נקודת מבט קנדית על הוראת בינה מלאכותית לסטודנטים לרפואה

תודה שביקרת ב-Nature.com.לגרסת הדפדפן שבה אתה משתמש יש תמיכת CSS מוגבלת.לקבלת התוצאות הטובות ביותר, אנו ממליצים להשתמש בגרסה חדשה יותר של הדפדפן שלך (או לכבות את מצב התאימות ב-Internet Explorer).בינתיים, כדי להבטיח תמיכה שוטפת, אנו מציגים את האתר ללא סטיילינג או JavaScript.
יישומים של בינה מלאכותית קלינית (AI) צומחים במהירות, אך תוכניות הלימודים הקיימות בבתי ספר לרפואה מציעות הוראה מוגבלת המכסה תחום זה.כאן אנו מתארים קורס הכשרה בבינה מלאכותית שפיתחנו והעברנו לסטודנטים לרפואה קנדה וממליצים להכשרה עתידית.
בינה מלאכותית (AI) ברפואה יכולה לשפר את היעילות במקום העבודה ולסייע בקבלת החלטות קליניות.כדי להנחות בצורה בטוחה את השימוש בבינה מלאכותית, רופאים חייבים להיות בעלי הבנה מסוימת של בינה מלאכותית.הערות רבות דוגלות בהוראת מושגי בינה מלאכותית1, כגון הסבר על מודלים של בינה מלאכותית ותהליכי אימות2.עם זאת, מעט תוכניות מובנות יושמו, במיוחד ברמה הלאומית.Pinto dos Santos et al.3.263 סטודנטים לרפואה נסקרו ו-71% הסכימו שהם צריכים הכשרה בבינה מלאכותית.הוראת אינטליגנציה מלאכותית לקהל רפואי מצריכה תכנון קפדני המשלב מושגים טכניים ולא טכניים עבור סטודנטים שלרוב יש להם ידע מוקדם נרחב.אנו מתארים את הניסיון שלנו בהעברת סדרה של סדנאות בינה מלאכותית לשלוש קבוצות של סטודנטים לרפואה ומציעים המלצות לחינוך רפואי עתידי בבינה מלאכותית.
סדנת המבוא לבינה מלאכותית ברפואה בת חמישה שבועות שלנו לסטודנטים לרפואה נערכה שלוש פעמים בין פברואר 2019 לאפריל 2021. לוח זמנים לכל סדנה, עם תיאור קצר של שינויים בקורס, מוצג באיור 1. הקורס שלנו שלוש מטרות למידה עיקריות: התלמידים מבינים כיצד מעובדים נתונים ביישומי בינה מלאכותית, מנתחים את ספרות הבינה המלאכותית עבור יישומים קליניים, ומנצלים הזדמנויות לשתף פעולה עם מהנדסים המפתחים בינה מלאכותית.
כחול הוא נושא ההרצאה ותכלת הוא תקופת השאלות והתשובות האינטראקטיביות.החלק האפור הוא המוקד של סקירת הספרות הקצרה.החלקים הכתומים הם מקרים נבחרים המתארים מודלים או טכניקות של בינה מלאכותית.גרין הוא קורס תכנות מודרך שנועד ללמד בינה מלאכותית לפתור בעיות קליניות ולהעריך מודלים.תוכן ומשך הסדנאות משתנים בהתאם להערכת צרכי התלמידים.
הסדנה הראשונה התקיימה באוניברסיטת קולומביה הבריטית מפברואר עד אפריל 2019, וכל 8 המשתתפים נתנו משוב חיובי4.עקב COVID-19, הסדנה השנייה התקיימה באופן וירטואלי באוקטובר-נובמבר 2020, עם 222 סטודנטים לרפואה ו-3 תושבים מ-8 בתי ספר לרפואה בקנדה.שקופיות מצגת וקוד הועלו לאתר גישה פתוחה (http://ubcaimed.github.io).המשוב המרכזי מהאיטרציה הראשונה היה שההרצאות היו אינטנסיביות מדי והחומר תיאורטי מדי.השירות בששת אזורי הזמן השונים של קנדה מציב אתגרים נוספים.לפיכך, הסדנה השנייה קיצרה כל מפגש לשעה אחת, פשטה את חומר הקורס, הוסיפה תיאורי מקרה נוספים ויצרה תכניות שליליות שאפשרו למשתתפים להשלים קטעי קוד עם ניפוי מינימלי (תיבה 1).משוב מרכזי מהאיטרציה השנייה כלל משוב חיובי על תרגילי התכנות ובקשה להדגים תכנון לפרויקט למידת מכונה.לכן, בסדנה השלישית שלנו, שהתקיימה באופן וירטואלי עבור 126 סטודנטים לרפואה במרץ-אפריל 2021, כללנו תרגילי קידוד אינטראקטיביים יותר ומפגשי משוב על פרויקטים כדי להדגים את ההשפעה של שימוש במושגי סדנה על פרויקטים.
