Matur nuwun sampun 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). Kangge, kanggo njamin dhukungan sing terus-terusan, kita nampilake situs tanpa gaya utawa JavaScript.
Aplikasi kecerdasan buatan klinis (AI) saya tambah cepet, nanging kurikulum sekolah kedokteran sing ana saiki mung nawakake pengajaran sing winates sing nyakup babagan iki. Ing kene kita njlentrehake kursus pelatihan kecerdasan buatan sing dikembangake lan diwenehake marang mahasiswa kedokteran Kanada lan menehi rekomendasi kanggo pelatihan ing mangsa ngarep.
Kecerdasan buatan (AI) ing kedokteran bisa ningkatake efisiensi papan kerja lan mbantu pengambilan keputusan klinis. Kanggo nuntun panggunaan kecerdasan buatan kanthi aman, dokter kudu duwe pangerten babagan kecerdasan buatan. Akeh komentar sing ndhukung mulang konsep AI1, kayata nerangake model AI lan proses verifikasi2. Nanging, mung sawetara rencana terstruktur sing wis dileksanakake, utamane ing tingkat nasional. Pinto dos Santos et al.3. 263 mahasiswa kedokteran disurvei lan 71% setuju yen dheweke butuh pelatihan babagan kecerdasan buatan. Mulang kecerdasan buatan marang pamirsa medis mbutuhake desain sing ati-ati sing nggabungake konsep teknis lan non-teknis kanggo siswa sing asring duwe kawruh sadurunge sing ekstensif. Kita njlentrehake pengalaman kita nganakake seri lokakarya AI marang telung klompok mahasiswa kedokteran lan menehi rekomendasi kanggo pendidikan medis ing AI ing mangsa ngarep.
Lokakarya Pengantar Kecerdasan Buatan ing Kedokteran sajrone 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, dituduhake ing Gambar 1. Kursus kita duwe telung tujuan pembelajaran utama: siswa ngerti kepiye data diproses ing aplikasi kecerdasan buatan, nganalisis literatur kecerdasan buatan kanggo aplikasi klinis, lan nggunakake kesempatan kanggo kolaborasi karo insinyur sing ngembangake kecerdasan buatan.
Biru minangka topik kuliah lan biru enom minangka periode pitakon lan wangsulan interaktif. Bagean abu-abu minangka fokus tinjauan literatur singkat. Bagean oranye minangka studi kasus pilihan sing nggambarake model utawa teknik kecerdasan buatan. Ijo minangka kursus pemrograman sing dipandu sing dirancang kanggo mulang kecerdasan buatan kanggo ngrampungake masalah klinis lan ngevaluasi model. Isi lan durasi lokakarya beda-beda adhedhasar penilaian kabutuhan siswa.
Lokakarya pisanan dianakake ing Universitas British Columbia wiwit Februari nganti April 2019, lan kabeh 8 peserta menehi umpan balik positif4. Amarga COVID-19, lokakarya kapindho dianakake kanthi virtual ing Oktober-November 2020, kanthi 222 mahasiswa kedokteran lan 3 warga saka 8 sekolah kedokteran Kanada ndhaptar. Slide presentasi lan kode wis diunggah menyang situs akses terbuka (http://ubcaimed.github.io). Umpan balik utama saka iterasi pisanan yaiku kuliah kasebut kakehan intens lan materine kakehan teoritis. Nglayani enem zona wektu Kanada sing beda-beda nduweni tantangan tambahan. Dadi, lokakarya kapindho nyepetake saben sesi dadi 1 jam, nyederhanakake materi kursus, nambah luwih akeh studi kasus, lan nggawe program boilerplate sing ngidini peserta ngrampungake cuplikan kode kanthi debugging minimal (Kothak 1). Umpan balik utama saka iterasi kapindho kalebu umpan balik positif babagan latihan pemrograman lan panjaluk kanggo nduduhake perencanaan kanggo proyek pembelajaran mesin. Mulane, ing lokakarya katelu kita, sing dianakake kanthi virtual kanggo 126 mahasiswa kedokteran ing Maret-April 2021, kita nyakup luwih akeh latihan coding interaktif lan sesi umpan balik proyek kanggo nduduhake dampak nggunakake konsep lokakarya ing proyek.
Analisis Data: Bidang studi statistik sing ngidentifikasi pola sing migunani ing data kanthi nganalisis, ngolah, lan ngomunikasikake pola data.
Penambangan data: proses ngenali lan ngekstrak data. Ing konteks kecerdasan buatan, iki asring gedhe, kanthi pirang-pirang variabel kanggo saben sampel.
Reduksi dimensionalitas: Proses transformasi data kanthi akeh fitur individu dadi luwih sithik fitur nalika njaga sifat penting saka set data asli.
