Nature.com'u ziyaret ettiğiniz için teşekkür ederiz. Kullandığınız tarayıcı sürümünün CSS desteği sınırlıdır. En iyi sonuçlar için, tarayıcınızın daha yeni bir sürümünü kullanmanızı (veya Internet Explorer'da uyumluluk modunu kapatmanızı) öneririz. Bu süre zarfında, sürekli destek sağlamak için siteyi stil veya JavaScript olmadan gösteriyoruz.
Klinik yapay zekâ (YZ) uygulamaları hızla artmaktadır, ancak mevcut tıp fakültesi müfredatları bu alanı kapsayan sınırlı bir eğitim sunmaktadır. Burada, Kanada'daki tıp öğrencilerine yönelik geliştirdiğimiz ve sunduğumuz bir yapay zekâ eğitim kursunu tanımlıyor ve gelecekteki eğitimler için önerilerde bulunuyoruz.
Tıpta yapay zekâ (YZ), iş yeri verimliliğini artırabilir ve klinik karar verme süreçlerine yardımcı olabilir. Yapay zekânın güvenli bir şekilde kullanılmasını sağlamak için hekimlerin yapay zekâ hakkında bir miktar bilgi sahibi olması gerekir. Birçok yorum, YZ modellerini ve doğrulama süreçlerini açıklamak gibi YZ kavramlarının öğretilmesini savunmaktadır¹;². Bununla birlikte, özellikle ulusal düzeyde, çok az yapılandırılmış plan uygulanmıştır. Pinto dos Santos ve ark.³ tarafından yapılan bir araştırmada, 263 tıp öğrencisinin %71'inin yapay zekâ eğitimi almaları gerektiği konusunda hemfikir olduğu belirtilmiştir. Tıp alanındaki öğrencilere yapay zekâ öğretmek, genellikle kapsamlı ön bilgiye sahip olan öğrenciler için teknik ve teknik olmayan kavramları birleştiren dikkatli bir tasarım gerektirir. Üç grup tıp öğrencisine yönelik bir dizi YZ atölyesi düzenleme deneyimimizi anlatıyor ve gelecekteki tıp eğitiminde YZ için önerilerde bulunuyoruz.
Tıp öğrencilerine yönelik beş haftalık Yapay Zekaya Giriş Tıp Çalıştayımız, Şubat 2019 ile Nisan 2021 tarihleri arasında üç kez düzenlendi. Her çalıştayın programı ve kursa ilişkin değişikliklerin kısa bir açıklaması Şekil 1'de gösterilmiştir. Kursumuzun üç temel öğrenme hedefi vardır: öğrenciler yapay zeka uygulamalarında verilerin nasıl işlendiğini anlamak, klinik uygulamalar için yapay zeka literatürünü analiz etmek ve yapay zeka geliştiren mühendislerle iş birliği yapma fırsatlarından yararlanmak.
Mavi, dersin konusunu, açık mavi ise etkileşimli soru-cevap bölümünü göstermektedir. Gri bölüm, kısa literatür incelemesinin odak noktasıdır. Turuncu bölümler, yapay zeka modellerini veya tekniklerini açıklayan seçilmiş vaka çalışmalarıdır. Yeşil, klinik sorunları çözmek ve modelleri değerlendirmek için yapay zekayı öğretmeyi amaçlayan rehberli bir programlama kursudur. Atölye çalışmalarının içeriği ve süresi, öğrenci ihtiyaçlarının değerlendirilmesine bağlı olarak değişmektedir.
İlk atölye çalışması Şubat-Nisan 2019 tarihleri arasında British Columbia Üniversitesi'nde gerçekleştirildi ve 8 katılımcının tamamı olumlu geri bildirim verdi4. COVID-19 nedeniyle, ikinci atölye çalışması Ekim-Kasım 2020'de sanal olarak yapıldı ve 8 Kanada tıp fakültesinden 222 tıp öğrencisi ve 3 asistan hekim kayıt yaptırdı. Sunum slaytları ve kodlar açık erişimli bir siteye (http://ubcaimed.github.io) yüklendi. İlk atölye çalışmasından alınan en önemli geri bildirim, derslerin çok yoğun ve materyalin çok teorik olduğu yönündeydi. Kanada'nın altı farklı zaman dilimine hizmet etmek ek zorluklar yaratmaktadır. Bu nedenle, ikinci atölye çalışmasında her oturum 1 saate indirildi, ders materyali basitleştirildi, daha fazla vaka çalışması eklendi ve katılımcıların minimum hata ayıklama ile kod parçacıklarını tamamlamalarına olanak tanıyan şablon programlar oluşturuldu (Kutu 1). İkinci atölye çalışmasından alınan en önemli geri bildirimler arasında programlama egzersizlerine ilişkin olumlu geri bildirimler ve bir makine öğrenimi projesi için planlamanın gösterilmesi talebi yer almaktadır. Bu nedenle, Mart-Nisan 2021'de 126 tıp öğrencisi için sanal ortamda gerçekleştirdiğimiz üçüncü atölye çalışmamızda, atölye kavramlarının projeler üzerindeki etkisini göstermek amacıyla daha fazla etkileşimli kodlama alıştırması ve proje geri bildirim oturumu ekledik.