ניתוח נתונים: תחום מחקר בסטטיסטיקה המזהה דפוסים משמעותיים בנתונים על ידי ניתוח, עיבוד ותקשורת דפוסי נתונים.
כריית נתונים: תהליך זיהוי והפקת נתונים.בהקשר של בינה מלאכותית, זה לרוב גדול, עם משתנים מרובים לכל מדגם.
הפחתת מימדיות: תהליך הפיכת נתונים עם תכונות בודדות רבות לתכונות פחותות תוך שמירה על המאפיינים החשובים של מערך הנתונים המקורי.
מאפיינים (בהקשר של בינה מלאכותית): תכונות מדידות של מדגם.משמש לעתים קרובות להחלפה עם "נכס" או "משתנה".
Gradient Activation Map: טכניקה המשמשת לפירוש מודלים של בינה מלאכותית (במיוחד רשתות עצביות קונבולוציוניות), המנתחת את תהליך האופטימיזציה של החלק האחרון של הרשת כדי לזהות אזורים של נתונים או תמונות שהם בעלי חיזוי גבוה.
מודל סטנדרטי: מודל AI קיים שהוכשר מראש לביצוע משימות דומות.
בדיקה (בהקשר של בינה מלאכותית): התבוננות כיצד מודל מבצע משימה באמצעות נתונים שלא נתקל בהם בעבר.
הדרכה (בהקשר של בינה מלאכותית): מתן נתונים ותוצאות למודל כך שהמודל יתאים את הפרמטרים הפנימיים שלו כדי לייעל את יכולתו לבצע משימות באמצעות נתונים חדשים.
וקטור: מערך נתונים.בלמידת מכונה, כל רכיב מערך הוא בדרך כלל תכונה ייחודית של המדגם.
טבלה 1 מפרטת את הקורסים האחרונים לאפריל 2021, כולל יעדי למידה ממוקדים לכל נושא.סדנה זו מיועדת לחדשים ברמה הטכנית ואינה דורשת ידע מתמטי מעבר לשנה הראשונה לתואר ראשון ברפואה.הקורס פותח על ידי 6 סטודנטים לרפואה ו-3 מורים בעלי תארים מתקדמים בהנדסה.מהנדסים מפתחים תיאוריית בינה מלאכותית כדי ללמד, וסטודנטים לרפואה לומדים חומר רלוונטי מבחינה קלינית.
הסדנאות כוללות הרצאות, מקרי מקרה ותכנות מודרך.בהרצאה הראשונה, נסקור מושגים נבחרים של ניתוח נתונים בביוסטטיסטיקה, כולל הדמיית נתונים, רגרסיה לוגיסטית והשוואה של סטטיסטיקה תיאורית ואינדוקטיבית.למרות שניתוח נתונים הוא הבסיס של בינה מלאכותית, אנו לא כוללים נושאים כמו כריית נתונים, בדיקות מובהקות או הדמיה אינטראקטיבית.זה נבע ממגבלות זמן וגם בגלל שחלק מהסטודנטים לתואר ראשון קיבלו הכשרה קודמת בביוסטטיסטיקה ורצו לכסות נושאים ייחודיים יותר של למידת מכונה.ההרצאה שלאחר מכן מציגה שיטות מודרניות ודנה בניסוח בעיות בינה מלאכותית, יתרונות ומגבלות של מודלים בינה מלאכותית ובדיקות מודלים.ההרצאות משלימות ספרות ומחקר מעשי על מכשירי בינה מלאכותית קיימים.אנו מדגישים את המיומנויות הנדרשות כדי להעריך את היעילות והיתכנות של מודל לטיפול בשאלות קליניות, כולל הבנת המגבלות של מכשירי בינה מלאכותית קיימים.לדוגמה, ביקשנו מהסטודנטים לפרש את הנחיות פגיעת ראש בילדים שהוצעו על ידי Kupperman וחב', 5 אשר יישמו אלגוריתם עץ החלטות של בינה מלאכותית כדי לקבוע אם סריקת CT תהיה שימושית בהתבסס על בדיקת רופא.אנו מדגישים כי זוהי דוגמה נפוצה של AI המספקת ניתוח חזוי לרופאים לפרש, במקום להחליף רופאים.
