Matur nuwun kanggo ngunjungi Nature.com.Versi browser sing sampeyan gunakake nduweni dhukungan CSS sing winates.Kanggo asil sing paling apik, disaranake nggunakake versi browser sing luwih anyar (utawa mateni mode kompatibilitas ing Internet Explorer).Ing sawetoro wektu, kanggo njamin dhukungan sing terus-terusan, kita nuduhake situs kasebut tanpa gaya utawa JavaScript.
Aplikasi intelijen buatan klinis (AI) berkembang kanthi cepet, nanging kurikulum sekolah kedokteran sing ana nawakake piwulang sing winates ing wilayah iki.Ing kene kita njlèntrèhaké kursus latihan intelijen buatan sing dikembangaké lan dikirim menyang mahasiswa kedokteran Kanada lan menehi saran kanggo latihan ing mangsa ngarep.
Kecerdasan buatan (AI) ing obat bisa nambah efisiensi ing papan kerja lan mbantu nggawe keputusan klinis.Kanggo nuntun panggunaan intelijen buatan kanthi aman, dokter kudu duwe pangerten babagan intelijen buatan.Akeh komentar sing nyengkuyung mulang konsep AI1, kayata nerangake model AI lan proses verifikasi2.Nanging, sawetara rencana terstruktur wis ditindakake, utamane ing tingkat nasional.Pinto dos Santos dkk.3.263 mahasiswa kedokteran ditliti lan 71% setuju yen dheweke butuh latihan babagan intelijen buatan.Ngajari intelijen buatan kanggo pamirsa medis mbutuhake desain sing ati-ati sing nggabungake konsep teknis lan non-teknis kanggo siswa sing asring duwe kawruh sadurunge.Kita njlèntrèhaké pengalaman kita ngirim seri lokakarya AI kanggo telung klompok mahasiswa medical lan nggawe Rekomendasi kanggo pendidikan medical mbesuk ing AI.
Lokakarya Pengantar Kecerdasan Buatan ing Kedokteran limang minggu kanggo mahasiswa kedokteran dianakake kaping telu antarane Februari 2019 lan April 2021. Jadwal kanggo saben lokakarya, kanthi katrangan ringkes babagan owah-owahan kursus, ditampilake ing Gambar 1. Kursus kita wis telung tujuan sinau utama: siswa ngerti carane data diproses ing aplikasi intelijen buatan, nganalisa literatur intelijen buatan kanggo aplikasi klinis, lan entuk kesempatan kanggo kolaborasi karo insinyur ngembangake intelijen buatan.
Biru minangka topik ceramah lan biru cahya minangka wektu tanya jawab interaktif.Bagean abu-abu minangka fokus tinjauan literatur singkat.Bagean oranye minangka studi kasus sing dipilih sing nggambarake model utawa teknik intelijen buatan.Green minangka kursus pemrograman sing dipandu sing dirancang kanggo mulang intelijen buatan kanggo ngrampungake masalah klinis lan ngevaluasi model.Isi lan durasi lokakarya beda-beda adhedhasar pambiji kabutuhan siswa.
Lokakarya pisanan dianakake ing Universitas British Columbia wiwit Februari nganti April 2019, lan kabeh peserta 8 menehi umpan balik positif4.Amarga COVID-19, lokakarya kapindho dianakake ing Oktober-November 2020, kanthi 222 mahasiswa kedokteran lan 3 warga saka 8 sekolah medis Kanada sing ndhaptar.Slide presentasi lan kode wis diunggah menyang situs akses mbukak (http://ubcaimed.github.io).Umpan balik kunci saka pengulangan pisanan yaiku ceramah sing kuat banget lan materi uga teoritis.Nglayani enem zona wektu sing beda ing Kanada nyebabake tantangan tambahan.Mangkono, bengkel kapindho nyepetake saben sesi dadi 1 jam, nyederhanakake materi kursus, nambahake studi kasus liyane, lan nggawe program boilerplate sing ngidini para peserta ngrampungake potongan kode kanthi debugging minimal (Kotak 1).Umpan balik utama saka iterasi kapindho kalebu umpan balik positif babagan latihan pemrograman lan panjaluk kanggo nduduhake perencanaan proyek pembelajaran mesin.Mula, ing bengkel katelu, sing dianakake meh kanggo 126 siswa medis ing Maret-April 2021, kita kalebu latihan coding sing luwih interaktif lan sesi umpan balik proyek kanggo nuduhake pengaruh nggunakake konsep bengkel ing proyek.
