נקודת מבט קנדית על לימוד בינה מלאכותית לסטודנטים לרפואה

תודה שביקרת ב- Nature.com. הגרסה של הדפדפן בה אתה משתמש יש תמיכה מוגבלת של CSS. 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 תכניות הלימוד הקיימות בבית הספר לרפואה מציעות הוראה מוגבלת המכסה תחום זה. כאן אנו מתארים קורס הכשרה בבינה מלאכותית שפיתחנו וסיפקנו לסטודנטים לרפואה קנדית וממליצים להכשרה עתידית.
בינה מלאכותית (AI) ברפואה יכולה לשפר את היעילות במקום העבודה ולסייע בקבלת החלטות קליניות. כדי להנחות בבטחה את השימוש בבינה מלאכותית, על הרופאים להיות בעלי הבנה מסוימת של הבינה המלאכותית. הערות רבות תומכות בהוראת מושגי AI 1, כגון הסבר על מודלים של AI ותהליכי אימות 2. עם זאת, מעט תוכניות מובנות יושמו, במיוחד ברמה הלאומית. Pinto Dos Santos et al.3. 263 סטודנטים לרפואה נסקרו ו 71% הסכימו כי הם זקוקים להכשרה בבינה מלאכותית. לימוד בינה מלאכותית לקהל רפואי דורש תכנון מדוקדק המשלב מושגים טכניים ולא טכניים לתלמידים שלעתים קרובות יש ידע קודם. אנו מתארים את הניסיון שלנו בהעברת סדרה של סדנאות AI לשלוש קבוצות של סטודנטים לרפואה וממליצים על חינוך רפואי עתידי ב- AI.
ההיכרות שלנו עם חמישה שבועות עם בינה מלאכותית בסדנת רפואה 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 יש שלוש יעדי למידה ראשוניים: התלמידים מבינים כיצד מעובדים נתונים ביישומי בינה מלאכותית, מנתחים את הספרות הבינה המלאכותית ליישומים קליניים ולנצל הזדמנויות לשתף פעולה עם מהנדסים המפתחים בינה מלאכותית.
כחול הוא נושא ההרצאה וכחול בהיר הוא תקופת השאלה והתשובה האינטראקטיבית. החלק האפור הוא מוקד סקירת הספרות הקצרה. החלקים הכתומים הם מחקרי מקרה שנבחרו המתארים מודלים או טכניקות בינה מלאכותית. גרין הוא קורס תכנות מודרך שנועד ללמד אינטליגנציה מלאכותית לפתרון בעיות קליניות ולהערכת מודלים. התוכן ומשך הסדנאות משתנים על פי הערכת צרכי התלמידים.
הסדנה הראשונה נערכה באוניברסיטת קולומביה הבריטית מפברואר עד אפריל 2019, וכל 8 המשתתפים נתנו משוב חיובי 4. בשל COVID-19, הסדנה השנייה נערכה כמעט באוקטובר-נובמבר 2020, כאשר 222 סטודנטים לרפואה ו -3 תושבים משמונה בתי ספר לרפואה קנדית נרשמו. שקופיות וקוד מצגות הועלו לאתר גישה פתוחה (http://ubcaimed.github.io). המשוב העיקרי מהאיטרציה הראשונה היה שההרצאות היו אינטנסיביות מדי והחומר תיאורטי מדי. משרת ששת אזורי הזמן השונים בקנדה מהווה אתגרים נוספים. לפיכך, הסדנה השנייה קיצרה כל מפגש לשעה, פשטה את חומר הקורס, הוסיפה יותר מחקרי מקרה ויצרה תוכניות לוחית דוד שאיפשרו למשתתפים להשלים קטעי קוד עם ניפוי באגים מינימלי (תיבה 1). משוב מפתח מהאיטרציה השנייה כלל משוב חיובי על תרגילי התכנות ובקשה להפגנת תכנון לפרויקט למידת מכונה. לפיכך, בסדנה השלישית שלנו, שהתקיימה כמעט עבור 126 סטודנטים לרפואה במרץ-אפריל 2021, כללנו תרגילי קידוד אינטראקטיביים יותר ומפגשי משוב של פרויקטים כדי להדגים את ההשפעה של שימוש במושגי סדנאות על פרויקטים.