Ciri-ciri (ing konteks kecerdasan buatan): sipat sampel sing bisa diukur. Asring digunakake bebarengan karo "sipat" utawa "variabel".
Peta Aktivasi Gradien: Teknik sing digunakake kanggo napsirake model kecerdasan buatan (utamane jaringan saraf konvolusional), sing nganalisis proses optimalisasi bagean pungkasan jaringan kanggo ngenali wilayah data utawa gambar sing nduweni prediktif dhuwur.
Model Standar: Model AI sing wis ana sing wis dilatih sadurunge kanggo nindakake tugas sing padha.
Pengujian (ing konteks kecerdasan buatan): mirsani kepiye model nindakake tugas nggunakake data sing durung nate ditemoni sadurunge.
Pelatihan (ing konteks kecerdasan buatan): Nyedhiyakake model nganggo data lan asil supaya model kasebut nyetel parameter internal kanggo ngoptimalake kemampuane kanggo nindakake tugas nggunakake data anyar.
Vektor: susunan data. Ing pembelajaran mesin, saben elemen susunan biasane minangka fitur unik saka sampel.
Tabel 1 ndhaptar kursus paling anyar kanggo April 2021, kalebu tujuan pembelajaran sing ditargetake kanggo saben topik. Lokakarya iki ditujokake kanggo sing anyar ing tingkat teknis lan ora mbutuhake kawruh matematika ngluwihi taun pertama gelar sarjana kedokteran. Kursus iki dikembangake dening 6 mahasiswa kedokteran lan 3 guru kanthi gelar lanjut ing teknik. Insinyur ngembangake teori kecerdasan buatan kanggo mulang, lan mahasiswa kedokteran sinau materi sing relevan sacara klinis.
Lokakarya kalebu kuliah, studi kasus, lan pemrograman sing dipandu. Ing kuliah pisanan, kita nliti konsep-konsep sing dipilih babagan analisis data ing biostatistik, kalebu visualisasi data, regresi logistik, lan perbandingan statistik deskriptif lan induktif. Sanajan analisis data minangka pondasi kecerdasan buatan, kita ngilangi topik kayata penambangan data, uji signifikansi, utawa visualisasi interaktif. Iki amarga kendala wektu lan uga amarga sawetara mahasiswa sarjana duwe pelatihan sadurunge ing biostatistik lan pengin nutupi topik pembelajaran mesin sing luwih unik. Kuliah sabanjure ngenalake metode modern lan mbahas formulasi masalah AI, kaluwihan lan watesan model AI, lan uji model. Kuliah kasebut dilengkapi karo literatur lan riset praktis babagan piranti kecerdasan buatan sing wis ana. Kita nandheske katrampilan sing dibutuhake kanggo ngevaluasi efektifitas lan kelayakan model kanggo ngatasi pitakonan klinis, kalebu mangerteni watesan piranti kecerdasan buatan sing wis ana. Contone, kita njaluk siswa kanggo napsirake pedoman cedera kepala pediatrik sing diusulake dening Kupperman et al., 5 sing ngetrapake algoritma wit keputusan kecerdasan buatan kanggo nemtokake manawa CT scan bakal migunani adhedhasar pemeriksaan dokter. Kita nandheske manawa iki minangka conto umum AI sing nyedhiyakake analitik prediktif kanggo dokter kanggo napsirake, tinimbang ngganti dokter.
Ing conto pemrograman bootstrap sumber terbuka sing kasedhiya (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), kita nduduhake carane nindakake analisis data eksplorasi, reduksi dimensionalitas, pemuatan model standar, lan pelatihan lan pengujian. Kita nggunakake notebook Google Colaboratory (Google LLC, Mountain View, CA), sing ngidini kode Python dieksekusi saka browser web. Ing Gambar 2, Gambar 2 nyedhiyakake conto latihan pemrograman. Latihan iki kalebu prédhiksi keganasan nggunakake Wisconsin Open Breast Imaging Dataset6 lan algoritma wit keputusan.
Presentasi program sajrone seminggu babagan topik sing gegandhengan lan pilih conto saka aplikasi AI sing wis diterbitake. Unsur pemrograman mung dilebokake yen dianggep relevan kanggo menehi wawasan babagan praktik klinis ing mangsa ngarep, kayata carane ngevaluasi model kanggo nemtokake manawa wis siap digunakake ing uji klinis. Conto-conto kasebut pungkasane dadi aplikasi lengkap saka wiwitan nganti pungkasan sing nglasifikasikake tumor minangka jinak utawa ganas adhedhasar parameter gambar medis.