Analisis Data: Bidang studi ing statistika sing ngenali pola sing migunani ing data kanthi nganalisis, ngolah, lan ngomunikasikake pola data.
Data mining: proses ngenali lan ngekstrak data.Ing konteks intelijen buatan, iki asring gedhe, kanthi macem-macem variabel kanggo saben sampel.
Pengurangan dimensi: Proses ngowahi data kanthi akeh fitur individu dadi fitur sing luwih sithik nalika njaga sifat penting saka set data asli.
Karakteristik (ing konteks intelijen buatan): sifat sing bisa diukur saka sampel.Asring digunakake interchangeably karo "properti" utawa "variabel".
Peta Aktivasi Gradien: Teknik sing digunakake kanggo napsirake model intelijen buatan (utamane jaringan saraf convolutional), sing nganalisa proses ngoptimalake bagean pungkasan jaringan kanggo ngenali wilayah data utawa gambar sing prediktif banget.
Model Standar: Model AI sing wis ana sing wis dilatih kanggo nindakake tugas sing padha.
Pengujian (ing konteks intelijen buatan): ngamati carane model nindakake tugas nggunakake data sing durung ditemoni sadurunge.
Latihan (ing konteks intelijen buatan): Nyedhiyakake model kanthi data lan asil supaya model nyetel parameter internal kanggo ngoptimalake kemampuan kanggo nindakake tugas nggunakake data anyar.
Vektor: array data.Ing machine learning, saben unsur array biasane fitur unik saka sampel.
Tabel 1 nampilake kursus paling anyar kanggo April 2021, kalebu target sinau kanggo saben topik.Lokakarya iki ditujokake kanggo sing anyar ing tingkat teknis lan ora mbutuhake kawruh matematika ngluwihi taun pisanan gelar sarjana medis.Kursus kasebut dikembangake dening 6 siswa kedokteran lan 3 guru kanthi gelar sarjana teknik.Insinyur ngembangake teori intelijen buatan kanggo mulang, lan siswa medis sinau materi sing relevan sacara klinis.
Lokakarya kalebu ceramah, studi kasus, lan pemrograman sing dipandu.Ing kuliah pisanan, kita nyemak konsep analisis data sing dipilih ing biostatistik, kalebu visualisasi data, regresi logistik, lan perbandingan statistik deskriptif lan induktif.Sanajan analisis data minangka dhasar intelijen buatan, kita ora kalebu topik kayata data mining, tes signifikansi, utawa visualisasi interaktif.Iki amarga keterbatasan wektu lan uga amarga sawetara siswa sarjana wis latihan sadurunge ing biostatistik lan pengin nutupi topik pembelajaran mesin sing luwih unik.Kuliah sabanjure ngenalake metode modern lan ngrembug formulasi masalah AI, kaluwihan lan watesan model AI, lan uji coba model.Kuliah kasebut dilengkapi karo literatur lan riset praktis babagan piranti intelijen buatan sing wis ana.Kita nandheske katrampilan sing dibutuhake kanggo ngevaluasi efektifitas lan kelayakan model kanggo ngatasi pitakonan klinis, kalebu mangerteni watesan piranti intelijen buatan sing ana.Contone, kita takon siswa kanggo napsirake pedoman cedera sirah pediatrik sing diajokake dening Kupperman et al., 5 sing ngetrapake algoritma wit keputusan intelijen buatan kanggo nemtokake manawa scan CT bakal migunani adhedhasar pemeriksaan dokter.Kita nandheske manawa iki minangka conto umum AI sing nyedhiyakake analytics prediktif kanggo diinterpretasikake dening dokter, tinimbang ngganti dokter.