ניתוח נתונים: תחום מחקר בסטטיסטיקה המזהה דפוסים משמעותיים בנתונים על ידי ניתוח, עיבוד והעברת דפוסי נתונים.
כריית נתונים: תהליך זיהוי וחילוץ נתונים. בהקשר של אינטליגנציה מלאכותית, לרוב זה גדול, עם משתנים מרובים לכל מדגם.
הפחתת ממדיות: תהליך הפיכת נתונים עם תכונות אינדיבידואליות רבות לפחות תכונות תוך שמירה על המאפיינים החשובים של מערך הנתונים המקורי.
מאפיינים (בהקשר של בינה מלאכותית): תכונות מדידות של מדגם. משמש לעתים קרובות להחלפה עם "רכוש" או "משתנה".
מפת הפעלת שיפוע: טכניקה המשמשת לפרשנות מודלים של בינה מלאכותית (במיוחד רשתות עצביות מפותלות), המנתחת את תהליך אופטימיזציה של החלק האחרון של הרשת כדי לזהות אזורי נתונים או תמונות חזויות מאוד.
מודל סטנדרטי: מודל AI קיים שהוכשר מראש לביצוע משימות דומות.
בדיקה (בהקשר של בינה מלאכותית): התבוננות כיצד מודל מבצע משימה באמצעות נתונים שהוא לא נתקל בהם לפני כן.
אימונים (בהקשר של בינה מלאכותית): מתן מודל עם נתונים ותוצאות כך שהמודל יתאים את הפרמטרים הפנימיים שלו כדי לייעל את יכולתו לבצע משימות באמצעות נתונים חדשים.
וקטור: מערך נתונים. בלימוד מכונות, כל אלמנט 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 לאלה החדשים ברמה הטכנית ואינה דורשת שום ידע מתמטי מעבר לשנה הראשונה של תואר רפואי לתואר ראשון. הקורס פותח על ידי 6 סטודנטים לרפואה ושלושה מורים עם תארים מתקדמים בהנדסה. מהנדסים מפתחים תיאוריית בינה מלאכותית להוראה, וסטודנטים לרפואה לומדים חומר רלוונטי קלינית.
הסדנאות כוללות הרצאות, מחקרי מקרה ותכנות מודרכת. בהרצאה הראשונה אנו בודקים מושגים נבחרים של ניתוח נתונים בביו -סטטיסטיקה, כולל הדמיית נתונים, רגרסיה לוגיסטית והשוואה בין סטטיסטיקות תיאוריות ואינדוקטיביות. למרות שניתוח נתונים הוא הבסיס של בינה מלאכותית, אנו שוללים נושאים כמו כריית נתונים, בדיקת משמעות או הדמיה אינטראקטיבית. זה נבע מאילוצי זמן וגם מכיוון שכמה סטודנטים לתארים מתקדמים קיבלו הכשרה מוקדמת בביו -סטטיסטיקה ורצו לכסות נושאים ייחודיים יותר למידת מכונות. ההרצאה שלאחר מכן מציגה שיטות מודרניות ודנה בגיבוש בעיות AI, יתרונות ומגבלות של דגמי AI ובדיקת מודלים. ההרצאות משלימות על ידי ספרות ומחקר מעשי על מכשירי בינה מלאכותית קיימים. אנו מדגישים את הכישורים הנדרשים כדי להעריך את היעילות והיתכנותו של מודל לטיפול בשאלות קליניות, כולל הבנת המגבלות של מכשירי בינה מלאכותית קיימים. לדוגמה, ביקשנו מהתלמידים לפרש את הנחיות פגיעות הראש לילדים שהוצעו על ידי Kupperman et al., 5 אשר יישמו אלגוריתם של עץ החלטות בינה מלאכותית כדי לקבוע אם סריקת CT תועיל על בסיס בחינת רופא. אנו מדגישים כי מדובר בדוגמה נפוצה לכך ש- AI מספקת ניתוחים חזויים לרופאים לפרש, ולא להחליף רופאים.