Heterogenitas kawruh sadurunge. Peserta kita beda-beda ing tingkat kawruh matematika. Contone, siswa kanthi latar mburi teknik tingkat lanjut nggoleki materi sing luwih jero, kayata carane nindakake transformasi Fourier dhewe. Nanging, ngrembug algoritma Fourier ing kelas ora bisa ditindakake amarga mbutuhake kawruh sing jero babagan pamrosesan sinyal.
Arus kehadiran metu. Kehadiran ing rapat tindak lanjut mudhun, utamane ing format online. Solusine bisa uga kanthi nglacak kehadiran lan menehi sertifikat kelulusan. Sekolah kedokteran dikenal ngakoni transkrip kegiatan akademik ekstrakurikuler siswa, sing bisa nyengkuyung siswa supaya nguber gelar.
Desain Kursus: Amarga AI nyakup akeh subbidang, milih konsep inti kanthi ambane lan ambane sing cocog bisa dadi tantangan. Contone, kontinuitas panggunaan alat AI saka laboratorium nganti klinik minangka topik sing penting. Nalika kita ngrembug babagan pra-pemrosesan data, pambangunan model, lan validasi, kita ora kalebu topik kayata analitik data gedhe, visualisasi interaktif, utawa nindakake uji klinis AI, nanging kita fokus ing konsep AI sing paling unik. Prinsip pandhuan kita yaiku kanggo ningkatake literasi, dudu katrampilan. Contone, mangerteni kepiye model ngolah fitur input penting kanggo interpretasi. Salah sawijining cara kanggo nindakake iki yaiku nggunakake peta aktivasi gradien, sing bisa nggambarake wilayah data endi sing bisa diprediksi. Nanging, iki mbutuhake kalkulus multivariat lan ora bisa dikenalake8. Ngembangake terminologi umum dadi tantangan amarga kita nyoba nerangake carane 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."
Panyimpenan kawruh. Amarga aplikasi AI winates, ombone peserta nyimpen kawruh isih kudu dideleng. Kurikulum sekolah kedokteran asring gumantung marang pengulangan jarak kanggo nguatake kawruh sajrone rotasi praktis,9 sing uga bisa diterapake kanggo pendidikan AI.
Profesionalisme luwih penting tinimbang literasi. Jero materi dirancang tanpa ketelitian matematika, sing dadi masalah nalika ngluncurake kursus klinis babagan kecerdasan buatan. Ing conto pemrograman, kita nggunakake program cithakan sing ngidini peserta ngisi kolom lan mbukak piranti lunak tanpa kudu ngerti carane nyetel lingkungan pemrograman sing lengkap.
Kekhawatiran babagan kecerdasan buatan ditangani: Ana kekhawatiran sing nyebar yen kecerdasan buatan bisa ngganti sawetara tugas klinis3. Kanggo ngatasi masalah iki, kita nerangake watesan AI, kalebu kasunyatan manawa meh kabeh teknologi AI sing disetujoni dening regulator mbutuhake pengawasan dokter11. Kita uga nandheske pentinge bias amarga algoritma rentan bias, utamane yen set data ora maneka warna12. Akibate, subkelompok tartamtu bisa uga dimodelkan kanthi salah, sing 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 sumber terbuka minangka metode sing trep kanggo pembelajaran asinkron amarga keahlian AI ora kasedhiya ing kabeh sekolah kedokteran.
Kolaborasi Interdisipliner: Lokakarya iki minangka usaha patungan sing diprakarsai dening mahasiswa kedokteran kanggo ngrancang kursus bebarengan karo insinyur. Iki nduduhake kesempatan kolaborasi lan kesenjangan kawruh ing loro wilayah kasebut, saengga peserta bisa ngerti peran potensial sing bisa disumbangake ing mangsa ngarep.
Nemtokake kompetensi inti AI. Nemtokake dhaptar kompetensi nyedhiyakake struktur standar sing bisa diintegrasikake menyang kurikulum medis berbasis kompetensi sing wis ana. Lokakarya iki saiki nggunakake Tingkat Tujuan Pembelajaran 2 (Pamahaman), 3 (Aplikasi), lan 4 (Analisis) saka Taksonomi Bloom. Ndhuweni sumber daya ing tingkat klasifikasi sing luwih dhuwur, kayata nggawe proyek, bisa luwih nguatake kawruh. Iki mbutuhake kerja sama karo para ahli klinis kanggo nemtokake kepiye topik AI bisa diterapake ing alur kerja klinis lan nyegah pengajaran topik sing bola-bali sing wis kalebu ing kurikulum medis standar.
Gawe studi kasus nggunakake AI. Padha karo conto klinis, pembelajaran berbasis kasus bisa nguatake konsep abstrak kanthi nyoroti relevansi karo pitakonan klinis. Contone, salah sawijining studi lokakarya nganalisa sistem deteksi retinopati diabetes berbasis AI Google 13 kanggo ngenali tantangan ing sadawane dalan saka laboratorium menyang klinik, kayata syarat validasi eksternal lan jalur persetujuan peraturan.