בדוגמאות התכנות הזמינות בקוד פתוח (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), אנו מדגימים כיצד לבצע ניתוח נתונים חקרני, הפחתת מימד, טעינת מודלים סטנדרטיים והדרכה .ובדיקות.אנו משתמשים במחברות Google Collaboratory (Google LLC, Mountain View, CA), המאפשרות להפעיל קוד Python מדפדפן אינטרנט.באיור. איור 2 מספק דוגמה לתרגיל תכנות.תרגיל זה כולל חיזוי ממאירות באמצעות ערכת הדמיית השד הפתוחה של ויסקונסין 6 ואלגוריתם עץ החלטות.
הצג תוכניות לאורך השבוע בנושאים קשורים ובחר דוגמאות מיישומי AI שפורסמו.רכיבי תכנות נכללים רק אם הם נחשבים רלוונטיים למתן תובנה על פרקטיקה קלינית עתידית, כגון כיצד להעריך מודלים כדי לקבוע אם הם מוכנים לשימוש בניסויים קליניים.דוגמאות אלו מגיעות לשיאן ביישום מלא מקצה לקצה שמסווג גידולים כשפירים או ממאירים על סמך פרמטרים של תמונה רפואית.
הטרוגניות של ידע קודם.המשתתפים שלנו היו מגוונים ברמת הידע המתמטי שלהם.לדוגמה, סטודנטים עם רקע הנדסי מתקדם מחפשים חומר מעמיק יותר, כמו איך לבצע טרנספורמציות פורייה משלהם.עם זאת, דיון באלגוריתם פורייה בכיתה אינו אפשרי מכיוון שהוא דורש ידע מעמיק בעיבוד אותות.
יציאת נוכחות.הנוכחות בפגישות המשך ירדה, במיוחד בפורמטים מקוונים.פתרון עשוי להיות מעקב אחר נוכחות ומתן תעודת סיום.ידוע כי בתי ספר לרפואה מכירים בתמלילים של פעילויות אקדמיות מחוץ ללימודים של סטודנטים, מה שיכול לעודד סטודנטים להמשיך לתואר.
עיצוב הקורס: מכיוון שבינה מלאכותית משתרעת על כל כך הרבה תתי תחומים, בחירת מושגי ליבה של עומק ורוחב מתאימים יכולה להיות מאתגרת.לדוגמה, רציפות השימוש בכלי AI מהמעבדה למרפאה היא נושא חשוב.אמנם אנו מכסים עיבוד מקדים של נתונים, בניית מודלים ואימות, אך איננו כוללים נושאים כגון ניתוח נתונים גדולים, הדמיה אינטראקטיבית או ביצוע ניסויים קליניים בינה מלאכותית, אלא אנו מתמקדים במושגי AI הייחודיים ביותר.העיקרון המנחה שלנו הוא שיפור האוריינות, לא מיומנויות.לדוגמה, הבנת האופן שבו מודל מעבד תכונות קלט חשובה לפרשנות.אחת הדרכים לעשות זאת היא להשתמש במפות הפעלת גרדיאנט, שיכולות לדמיין אילו אזורים בנתונים ניתנים לחיזוי.עם זאת, זה דורש חישוב רב-משתני ולא ניתן להציגו8.פיתוח טרמינולוגיה נפוצה היה מאתגר מכיוון שניסינו להסביר כיצד לעבוד עם נתונים כווקטורים ללא פורמליזם מתמטי.שימו לב שלמונחים שונים יש אותה משמעות, למשל, באפידמיולוגיה, "מאפיין" מתואר כ"משתנה" או "תכונה".
שימור ידע.מכיוון שהיישום של AI מוגבל, עד כמה המשתתפים שומרים ידע נותר לראות.תכניות הלימודים של בתי הספר לרפואה מסתמכות לעתים קרובות על חזרה מרווחת כדי לחזק את הידע במהלך סיבובים מעשיים,9 שניתן ליישם גם בחינוך בינה מלאכותית.