בדוגמאות התכנות של רצועת האתחול של קוד פתוח הזמינות (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), אנו מדגימים כיצד לבצע ניתוח נתונים חקר, הפחתת מימד, העמסת דגם סטנדרטית והדרכה ו ובדיקה. אנו משתמשים במחברות Colaboratory Google (Google LLC, Mountain View, CA), המאפשרים לבצע את קוד Python מדפדפן אינטרנט. באיור איור 2 מספק דוגמה לתרגיל תכנות. תרגיל זה כרוך בחיזוי ממאירות באמצעות נתוני הדמיה של שד פתוח של ויסקונסין ואלגוריתם עץ ההחלטה.
מציגות תוכניות לאורך כל השבוע בנושאים קשורים ובחר דוגמאות מיישומי AI שפורסמו. אלמנטים של תכנות כלולים רק אם הם נחשבים רלוונטיים למתן תובנה לגבי תרגול קליני עתידי, כמו למשל כיצד להעריך מודלים כדי לקבוע אם הם מוכנים לשימוש במחקרים קליניים. דוגמאות אלה מגיעות לשיאה ביישום מקצה לקצה מן המניין המסווג גידולים כממאירים או ממאירים על בסיס פרמטרי תמונה רפואית.
הטרוגניות של ידע קודם. המשתתפים שלנו השתנו ברמת הידע המתמטי שלהם. לדוגמה, סטודנטים עם רקע הנדסי מתקדם מחפשים חומר מעמיק יותר, כמו כיצד לבצע טרנספורמציות פורייה משלהם. עם זאת, דיון באלגוריתם פורייה בכיתה אינו אפשרי מכיוון שהוא דורש ידע מעמיק של עיבוד אותות.
יצוא נוכחות. הנוכחות בישיבות המעקב ירדה, במיוחד בפורמטים מקוונים. פיתרון עשוי להיות לעקוב אחר הנוכחות ולספק תעודת השלמה. ידוע כי בתי ספר לרפואה מכירים בתמלילים בפעילויות האקדמיות החוץ -לימודיות של התלמידים, שיכולות לעודד את התלמידים להמשיך בתואר.
עיצוב קורס: מכיוון ש- AI משתרע על כל כך הרבה שדות משנה, בחירת מושגי ליבה של עומק ורוחב מתאימים יכולה להיות מאתגרת. לדוגמה, המשכיות השימוש בכלי AI מהמעבדה למרפאה היא נושא חשוב. אמנם אנו מכסים עיבוד מקדים של נתונים, בניית מודלים ואימות, אך איננו כוללים נושאים כמו ניתוח נתונים גדולים, הדמיה אינטראקטיבית או עריכת ניסויים קליניים של AI, אך אנו מתמקדים במושגי ה- AI הייחודיים ביותר. העיקרון המנחה שלנו הוא לשפר את האוריינות, ולא מיומנויות. לדוגמה, הבנה כיצד מודל מעבד תכונות קלט חשובה לפרשנות. אחת הדרכים לעשות זאת היא להשתמש במפות הפעלת שיפוע, שיכולות לדמיין אילו אזורים בנתונים ניתנים לחיזוי. עם זאת, זה דורש חישוב רב -משתני ולא ניתן להציג אותו8. פיתוח טרמינולוגיה משותפת 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 ".