Ing conto pemrograman bootstrap open source sing kasedhiya (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), kita nuduhake carane nindakake analisis data eksplorasi, pengurangan dimensi, pemuatan model standar, lan latihan. .lan testing.Kita nggunakake notebook Google Colaboratory (Google LLC, Mountain View, CA), sing ngidini kode Python dieksekusi saka browser web.Ing Fig. Figure 2 menehi conto ngleksanani program.Latihan iki kalebu prédhiksi malignancies nggunakake Wisconsin Open Breast Imaging Dataset6 lan algoritma wit keputusan.
Nampilake program sajrone minggu babagan topik sing gegandhengan lan pilih conto saka aplikasi AI sing diterbitake.Elemen pemrograman mung dilebokake yen dianggep cocog kanggo menehi wawasan babagan praktik klinis ing mangsa ngarep, kayata cara ngevaluasi model kanggo nemtokake manawa siap digunakake ing uji klinis.Conto-conto kasebut puncake ing aplikasi end-to-end lengkap sing nggolongake tumor minangka jinak utawa ganas adhedhasar paramèter gambar medis.
Heterogenitas saka kawruh sadurunge.Peserta kita beda-beda ing tingkat kawruh matematika.Contone, siswa kanthi latar mburi teknik maju nggoleki materi sing luwih jero, kayata carane nindakake transformasi Fourier dhewe.Nanging, ngrembug algoritma Fourier ing kelas ora bisa amarga mbutuhake kawruh sing jero babagan pangolahan sinyal.
Outflow rawuh.Rawuh ing rapat-rapat tindak lanjut nolak, utamane ing format online.Solusi bisa uga kanggo nglacak kehadiran lan menehi sertifikat rampung.Sekolah kedokteran dikenal kanggo ngenali transkrip kegiatan akademik ekstrakurikuler siswa, sing bisa nyengkuyung siswa kanggo nggayuh gelar.
Desain Kursus: Amarga AI kalebu akeh subbidang, milih konsep inti kanthi ambane lan jembar sing cocog bisa dadi tantangan.Contone, kesinambungan panggunaan alat AI saka laboratorium menyang klinik minangka topik sing penting.Nalika kita nyakup preprocessing data, mbangun model, lan validasi, kita ora kalebu topik kayata analytics data gedhe, visualisasi interaktif, utawa nganakake uji klinis AI, nanging fokus ing konsep AI sing paling unik.Prinsip tuntunan kita yaiku ningkatake literasi, dudu katrampilan.Contone, mangerteni carane model ngolah fitur input penting kanggo interpretability.Salah siji cara kanggo nindakake iki yaiku nggunakake peta aktivasi gradien, sing bisa nggambarake wilayah data sing bisa diprediksi.Nanging, iki mbutuhake kalkulus multivariate lan ora bisa dienalake8.Ngembangake terminologi umum dadi tantangan amarga kita nyoba nerangake cara nggarap data minangka vektor tanpa formalisme matematika.Elinga yen istilah sing beda duwe makna sing padha, contone, ing epidemiologi, "karakteristik" diterangake minangka "variabel" utawa "atribut."
Penylametan kawruh.Amarga aplikasi AI diwatesi, nganti para peserta nahan kawruh tetep kudu dideleng.Kurikulum sekolah medis asring ngandelake pengulangan jarak kanggo nguatake kawruh sajrone rotasi praktis,9 sing uga bisa ditrapake kanggo pendidikan AI.