Gunakake pembelajaran pengalaman: Katrampilan teknis mbutuhake latihan sing fokus lan aplikasi sing bola-bali kanggo nguwasani, padha karo pengalaman pembelajaran sing digilir saka peserta pelatihan klinis. Salah sawijining solusi potensial yaiku model kelas flipped, sing wis dilapurake bisa ningkatake retensi kawruh ing pendidikan teknik14. Ing model iki, siswa nliti materi teoritis kanthi mandiri lan wektu kelas dikhususake kanggo ngrampungake masalah liwat studi kasus.
Skala kanggo peserta multidisiplin: Kita mbayangake adopsi AI sing nglibatake kolaborasi ing pirang-pirang disiplin, kalebu dokter lan profesional kesehatan sekutu kanthi macem-macem tingkat pelatihan. Mulane, kurikulum bisa uga kudu dikembangake kanthi konsultasi karo fakultas saka departemen sing beda-beda kanggo nyetel konten menyang macem-macem area perawatan kesehatan.
Kecerdasan buatan iku teknologi tinggi lan konsep intine ana hubungane karo matematika lan ilmu komputer. Nglatih tenaga kesehatan kanggo mangerteni kecerdasan buatan menehi tantangan unik ing pemilihan konten, relevansi klinis, lan metode pangiriman. Muga-muga wawasan sing dipikolehi saka lokakarya AI ing Pendidikan bakal mbantu para pendidik ing mangsa ngarep nggunakake cara inovatif kanggo nggabungake AI menyang pendidikan medis.
Skrip Python Kolaborasi Google iku sumber terbuka lan kasedhiya ing: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG lan Khan, S. Ngrenungake maneh pendidikan medis: ajakan kanggo tumindak. Akkad. obat-obatan. 88, 1407–1410 (2013).
McCoy, LG, lan liya-liyane. Apa sing sejatine kudu dingerteni dening mahasiswa kedokteran babagan kecerdasan buatan? Nomer NPZh. Kedokteran 3, 1–3 (2020).
Dos Santos, DP, dkk. Sikap mahasiswa kedokteran marang kecerdasan buatan: survey multisenter. EURO. radiasi. 29, 1640–1646 (2019).
Fan, KY, Hu, R., lan Singla, R. Pambuka pembelajaran mesin kanggo mahasiswa kedokteran: proyek pilot. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Ngenali bocah-bocah kanthi risiko cedera otak sing signifikan sacara klinis sawise cedera sirah: panliten kohort prospektif. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH lan Mangasarian, OL. Ekstraksi fitur nuklir kanggo diagnosis tumor payudara. Ilmu Biomedis. Pangolahan gambar. Ilmu Biomedis. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. lan Peng, L. Cara ngembangake model pembelajaran mesin kanggo perawatan kesehatan. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Interpretasi visual 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 kedokteran adhedhasar bukti nggunakake OSCE ing pendidikan kedokteran sarjana. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB lan Garg PS Pembelajaran mesin lan pendidikan kedokteran. Nomer NPZh. kedokteran. 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 Kedokteran kinerja dhuwur: konvergensi kecerdasan manungsa lan buatan. Kedokteran nasional. 25, 44–56 (2019).
Bede, E. et al. Evaluasi sing fokus marang manungsa babagan sistem pembelajaran jero sing digunakake ing klinik kanggo ndeteksi retinopati diabetes. Prosiding Konferensi CHI 2020 babagan Faktor Manusia ing Sistem Komputasi (2020).
Kerr, B. Kelas flipped ing pendidikan teknik: Tinjauan riset. Prosiding Konferensi Internasional 2015 babagan Pembelajaran Kolaboratif Interaktif (2015).
Para penulis ngucapake matur nuwun marang Danielle Walker, Tim Salcudin, lan Peter Zandstra saka Kluster Riset Pencitraan Biomedis lan Kecerdasan Buatan ing Universitas British Columbia kanggo dhukungan lan pendanaan.
RH, PP, ZH, RS lan MA tanggung jawab kanggo ngembangake isi pengajaran lokakarya. RH lan PP tanggung jawab kanggo ngembangake conto-conto pemrograman. KYF, OY, MT lan PW tanggung jawab kanggo organisasi logistik proyek lan analisis lokakarya. RH, OY, MT, RS tanggung jawab kanggo nggawe gambar lan tabel. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS tanggung jawab kanggo nyusun lan nyunting dokumen.
Kedokteran Komunikasi ngucapake matur nuwun marang Carolyn McGregor, Fabio Moraes, lan Aditya Borakati kanggo kontribusine kanggo review karya iki.
Wektu kiriman: 19-Feb-2024