שמירת ידע. מכיוון שהיישום של AI מוגבל, נותר לראות את היישום של המשתתפים. תכניות לימודים בבית הספר לרפואה מסתמכות לעתים קרובות על חזרה מרווחת כדי לחזק את הידע במהלך סיבובים מעשיים, 9 שניתן ליישם גם על חינוך AI.
המקצועיות חשובה יותר מאוריינות. עומק החומר מתוכנן ללא הקפדה מתמטית, שהייתה בעיה בעת השקת קורסים קליניים בתחום הבינה המלאכותית. בדוגמאות התכנות אנו משתמשים בתוכנית תבניות המאפשרת למשתתפים למלא שדות ולהריץ את התוכנה מבלי שנצטרך להבין כיצד להגדיר סביבת תכנות מלאה.
הדאגות בנוגע לבינה מלאכותית בהן התייחסו: קיים חשש נרחב כי בינה מלאכותית יכולה להחליף כמה חובות קליניות 3. כדי לטפל בבעיה זו, אנו מסבירים את המגבלות של AI, כולל העובדה שכמעט כל טכנולוגיות ה- AI שאושרו על ידי הרגולטורים דורשות פיקוח על רופא 11. אנו גם מדגישים את חשיבות ההטיה מכיוון שאלגוריתמים מועדים להטיה, במיוחד אם מערך הנתונים אינו מגוון 12. כתוצאה מכך, תת -קבוצה מסוימת עשויה להיות מעוצבת באופן שגוי, מה שמוביל להחלטות קליניות לא הוגנות.
משאבים זמינים לציבור: יצרנו משאבים זמינים לציבור, כולל שקופיות והקוד הרצאה. למרות שהגישה לתוכן סינכרוני מוגבלת בגלל אזורי זמן, תוכן קוד פתוח הוא שיטה נוחה ללמידה אסינכרונית מכיוון שמומחיות AI אינה זמינה בכל בתי הספר לרפואה.
שיתוף פעולה בין תחומי: סדנה זו היא מיזם משותף שיזם סטודנטים לרפואה לתכנון קורסים יחד עם מהנדסים. זה מדגים הזדמנויות לשיתוף פעולה ופערי ידע בשני התחומים, ומאפשר למשתתפים להבין את התפקיד הפוטנציאלי שהם יכולים לתרום בעתיד.
הגדירו מיומנויות ליבה של AI. הגדרת רשימת מיומנויות מספקת מבנה סטנדרטי שניתן לשלב בתוכניות לימודים רפואיות מבוססות יכולת. סדנה זו משתמשת כיום ברמות אובייקטיביות 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 דורש עבודה עם מומחים קליניים כדי לקבוע כיצד ניתן ליישם נושאי AI על זרימות עבודה קליניות ומניעת הוראת נושאים חוזרים ונשנים שכבר כלולים בתכניות לימודים רפואיות סטנדרטיות.
צור מחקרי מקרה באמצעות AI. בדומה לדוגמאות קליניות, למידה מבוססת מקרה יכולה לחזק מושגים מופשטים על ידי הדגשת הרלוונטיות שלהם לשאלות קליניות. לדוגמה, מחקר אחד בסדנה ניתח מערכת גילוי רטינופתיה סוכרתית מבוססת AI של גוגל 13 כדי לזהות אתגרים לאורך הנתיב ממעבדה למרפאה, כגון דרישות אימות חיצוניות ומסלולי אישור רגולטוריים.
השתמש בלמידה חווייתית: מיומנויות טכניות דורשות תרגול ממוקד ויישום חוזר ונשנה לשלוט, בדומה לחוויות הלמידה המסתובבות של מתאמנים קליניים. פיתרון פוטנציאלי אחד הוא מודל הכיתה שהופך, שדווח כי הוא משפר את שמירת הידע בחינוך הנדסי 14. במודל זה התלמידים סוקרים חומר תיאורטי באופן עצמאי וזמן הכיתה מוקדש לפיתרון בעיות באמצעות מחקרי מקרה.
