נקודת מבט קנדית על הוראת בינה מלאכותית לסטודנטים לרפואה

תודה שביקרתם באתר Nature.com. גרסת הדפדפן בה אתם משתמשים תמכה ב-CSS באופן מוגבל. לקבלת התוצאות הטובות ביותר, אנו ממליצים להשתמש בגרסה חדשה יותר של הדפדפן שלכם (או לכבות את מצב התאימות ב-Internet Explorer). בינתיים, כדי להבטיח תמיכה מתמשכת, אנו מציגים את האתר ללא עיצוב 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 והעברתנו לסטודנטים לרפואה קנדיים וממליצים להכשרה עתידית.
בינה מלאכותית (AI) ברפואה יכולה לשפר את יעילות מקום העבודה ולסייע בקבלת החלטות קליניות. כדי להנחות את השימוש בבינה מלאכותית בבטחה, על רופאים להיות בעלי הבנה מסוימת של בינה מלאכותית. תגובות רבות תומכות בהוראת מושגי בינה מלאכותית1, כגון הסבר על מודלים של בינה מלאכותית ותהליכי אימות2. עם זאת, יושמו מעט תוכניות מובנות, במיוחד ברמה הלאומית. פינטו דוס סנטוס ואחרים.3. 263 סטודנטים לרפואה נסקרו ו-71% הסכימו שהם זקוקים להכשרה בבינה מלאכותית. הוראת בינה מלאכותית לקהל רפואי דורשת תכנון קפדני המשלב מושגים טכניים ולא טכניים עבור סטודנטים שלעתים קרובות יש להם ידע קודם נרחב. אנו מתארים את ניסיוננו בהעברת סדרת סדנאות בינה מלאכותית לשלוש קבוצות של סטודנטים לרפואה ונותנים המלצות לחינוך רפואי עתידי בתחום הבינה המלאכותית.
סדנת מבוא לבינה מלאכותית ברפואה לסטודנטים לרפואה, בת חמישה שבועות, נערכה שלוש פעמים בין פברואר 2019 לאפריל 2021. לוח זמנים לכל סדנה, עם תיאור קצר של השינויים בקורס, מוצג באיור 1. לקורס שלנו שלוש מטרות למידה עיקריות: סטודנטים מבינים כיצד נתונים מעובדים ביישומי בינה מלאכותית, מנתחים את הספרות בנושא בינה מלאכותית עבור יישומים קליניים, ומנצלים הזדמנויות לשתף פעולה עם מהנדסים המפתחים בינה מלאכותית.
כחול הוא נושא ההרצאה וכחול בהיר הוא פרק השאלות והתשובות האינטראקטיבי. החלק האפור הוא מוקד סקירת הספרות הקצרה. החלקים הכתומים הם מקרי בוחן נבחרים המתארים מודלים או טכניקות של בינה מלאכותית. ירוק הוא קורס תכנות מודרך שנועד ללמד בינה מלאכותית לפתרון בעיות קליניות ולהערכת מודלים. תוכן הסדנאות ומשכן משתנים בהתאם להערכת צרכי הסטודנטים.
הסדנה הראשונה נערכה באוניברסיטת קולומביה הבריטית מפברואר עד אפריל 2019, וכל 8 המשתתפים נתנו משוב חיובי4. עקב מגפת הקורונה, הסדנה השנייה נערכה באופן וירטואלי באוקטובר-נובמבר 2020, כאשר נרשמו 222 סטודנטים לרפואה ו-3 מתמחים מ-8 בתי ספר לרפואה קנדיים. שקופיות המצגת והקוד הועלו לאתר גישה פתוחה (http://ubcaimed.github.io). המשוב המרכזי מהאיטרציה הראשונה היה שההרצאות היו אינטנסיביות מדי והחומר תיאורטי מדי. שירות שישה אזורי הזמן השונים של קנדה מציב אתגרים נוספים. לפיכך, הסדנה השנייה קיצרה כל מפגש לשעה, פישטה את חומרי הקורס, הוסיפה עוד מקרי בוחן ויצרה תוכניות בסיסיות שאפשרו למשתתפים להשלים קטעי קוד עם מינימום ניפוי שגיאות (תיבה 1). המשוב המרכזי מהאיטרציה השנייה כלל משוב חיובי על תרגילי התכנות ובקשה להדגים תכנון לפרויקט למידת מכונה. לכן, בסדנה השלישית שלנו, שנערכה באופן וירטואלי עבור 126 סטודנטים לרפואה במרץ-אפריל 2021, כללנו יותר תרגילי קידוד אינטראקטיביים ומפגשי משוב על פרויקטים כדי להדגים את ההשפעה של שימוש במושגי הסדנה על פרויקטים.