Veri Analizi: Veri kalıplarını analiz ederek, işleyerek ve ileterek verilerdeki anlamlı kalıpları belirleyen istatistik alanındaki bir çalışma dalıdır.
Veri madenciliği: Verilerin tanımlanması ve çıkarılması süreci. Yapay zeka bağlamında, bu veriler genellikle büyüktür ve her örnek için birden fazla değişken içerir.
Boyut indirgeme: Orijinal veri kümesinin önemli özelliklerini korurken, çok sayıda bireysel özelliğe sahip verileri daha az özelliğe dönüştürme işlemidir.
Özellikler (yapay zekâ bağlamında): Bir örneğin ölçülebilir özellikleri. Genellikle "özellik" veya "değişken" ile eş anlamlı olarak kullanılır.
Gradyan Aktivasyon Haritası: Yapay zeka modellerini (özellikle evrimsel sinir ağlarını) yorumlamak için kullanılan bir tekniktir; ağın son kısmının optimizasyon sürecini analiz ederek, yüksek tahmin gücüne sahip veri veya görüntü bölgelerini belirler.
Standart Model: Benzer görevleri yerine getirmek üzere önceden eğitilmiş mevcut bir yapay zeka modeli.
Yapay zekâ bağlamında test etme: Bir modelin daha önce karşılaşmadığı verileri kullanarak bir görevi nasıl yerine getirdiğini gözlemleme.
Yapay zekâ bağlamında eğitim: Bir modele veri ve sonuçlar sağlayarak, modelin yeni verileri kullanarak görevleri yerine getirme yeteneğini optimize etmek için iç parametrelerini ayarlamasını sağlamak.
Vektör: Veri dizisi. Makine öğreniminde, her dizi elemanı genellikle örneğin benzersiz bir özelliğini temsil eder.
Tablo 1, her konu için hedeflenen öğrenme amaçlarını da içeren, Nisan 2021 için en son kursları listelemektedir. Bu atölye çalışması, teknik düzeyde yeni olanlar için tasarlanmıştır ve tıp fakültesi lisans eğitiminin ilk yılından sonra herhangi bir matematik bilgisi gerektirmez. Kurs, 6 tıp öğrencisi ve mühendislik alanında ileri derecelere sahip 3 öğretmen tarafından geliştirilmiştir. Mühendisler, öğretmek için yapay zeka teorisi geliştiriyor ve tıp öğrencileri klinik olarak ilgili materyaller öğreniyor.
Atölye çalışmaları, dersler, vaka çalışmaları ve rehberli programlamayı içermektedir. İlk derste, veri görselleştirme, lojistik regresyon ve tanımlayıcı ve tümevarımsal istatistiklerin karşılaştırılması da dahil olmak üzere biyoistatistikte veri analizinin seçilmiş kavramlarını gözden geçiriyoruz. Veri analizi yapay zekanın temeli olmasına rağmen, veri madenciliği, anlamlılık testi veya etkileşimli görselleştirme gibi konuları hariç tutuyoruz. Bunun nedeni zaman kısıtlamaları ve ayrıca bazı lisans öğrencilerinin biyoistatistik konusunda önceden eğitim almış olmaları ve daha benzersiz makine öğrenmesi konularını ele almak istemeleridir. Sonraki derste modern yöntemler tanıtılıyor ve yapay zeka problem formülasyonu, yapay zeka modellerinin avantajları ve sınırlamaları ile model testini tartışıyoruz. Dersler, mevcut yapay zeka cihazları üzerine literatür ve pratik araştırmalarla desteklenmektedir. Mevcut yapay zeka cihazlarının sınırlamalarını anlamak da dahil olmak üzere, klinik soruları ele almak için bir modelin etkinliğini ve uygulanabilirliğini değerlendirmek için gereken becerileri vurguluyoruz. Örneğin, öğrencilerden Kupperman ve ark. tarafından önerilen pediatrik kafa travması kılavuzlarını yorumlamalarını istedik. Bu kılavuzlar, bir doktorun muayenesine dayanarak BT taramasının yararlı olup olmadığını belirlemek için yapay zeka karar ağacı algoritmasını uygulamıştır. Burada yapay zekanın hekimlerin yerini almak yerine, hekimlerin yorumlayabileceği tahmine dayalı analizler sağlamasının yaygın bir örneği olduğunu vurguluyoruz.