Profesionalisme luwih penting tinimbang literasi.Ambane materi kasebut dirancang tanpa kaku matematika, sing dadi masalah nalika ngluncurake kursus klinis ing intelijen buatan.Ing conto program, kita nggunakake program cithakan sing ngidini peserta ngisi lapangan lan mbukak piranti lunak tanpa kudu ngerti carane nyiyapake lingkungan program lengkap.
Keprigelan babagan intelijen buatan sing ditangani: Ana keprihatinan sing nyebar manawa intelijen buatan bisa ngganti sawetara tugas klinis3.Kanggo ngatasi masalah iki, kita nerangake watesan AI, kalebu kasunyatan sing meh kabeh teknologi AI sing disetujoni dening regulator mbutuhake pengawasan dokter11.Kita uga nandheske pentinge bias amarga algoritma cenderung bias, utamane yen kumpulan data ora maneka warna12.Akibate, subkelompok tartamtu bisa dimodelake kanthi ora bener, nyebabake keputusan klinis sing ora adil.
Sumber daya kasedhiya kanggo umum: Kita wis nggawe sumber daya sing kasedhiya kanggo umum, kalebu slide kuliah lan kode.Sanajan akses menyang konten sinkron diwatesi amarga zona wektu, konten open source minangka cara sing trep kanggo sinau asinkron amarga keahlian AI ora kasedhiya ing kabeh sekolah medis.
Kolaborasi Interdisipliner: Lokakarya iki minangka usaha patungan sing diwiwiti dening mahasiswa medis kanggo ngrancang kursus bebarengan karo insinyur.Iki nuduhake kesempatan kolaborasi lan kesenjangan kawruh ing loro wilayah kasebut, ngidini para peserta ngerti peran potensial sing bisa disumbangake ing mangsa ngarep.
Netepake kompetensi inti AI.Nemtokake dhaptar kompetensi nyedhiyakake struktur standar sing bisa digabungake menyang kurikulum medis adhedhasar kompetensi sing ana.Lokakarya iki saiki nggunakake Tujuan Pembelajaran Tataran 2 (Pemahaman), 3 (Aplikasi), lan 4 (Analisis) Taksonomi Bloom.Nduwe sumber daya ing tingkat klasifikasi sing luwih dhuwur, kayata nggawe proyek, bisa nambah kawruh.Iki mbutuhake kerja sama karo ahli klinis kanggo nemtokake cara topik AI bisa ditrapake ing alur kerja klinis lan nyegah piwulang topik sing bola-bali wis kalebu ing kurikulum medis standar.
Nggawe studi kasus nggunakake AI.Kaya conto klinis, sinau adhedhasar kasus bisa nguatake konsep abstrak kanthi nyorot relevansi karo pitakonan klinis.Contone, siji sinau lokakarya nganalisa sistem deteksi retinopati diabetes berbasis AI Google 13 kanggo ngenali tantangan ing dalan saka lab menyang klinik, kayata syarat validasi eksternal lan jalur persetujuan peraturan.
Gunakake sinau pengalaman: Katrampilan teknis mbutuhake praktik fokus lan aplikasi bola-bali kanggo nguasai, padha karo pengalaman sinau puteran para trainee klinis.Salah sawijining solusi potensial yaiku model kelas flipped, sing dilapurake kanggo nambah retensi kawruh ing pendidikan teknik14.Ing model iki, siswa nyemak materi teori kanthi mandiri lan wektu kelas dikhususake kanggo ngrampungake masalah liwat studi kasus.
Scaling kanggo peserta multidisiplin: Kita mbayangake adopsi AI sing nglibatake kolaborasi ing pirang-pirang disiplin, kalebu dokter lan profesional kesehatan sekutu kanthi tingkat latihan sing beda-beda.Mula, kurikulum bisa uga kudu dikembangake kanthi konsultasi karo fakultas saka departemen sing beda-beda kanggo nyetel konten menyang macem-macem bidang perawatan kesehatan.