ניתוח נתונים: תחום מחקר בסטטיסטיקה המזהה דפוסים משמעותיים בנתונים על ידי ניתוח, עיבוד ותקשורת של דפוסי נתונים.
כריית נתונים: תהליך הזיהוי והחילוץ של נתונים. בהקשר של בינה מלאכותית, תהליך זה לרוב גדול, עם משתנים מרובים עבור כל דגימה.
צמצום ממדיות: תהליך של הפיכת נתונים עם מאפיינים בודדים רבים לפחות מאפיינים תוך שמירה על המאפיינים החשובים של מערך הנתונים המקורי.
מאפיינים (בהקשר של בינה מלאכותית): תכונות מדידות של מדגם. משמש לעתים קרובות לסירוגין עם "מאפיין" או "משתנה".
מפת הפעלת גרדיאנט: טכניקה המשמשת לפירוש מודלים של בינה מלאכותית (במיוחד רשתות עצביות קונבולוציוניות), אשר מנתחת את תהליך האופטימיזציה של החלק האחרון של הרשת כדי לזהות אזורי נתונים או תמונות בעלי יכולת ניבוי גבוהה.
מודל סטנדרטי: מודל בינה מלאכותית קיים שאומן מראש לביצוע משימות דומות.
בדיקות (בהקשר של בינה מלאכותית): התבוננות באופן שבו מודל מבצע משימה באמצעות נתונים שלא נתקל בהם קודם לכן.
אימון (בהקשר של בינה מלאכותית): אספקת 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 אלמנט במערך הוא בדרך כלל מאפיין ייחודי של הדגימה.
טבלה 1 מפרטת את הקורסים האחרונים לחודש אפריל 2021, כולל יעדי למידה ממוקדים לכל נושא. סדנה זו מיועדת למתחילים ברמה הטכנית ואינה דורשת ידע מתמטי מעבר לשנה הראשונה של תואר ראשון ברפואה. הקורס פותח על ידי 6 סטודנטים לרפואה ו-3 מורים בעלי תארים מתקדמים בהנדסה. מהנדסים מפתחים תיאוריה של בינה מלאכותית להוראה, וסטודנטים לרפואה לומדים חומר רלוונטי קלינית.
הסדנאות כוללות הרצאות, מקרי בוחן ותכנות מודרך. בהרצאה הראשונה, נסקור מושגים נבחרים של ניתוח נתונים בביוסטטיסטיקה, כולל ויזואליזציה של נתונים, רגרסיה לוגיסטית והשוואה של סטטיסטיקה תיאורית ואינדוקטיבית. למרות שניתוח נתונים הוא הבסיס של בינה מלאכותית, אנו לא כוללים נושאים כגון כריית נתונים, בדיקות מובהקות או ויזואליזציה אינטראקטיבית. זאת בשל אילוצי זמן וגם משום שחלק מהסטודנטים לתואר ראשון היו בעלי הכשרה קודמת בביוסטטיסטיקה ורצו לכסות נושאים ייחודיים יותר של למידת מכונה. ההרצאה שלאחר מכן מציגה שיטות מודרניות ודנה בניסוח בעיות של בינה מלאכותית, יתרונות ומגבלות של מודלים של בינה מלאכותית ובדיקת מודלים. ההרצאות משלימות בספרות ובמחקר מעשי על מכשירי בינה מלאכותית קיימים. אנו מדגישים את המיומנויות הנדרשות להערכת היעילות וההיתכנות של מודל כדי להתמודד עם שאלות קליניות, כולל הבנת המגבלות של מכשירי בינה מלאכותית קיימים. לדוגמה, ביקשנו מהסטודנטים לפרש את ההנחיות לפגיעות ראש בילדים שהוצעו על ידי קופרמן ואחרים, 5 אשר יישמו אלגוריתם עץ החלטה של ​​בינה מלאכותית כדי לקבוע האם סריקת CT תהיה שימושית על סמך בדיקת רופא. אנו מדגישים שזוהי דוגמה נפוצה לבינה מלאכותית המספקת ניתוח ניבוי לרופאים לפרשנות, במקום להחליף רופאים.