Mevcut açık kaynaklı bootstrap programlama örneklerinde (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), keşifsel veri analizi, boyut indirgeme, standart model yükleme ve eğitim ve test işlemlerinin nasıl gerçekleştirileceğini gösteriyoruz. Python kodunun bir web tarayıcısından çalıştırılmasına olanak tanıyan Google Colaboratory not defterlerini (Google LLC, Mountain View, CA) kullanıyoruz. Şekil 2, bir programlama alıştırmasının örneğini sunmaktadır. Bu alıştırma, Wisconsin Açık Meme Görüntüleme Veri Kümesi6 ve bir karar ağacı algoritması kullanarak maligniteleri tahmin etmeyi içermektedir.
Hafta boyunca ilgili konular üzerine programlar sunulacak ve yayınlanmış yapay zeka uygulamalarından örnekler seçilecektir. Programlama unsurları, yalnızca gelecekteki klinik uygulamalara dair fikir vermesi açısından önemli olduğu düşünülüyorsa dahil edilecektir; örneğin, modellerin klinik çalışmalarda kullanıma hazır olup olmadığını belirlemek için nasıl değerlendirileceği gibi. Bu örnekler, tıbbi görüntü parametrelerine dayanarak tümörleri iyi huylu veya kötü huylu olarak sınıflandıran tam teşekküllü, uçtan uca bir uygulama ile sonuçlanacaktır.
Ön bilgi düzeyindeki heterojenlik. Katılımcılarımızın matematik bilgisi düzeyi farklılık gösteriyordu. Örneğin, ileri mühendislik geçmişine sahip öğrenciler, kendi Fourier dönüşümlerini nasıl gerçekleştirecekleri gibi daha derinlemesine materyaller arıyorlardı. Ancak, Fourier algoritmasını sınıfta tartışmak mümkün değil çünkü sinyal işleme konusunda derinlemesine bilgi gerektiriyor.
Katılımda azalma. Özellikle çevrimiçi formatlarda olmak üzere, takip toplantılarına katılım azaldı. Bir çözüm, katılımı takip etmek ve tamamlama belgesi sağlamak olabilir. Tıp fakültelerinin öğrencilerin ders dışı akademik faaliyetlerinin transkriptlerini tanıdığı bilinmektedir; bu da öğrencileri bir derece elde etmeye teşvik edebilir.
Ders Tasarımı: Yapay zekâ çok sayıda alt alanı kapsadığından, uygun derinlik ve genişlikte temel kavramlar seçmek zorlayıcı olabilir. Örneğin, yapay zekâ araçlarının laboratuvardan kliniğe kadar kullanımının sürekliliği önemli bir konudur. Veri ön işleme, model oluşturma ve doğrulama konularını ele alırken, büyük veri analitiği, etkileşimli görselleştirme veya yapay zekâ klinik denemeleri yürütme gibi konuları dahil etmiyoruz; bunun yerine en benzersiz yapay zekâ kavramlarına odaklanıyoruz. Yol gösterici ilkemiz becerileri değil, okuryazarlığı geliştirmektir. Örneğin, bir modelin girdi özelliklerini nasıl işlediğini anlamak, yorumlanabilirlik için önemlidir. Bunu yapmanın bir yolu, verilerin hangi bölgelerinin tahmin edilebilir olduğunu görselleştirebilen gradyan aktivasyon haritalarını kullanmaktır. Ancak bu, çok değişkenli hesaplama gerektirir ve tanıtılamaz8. Ortak bir terminoloji geliştirmek zorlayıcıydı çünkü matematiksel formalizm olmadan verilerle vektörler olarak nasıl çalışılacağını açıklamaya çalışıyorduk. Farklı terimlerin aynı anlama geldiğini unutmayın; örneğin, epidemiyolojide bir "özellik", "değişken" veya "nitelik" olarak tanımlanır.
