayrılır.
Çok disiplinli katılımcılar için ölçeklendirme: Farklı eğitim seviyelerine sahip doktorlar ve yardımcı sağlık profesyonelleri de dahil olmak üzere birden fazla disiplin arasında işbirliğini içeren yapay zekanın benimsenmesini öngörüyoruz.Bu nedenle müfredatların, içeriklerini sağlık hizmetlerinin farklı alanlarına göre uyarlamak için farklı bölümlerdeki öğretim üyelerine danışılarak geliştirilmesi gerekebilir.
Yapay zeka ileri teknolojidir ve temel kavramları matematik ve bilgisayar bilimleriyle ilgilidir.Sağlık personelinin yapay zekayı anlayacak şekilde eğitilmesi, içerik seçimi, klinik uygunluk ve sunum yöntemleri açısından benzersiz zorluklar sunar.Eğitimde Yapay Zeka çalıştaylarından elde edilen bilgilerin, gelecekteki eğitimcilerin yapay zekayı tıp eğitimine entegre etmenin yenilikçi yollarını benimsemelerine yardımcı olacağını umuyoruz.
Google İşbirliği Python betiği açık kaynaktır ve şu adreste mevcuttur: 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 neyi bilmesi gerekiyor?NPZh numaraları.Tıp 3, 1–3 (2020).
Dos Santos, DP, ve diğerleri.Tıp öğrencilerinin yapay zekaya yönelik tutumları: çok merkezli bir araştırma.EURO.radyasyon.29, 1640–1646 (2019).
Fan, KY, Hu, R. ve Singla, R. Tıp öğrencileri için makine öğrenimine giriş: pilot proje.J. Med.öğretmek.54, 1042–1043 (2020).
Cooperman N, ve diğerleri.Kafa travması sonrası klinik olarak anlamlı beyin hasarı açısından çok düşük risk altındaki çocukların belirlenmesi: ileriye dönük bir kohort çalışması.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ve Mangasarian, OL.Meme tümörü tanısı için nükleer özellik çıkarma.Biyomedikal Bilim.Görüntü işleme.Biyomedikal Bilim.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. ve Peng, L. Sağlık hizmetleri için makine öğrenimi modelleri nasıl geliştirilir.Nat.Mat.18, 410–414 (2019).
Selvaraju, RR ve ark.Grad-cam: Derin ağların gradyan tabanlı yerelleştirme yoluyla görsel olarak yorumlanması.IEEE Uluslararası Bilgisayarlı Görme Konferansı Bildirileri, 618–626 (2017).
Kumaravel B, Stewart K ve Ilic D. Lisans düzeyinde tıp eğitiminde AGİT kullanarak kanıta dayalı tıp yeterliklerini değerlendirmek için sarmal bir modelin geliştirilmesi ve değerlendirilmesi.BMK Tıp.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: insan ve yapay zekanın yakınsaması.Nat.ilaç.25, 44–56 (2019).
Bede, E. ve ark.Diyabetik retinopatinin tespiti için klinikte kullanılan derin öğrenme sisteminin insan merkezli değerlendirmesi.2020 CHI Bilgisayar Sistemlerinde İnsan Faktörleri Konferansı Bildirileri (2020).
Kerr, B. Mühendislik eğitiminde ters çevrilmiş sınıf: Bir araştırma incelemesi.2015 Uluslararası Etkileşimli İşbirliğine Dayalı 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.
Atölye öğretimi içeriğinin geliştirilmesinden RH, PP, ZH, RS ve MA sorumluydu.Programlama örneklerinin geliştirilmesinden RH ve PP sorumluydu.Projenin lojistik organizasyonundan ve çalıştayların analizinden KYF, OY, MT ve PW sorumluydu.Şekil ve tabloların oluşturulmasından RH, OY, MT, RS sorumluydu.Belgenin taslağının hazırlanmasından ve düzenlenmesinden RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS sorumluydu.
İletişim Tıbbı, bu çalışmanın incelenmesine katkılarından dolayı Carolyn McGregor, Fabio Moraes ve Aditya Borakati'ye teşekkür eder.
Gönderim zamanı: Şubat-19-2024