מקצועיות חשובה יותר מאוריינות.עומק החומר תוכנן ללא קפדנות מתמטית, מה שהיווה בעיה בעת השקת קורסים קליניים בבינה מלאכותית.בדוגמאות התכנות, אנו משתמשים בתוכנת תבנית המאפשרת למשתתפים למלא שדות ולהפעיל את התוכנה ללא צורך להבין כיצד להגדיר סביבת תכנות מלאה.
דאגות לגבי בינה מלאכותית טופלו: קיים חשש נרחב כי בינה מלאכותית יכולה להחליף כמה חובות קליניות3.כדי לטפל בבעיה זו, אנו מסבירים את המגבלות של AI, כולל העובדה שכמעט כל טכנולוגיות AI המאושרות על ידי הרגולטורים דורשות פיקוח רופא11.אנו גם מדגישים את החשיבות של הטיה מכיוון שאלגוריתמים נוטים להטיה, במיוחד אם מערך הנתונים אינו מגוון12.כתוצאה מכך, תת-קבוצה מסוימת עשויה להיות מודל שגוי, מה שמוביל להחלטות קליניות לא הוגנות.
משאבים זמינים לציבור: יצרנו משאבים זמינים לציבור, כולל שקופיות הרצאות וקוד.למרות שהגישה לתוכן סינכרוני מוגבלת בגלל אזורי זמן, תוכן קוד פתוח הוא שיטה נוחה ללמידה אסינכרונית מכיוון שמומחיות בינה מלאכותית אינה זמינה בכל בתי הספר לרפואה.
שיתוף פעולה בין-תחומי: סדנה זו היא מיזם משותף שיזמו סטודנטים לרפואה לתכנון קורסים יחד עם מהנדסים.זה מדגים הזדמנויות לשיתוף פעולה ופערי ידע בשני התחומים, מה שמאפשר למשתתפים להבין את התפקיד הפוטנציאלי שהם יכולים לתרום בעתיד.
הגדר כישורי ליבה של AI.הגדרת רשימת מיומנויות מספקת מבנה סטנדרטי שניתן לשלב בתכניות לימודים רפואיות קיימות מבוססות מיומנויות.סדנה זו משתמשת כיום ברמות יעד למידה 2 (הבנה), 3 (יישום) ו-4 (ניתוח) של הטקסונומיה של בלום.קיום משאבים ברמות סיווג גבוהות יותר, כגון יצירת פרויקטים, יכול לחזק עוד יותר את הידע.זה מחייב עבודה עם מומחים קליניים כדי לקבוע כיצד ניתן ליישם נושאי בינה מלאכותית על זרימות עבודה קליניות ולמנוע לימוד של נושאים חוזרים ונשנים שכבר נכללו בתוכניות לימודים רפואיות סטנדרטיות.
צור מקרי מקרה באמצעות AI.בדומה לדוגמאות קליניות, למידה מבוססת מקרה יכולה לחזק מושגים מופשטים על ידי הדגשת הרלוונטיות שלהם לשאלות קליניות.לדוגמה, מחקר סדנא אחד ניתח את מערכת זיהוי רטינופתיה סוכרתית מבוססת בינה מלאכותית 13 של גוגל כדי לזהות אתגרים לאורך הדרך ממעבדה למרפאה, כגון דרישות אימות חיצוניות ומסלולי אישור רגולטוריים.
השתמש בלמידה חווייתית: מיומנויות טכניות דורשות תרגול ממוקד ויישום חוזר על מנת לשלוט, בדומה לחוויות הלמידה המתחלפות של מתאמנים קליניים.פתרון פוטנציאלי אחד הוא מודל הכיתה המעוות, שדווח כמשפר את שימור הידע בחינוך הנדסי14.במודל זה, התלמידים סוקרים חומר תיאורטי באופן עצמאי וזמן השיעור מוקדש לפתרון בעיות באמצעות מקרים.
קנה מידה עבור משתתפים רב-תחומיים: אנו מדמיינים אימוץ בינה מלאכותית הכוללת שיתוף פעולה בין דיסציפלינות מרובות, כולל רופאים ואנשי מקצוע בתחום הבריאות בעלי רמות הכשרה משתנות.לכן, ייתכן שיהיה צורך לפתח תוכניות לימודים בהתייעצות עם סגל מחלקות שונות כדי להתאים את תוכנן לתחומים שונים של שירותי הבריאות.