קנה מידה למשתתפים רב -תחומיים: אנו רואים אימוץ AI הכולל שיתוף פעולה על פני תחומים מרובים, כולל רופאים ואנשי מקצוע בתחום הבריאות עם רמות הכשרה שונות. לפיכך, יתכן שיהיה צורך לפתח תכניות לימודים בהתייעצות עם סגל ממחלקות שונות כדי להתאים את תוכנם לתחומים שונים של שירותי בריאות.
בינה מלאכותית היא היי-טק ומושגי הליבה שלה קשורים למתמטיקה ומדעי המחשב. הכשרת אנשי בריאות להבנת בינה מלאכותית מציגה אתגרים ייחודיים בבחירת תוכן, רלוונטיות קלינית ושיטות משלוח. אנו מקווים כי התובנות שנצברו מ- AI בסדנאות חינוך יסייעו למחנכים עתידיים לאמץ דרכים חדשניות לשילוב AI בחינוך רפואי.
סקריפט Python Colaboratory Google הוא קוד פתוח וזמין בכתובת: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
פרויפר, ק"ג וחאן, ש. אקאד. תרופה. 88, 1407–1410 (2013).
מקוי, 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 ללימוד מכונות לסטודנטים לרפואה: פרויקט פיילוט. J. Med. לְלַמֵד. 54, 1042–1043 (2020).
Cooperman N, et al. זיהוי ילדים בסיכון נמוך מאוד לפגיעה מוחית מובהקת קלינית לאחר פגיעת ראש: מחקר קוהורט פרוספקטיבי. Lancet 374, 1160–1170 (2009).
רחוב, WN, WOLBERG, WH ומנגזריאן, OL. מיצוי תכונות גרעיניות 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 מכונות לבריאות. נט. מאט. 18, 410–414 (2019).
Selvaraju, Rr et al. Grad-Cam: פרשנות חזותית של רשתות עמוקות באמצעות לוקליזציה מבוססת שיפוע. המשך הוועידה הבינלאומית IEEE בנושא ראיית מחשבים, 618–626 (2017).
Kumaravel B, Stewart K ו- Ilic D. פיתוח והערכה של מודל ספירלה להערכת יכולות רפואה מבוססות ראיות באמצעות OSCE בחינוך רפואי לתואר ראשון. BMK רפואה. לְלַמֵד. 21, 1–9 (2021).
Kolachalama VB ו- Garg PS למידת מכונות וחינוך רפואי. מספרי NPZH. תרופה. 1, 1–3 (2018).
ואן ליוון, ק.ג. יוֹרוֹ. קְרִינָה. 31, 3797–3804 (2021).
טופול, EJ רפואה בעלת ביצועים גבוהים: ההתכנסות של בינה אנושית ומלאכותית. נט. תרופה. 25, 44–56 (2019).
Bede, E. et al. הערכה מרוכזת אנושית של מערכת למידה עמוקה שנפרסה במרפאה לגילוי רטינופתיה סוכרתית. המשך ועידת ה- CHI של 2020 בנושא גורמים אנושיים במערכות מחשוב (2020).
Kerr, B. הכיתה המופעלת בחינוך הנדסי: סקירת מחקר. המשך הוועידה הבינלאומית לשנת 2015 בנושא למידה שיתופית אינטראקטיבית (2015).
הכותבים מודים לדניאלה ווקר, טים סלסודין ופיטר זנדסטרה מאשכול המחקר ההדמיה והבינה המלאכותית הביו -רפואית באוניברסיטת קולומביה הבריטית על תמיכה ומימון.
RH, PP, ZH, RS ו- MA היו אחראים לפיתוח תוכן ההוראה של הסדנה. RH ו- PP היו אחראים לפיתוח דוגמאות התכנות. KYF, OY, MT ו- PW היו אחראים לארגון הלוגיסטי של הפרויקט ולניתוח 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 ואדיטיה בורקאטי על תרומתם לסקירה של עבודה זו.