Bilgi kalıcılığı. Yapay zekanın uygulaması sınırlı olduğundan, katılımcıların bilgiyi ne ölçüde koruyacakları henüz belli değil. Tıp fakültesi müfredatları, pratik rotasyonlar sırasında bilgiyi pekiştirmek için genellikle aralıklı tekrar yöntemine başvurmaktadır⁹; bu yöntem yapay zeka eğitimine de uygulanabilir.
Profesyonellik, okuryazarlıktan daha önemlidir. Materyalin derinliği, matematiksel titizlikten bağımsız olarak tasarlanmıştır; bu, yapay zekâ alanındaki klinik kursları başlatırken bir sorun teşkil ediyordu. Programlama örneklerinde, katılımcıların alanları doldurup yazılımı çalıştırmalarına olanak tanıyan, eksiksiz bir programlama ortamı kurmayı öğrenmelerine gerek kalmadan kullanılabilen bir şablon program kullanıyoruz.
Yapay zekâya ilişkin endişeler ele alındı: Yapay zekânın bazı klinik görevlerin yerini alabileceğine dair yaygın bir endişe var³. Bu sorunu ele almak için, düzenleyiciler tarafından onaylanan neredeyse tüm yapay zekâ teknolojilerinin hekim gözetimi gerektirmesi¹¹ de dahil olmak üzere yapay zekânın sınırlamalarını açıklıyoruz. Ayrıca, algoritmaların özellikle veri kümesi çeşitli değilse önyargıya yatkın olması¹² nedeniyle önyargının önemini vurguluyoruz. Sonuç olarak, belirli bir alt grup yanlış modellenebilir ve bu da adil olmayan klinik kararlara yol açabilir.
Kaynaklar herkese açık: Ders slaytları ve kodlar da dahil olmak üzere herkese açık kaynaklar oluşturduk. Zaman dilimleri nedeniyle senkron 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 atölye çalışması, tıp öğrencilerinin mühendislerle birlikte ders planlamak amacıyla başlattığı ortak bir girişimdir. Bu, her iki alandaki işbirliği fırsatlarını ve bilgi eksikliklerini ortaya koyarak katılımcıların gelecekte katkıda bulunabilecekleri potansiyel rolü anlamalarını sağlar.
Yapay zekâ temel yetkinliklerini tanımlayın. Yetkinliklerin bir listesinin tanımlanması, mevcut yetkinlik tabanlı tıp müfredatlarına entegre edilebilecek standartlaştırılmış bir yapı sağlar. Bu atölye çalışması şu anda Bloom Taksonomisi'nin 2. (Anlama), 3. (Uygulama) ve 4. (Analiz) Öğrenme Hedefi Seviyelerini kullanmaktadır. Proje oluşturma gibi daha yüksek sınıflandırma seviyelerinde kaynaklara sahip olmak, bilgiyi daha da güçlendirebilir. Bu, yapay zekâ konularının klinik iş akışlarına nasıl uygulanabileceğini belirlemek ve standart tıp müfredatlarında zaten yer alan tekrarlayan konuların öğretilmesini önlemek için klinik uzmanlarla çalışmayı gerektirir.
Yapay zekâ kullanarak vaka çalışmaları oluşturun. Klinik örneklere benzer şekilde, vaka tabanlı öğrenme, soyut kavramların klinik sorularla olan ilişkisini vurgulayarak bu kavramları pekiştirebilir. Örneğin, bir atölye çalışması, laboratuvardan kliniğe giden yolda karşılaşılan zorlukları (örneğin, harici doğrulama gereksinimleri ve düzenleyici onay süreçleri) belirlemek için Google'ın yapay zekâ tabanlı diyabetik retinopati tespit sistemini 13 analiz etti.
Deneyimsel öğrenmeyi kullanın: Teknik beceriler, klinik stajyerlerin rotasyonlu öğrenme deneyimlerine benzer şekilde, ustalaşmak için odaklanmış uygulama ve tekrarlanan pratik gerektirir. Potansiyel bir çözüm, mühendislik eğitiminde bilgi kalıcılığını iyileştirdiği bildirilen tersine çevrilmiş sınıf modelidir. Bu modelde, öğrenciler teorik materyali bağımsız olarak gözden geçirir ve ders zamanı vaka çalışmaları yoluyla problem çözmeye ayrılır.