בינה מלאכותית היא היי-טק ומושגי הליבה שלה קשורים למתמטיקה ומדעי המחשב.הכשרת אנשי שירותי הבריאות להבנת בינה מלאכותית מציבה אתגרים ייחודיים בבחירת תוכן, רלוונטיות קלינית ושיטות אספקה.אנו מקווים שהתובנות שהושגו מסדנאות AI בחינוך יסייעו למחנכים עתידיים לאמץ דרכים חדשניות לשילוב AI בחינוך רפואי.
הסקריפט של Google Collaboratory Python הוא קוד פתוח וזמין בכתובת: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG and Khan, S. חשיבה מחדש על חינוך רפואי: קריאה לפעולה.אכד.תרופה.88, 1407–1410 (2013).
McCoy, LG וכו'. מה באמת צריכים סטודנטים לרפואה לדעת על בינה מלאכותית?מספרי NPZh.רפואה 3, 1–3 (2020).
Dos Santos, DP, et al.עמדות סטודנטים לרפואה כלפי בינה מלאכותית: סקר רב מרכזי.יוֹרוֹ.קְרִינָה.29, 1640–1646 (2019).
Fan, KY, Hu, R., and Singla, R. מבוא ללמידת מכונה לסטודנטים לרפואה: פרויקט פיילוט.J. Med.לְלַמֵד.54, 1042–1043 (2020).
Cooperman N, et al.זיהוי ילדים בסיכון נמוך מאוד לפציעה מוחית משמעותית מבחינה קלינית לאחר פגיעת ראש: מחקר עוקבה פרוספקטיבי.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ו-Mangasarian, OL.מיצוי תכונה גרעינית לאבחון גידול בשד.מדע ביו - רפואי.עיבוד תמונה.מדע ביו - רפואי.וייס.1905, 861–870 (1993).
Chen, PHC, Liu, Y. and Peng, L. כיצד לפתח מודלים של למידת מכונה עבור שירותי בריאות.נאט.מאט.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: פרשנות חזותית של רשתות עמוקות באמצעות לוקליזציה מבוססת גרדיאנט.הליכים של הכנס הבינלאומי IEEE לראייה ממוחשבת, 618–626 (2017).
Kumaravel B, Stewart K and Ilic D. פיתוח והערכה של מודל ספירלי להערכת יכולות רפואה מבוססות ראיות באמצעות OSCE בחינוך רפואי לתואר ראשון.BMK Medicine.לְלַמֵד.21, 1–9 (2021).
Kolachalama VB ו- Garg PS למידת מכונה וחינוך רפואי.מספרי NPZh.תרופה.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, ​​S., Rutten, MJ, van Ginneken, B. and de Rooy, M. בינה מלאכותית ברדיולוגיה: 100 מוצרים מסחריים והראיות המדעיות שלהם.יוֹרוֹ.קְרִינָה.31, 3797–3804 (2021).
טופול, EJ רפואה בעלת ביצועים גבוהים: התכנסות של בינה אנושית ואינטליגנציה מלאכותית.נאט.תרופה.25, 44–56 (2019).
Bede, E. וחב'.הערכה ממוקדת באדם של מערכת למידה עמוקה שנפרסה במרפאה לאיתור רטינופתיה סוכרתית.ההליכים של כנס CHI לשנת 2020 בנושא גורמים אנושיים במערכות מחשוב (2020).
Kerr, B. The Flipped Classroom בחינוך הנדסי: סקירת מחקר.הליכים של הכנס הבינלאומי 2015 ללמידה שיתופית אינטראקטיבית (2015).
המחברים מודים לדניאלה ווקר, טים סלקודין ופיטר זנדסטרה מאשכול המחקר של הדמיה ביו-רפואית ואינטליגנציה מלאכותית באוניברסיטת קולומביה הבריטית על התמיכה והמימון.
RH, PP, ZH, RS ו-MA היו אחראים לפיתוח תכני ההוראה של הסדנה.RH ו-PP היו אחראים לפיתוח דוגמאות התכנות.KYF, OY, MT ו-PW היו אחראים על הארגון הלוגיסטי של הפרויקט וניתוח הסדנאות.RH, OY, MT, RS היו אחראים ליצירת הדמויות והטבלאות.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS היו אחראים על ניסוח ועריכת המסמך.
רפואת תקשורת מודה לקרולין מקגרגור, פאביו מוראס ואדיתיה בורקאטי על תרומתם לסקירה של עבודה זו.