Kecerdasan buatan yaiku teknologi dhuwur lan konsep inti ana gandhengane karo matematika lan ilmu komputer.Latihan personel kesehatan kanggo mangerteni intelijen buatan menehi tantangan unik ing pilihan konten, relevansi klinis, lan cara pangiriman.Muga-muga wawasan sing dipikolehi saka lokakarya AI ing Pendidikan bakal mbantu para pendidik ing mbesuk nggunakake cara inovatif kanggo nggabungake AI menyang pendhidhikan medis.
Skrip Google Colaboratory Python mbukak sumber lan kasedhiya ing: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG lan Khan, S. Rethinking medical education: a call to action.Akkad.obat.88, 1407–1410 (2013).
McCoy, LG etc. Apa mahasiswa medical tenan kudu ngerti bab intelijen buatan?angka NPZh.Kedokteran 3, 1–3 (2020).
Dos Santos, DP, et al.Sikap mahasiswa medis menyang intelijen buatan: survey multisenter.EURO.radiasi.29, 1640–1646 (2019).
Fan, KY, Hu, R., lan Singla, R. Introduction to machine learning for medical students: a pilot project.J. Med.mulang.54, 1042–1043 (2020).
Cooperman N, et al.Ngenali bocah-bocah kanthi resiko cidera otak sing signifikan sacara klinis sawise cedera sirah: studi kohort prospektif.Lancet 374, 1160-1170 (2009).
Street, WN, Wolberg, WH and Mangasarian, OL.Ekstraksi fitur nuklir kanggo diagnosis tumor payudara.Ilmu Biomedik.Pangolahan gambar.Ilmu Biomedik.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. lan Peng, L. Cara ngembangake model pembelajaran mesin kanggo kesehatan.Nat.Mat.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: Interpretasi visual saka jaringan jero liwat lokalisasi adhedhasar gradien.Prosiding Konferensi Internasional IEEE babagan Visi Komputer, 618–626 (2017).
Kumaravel B, Stewart K lan Ilic D. Pangembangan lan evaluasi model spiral kanggo netepake kompetensi obat adhedhasar bukti nggunakake OSCE ing pendidikan medis sarjana.Kedokteran BMK.mulang.21, 1–9 (2021).
Kolachalama VB lan Garg PS Machine learning lan pendidikan medis.angka NPZh.obat.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. lan de Rooy, M. Kecerdasan buatan ing radiologi: 100 produk komersial lan bukti ilmiah.EURO.radiasi.31, 3797–3804 (2021).
Topol, EJ Obat berkinerja tinggi: konvergensi intelijen manungsa lan buatan.Nat.obat.25, 44–56 (2019).
Bede, E. et al.Evaluasi sing dipusatake manungsa saka sistem pembelajaran jero sing dipasang ing klinik kanggo deteksi retinopati diabetes.Prosiding Konferensi CHI 2020 babagan Faktor Manungsa ing Sistem Komputasi (2020).
Kerr, B. The flipped classroom in engineering education: A review research.Prosiding Konferensi Internasional 2015 babagan Pembelajaran Kolaboratif Interaktif (2015).
Penulis matur nuwun marang Danielle Walker, Tim Salcudin, lan Peter Zandstra saka Biomedical Imaging lan Artificial Intelligence Research Cluster ing Universitas British Columbia kanggo dhukungan lan pendanaan.
RH, PP, ZH, RS lan MA tanggung jawab kanggo ngembangake isi piwulang lokakarya.RH lan PP tanggung jawab kanggo ngembangake conto pemrograman.KYF, OY, MT lan PW tanggung jawab kanggo organisasi logistik proyek lan analisis lokakarya.RH, OY, MT, RS tanggung jawab kanggo nggawe tokoh lan tabel.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS tanggung jawab kanggo nyusun lan nyunting dokumen kasebut.
Komunikasi Kedokteran matur nuwun Carolyn McGregor, Fabio Moraes, lan Aditya Borakati kanggo kontribusi kanggo review karya iki.
Wektu kirim: Feb-19-2024