Çok disiplinli katılımcılar için ölçeklendirme: Yapay zeka kullanımının, farklı eğitim seviyelerine sahip hekimler ve yardımcı sağlık profesyonelleri de dahil olmak üzere birçok disiplin arasında işbirliğini içereceğini öngörüyoruz. Bu nedenle, müfredatların farklı sağlık hizmeti alanlarına uyarlanabilmesi için farklı bölümlerden öğretim üyeleriyle istişare edilerek geliştirilmesi gerekebilir.
Yapay zekâ yüksek teknoloji ürünüdür ve temel kavramları matematik ve bilgisayar bilimleriyle ilişkilidir. Sağlık personelinin yapay zekâyı anlaması için eğitilmesi, içerik seçimi, klinik uygunluk ve sunum yöntemleri açısından benzersiz zorluklar ortaya koymaktadır. Yapay Zekâ Eğitiminde atölye çalışmalarından elde edilen bilgilerin, gelecekteki eğitimcilerin yapay zekâyı tıp eğitimine entegre etmenin yenilikçi yollarını benimsemelerine yardımcı olacağını umuyoruz.
Google Colaboratory Python betiği açık kaynaklıdır ve şu adreste mevcuttur: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG ve Khan, S. Tıp eğitimini yeniden düşünmek: bir eylem çağrısı. Akkad. tıp. 88, 1407–1410 (2013).
McCoy, LG ve diğerleri. Tıp öğrencilerinin yapay zekâ hakkında gerçekten bilmesi gerekenler nelerdir? NPZh sayıları. Tıp 3, 1–3 (2020).
Dos Santos, DP, ve diğerleri. Tıp öğrencilerinin yapay zekâya 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. teach. 54, 1042–1043 (2020).
Cooperman N, ve diğerleri. Kafa travması sonrası klinik olarak anlamlı beyin hasarı riski çok düşük olan çocukların belirlenmesi: prospektif kohort çalışması. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ve Mangasarian, OL. Meme tümörü tanısı için nükleer özellik çıkarımı. 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. Matt. 18, 410–414 (2019).
Selvaraju, RR ve diğerleri. Grad-cam: Gradyan tabanlı yerelleştirme yoluyla derin ağların görsel yorumlanması. IEEE Uluslararası Bilgisayar Vizyonu Konferansı Bildirileri, 618–626 (2017).
Kumaravel B, Stewart K ve Ilic D. Tıp fakültesi lisans eğitiminde OSCE kullanarak kanıta dayalı tıp yeterliliklerini değerlendirmek için sarmal bir modelin geliştirilmesi ve değerlendirilmesi. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB ve Garg PS Makine öğrenimi ve tıp eğitimi. NPZh sayıları. tıp. 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. medicine. 25, 44–56 (2019).
Bede, E. ve diğerleri. Diyabetik retinopatinin tespiti için klinikte kullanılan derin öğrenme sisteminin insan merkezli değerlendirmesi. 2020 CHI İnsan Faktörleri ve Bilgisayar Sistemleri Konferansı Bildirileri (2020).
Kerr, B. Mühendislik eğitiminde tersine çevrilmiş sınıf modeli: Bir araştırma incelemesi. 2015 Uluslararası Etkileşimli İşbirlikçi Öğrenme Konferansı Bildirileri (2015).
Yazarlar, British Columbia Üniversitesi Biyomedikal Görüntüleme ve Yapay Zeka Araştırma Kümesi'nden Danielle Walker, Tim Salcudin ve Peter Zandstra'ya destekleri ve finansmanları için teşekkür ederler.
RH, PP, ZH, RS ve MA, atölye çalışmalarının öğretim içeriğinin geliştirilmesinden sorumluydu. RH ve PP, programlama örneklerinin geliştirilmesinden sorumluydu. KYF, OY, MT ve PW, projenin lojistik organizasyonundan ve atölye çalışmalarının analizinden sorumluydu. RH, OY, MT, RS, şekil ve tabloların oluşturulmasından sorumluydu. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS, belgenin taslağının hazırlanması ve düzenlenmesinden sorumluydu.
Communication Medicine dergisi, bu çalışmanın incelenmesine katkılarından dolayı Carolyn McGregor, Fabio Moraes ve Aditya Borakati'ye teşekkür eder.
Yayın tarihi: 19 Şubat 2024