בדוגמאות תכנות האתחול בקוד פתוח הזמינות (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), אנו מדגימים כיצד לבצע ניתוח נתונים חקרני, צמצום מימדיות, טעינת מודל סטנדרטי, אימון ובדיקה. אנו משתמשים במחברות Google Colaboratory (Google LLC, Mountain View, CA), המאפשרות ביצוע קוד Python מדפדפן אינטרנט. באיור 2, איור 2 מציג דוגמה לתרגיל תכנות. תרגיל זה כולל ניבוי גידולים ממאירים באמצעות מערך נתונים של Wisconsin Open Breast Imaging Dataset6 ואלגוריתם עץ החלטה.
הציגו תוכניות לאורך השבוע בנושאים קשורים ובחרו דוגמאות מיישומי בינה מלאכותית שפורסמו. אלמנטים תכנותיים כלולים רק אם הם נחשבים רלוונטיים למתן תובנות לגבי פרקטיקה קלינית עתידית, כגון כיצד להעריך מודלים כדי לקבוע האם הם מוכנים לשימוש בניסויים קליניים. דוגמאות אלו מגיעות לשיאן ביישום מלא מקצה לקצה המסווג גידולים כשפירים או ממאירים על סמך פרמטרים של דימות רפואי.
הטרוגניות של ידע קודם. רמת הידע המתמטי של המשתתפים שלנו הייתה מגוונת. לדוגמה, סטודנטים בעלי רקע הנדסי מתקדם מחפשים חומר מעמיק יותר, כגון כיצד לבצע טרנספורמציות פורייה משלהם. עם זאת, דיון באלגוריתם פורייה בכיתה אינו אפשרי מכיוון שהוא דורש ידע מעמיק בעיבוד אותות.
נוכחות יוצאת. נוכחות בפגישות מעקב ירדה, במיוחד בפורמטים מקוונים. פתרון עשוי להיות מעקב אחר נוכחות ומתן תעודת סיום. בתי ספר לרפואה ידועים בכך שהם מכירים בגיליונות של פעילויות אקדמיות חוץ-לימודיות של סטודנטים, דבר שיכול לעודד סטודנטים להמשיך לתואר.
עיצוב הקורס: מכיוון שבינה מלאכותית משתרעת על פני תת-תחומים רבים כל כך, בחירת מושגי ליבה בעלי עומק ורוחב מתאימים יכולה להיות מאתגרת. לדוגמה, המשכיות השימוש בכלי בינה מלאכותית מהמעבדה ועד למרפאה היא נושא חשוב. בעוד שאנו מכסים עיבוד מקדים של נתונים, בניית מודלים ותיקוף, איננו כוללים נושאים כמו ניתוח ביג דאטה, ויזואליזציה אינטראקטיבית או ביצוע ניסויים קליניים של בינה מלאכותית, במקום זאת אנו מתמקדים במושגי הבינה המלאכותית הייחודיים ביותר. העיקרון המנחה שלנו הוא לשפר את האוריינות, לא את המיומנויות. לדוגמה, הבנת האופן שבו מודל מעבד תכונות קלט חשובה לפרשנות. דרך אחת לעשות זאת היא להשתמש במפות הפעלת גרדיאנט, שיכולות להמחיש אילו אזורים בנתונים ניתנים לחיזוי. עם זאת, זה דורש חשבון רב-משתני ולא ניתן להציגו. פיתוח טרמינולוגיה משותפת היה מאתגר מכיוון שניסינו להסביר כיצד לעבוד עם נתונים כווקטורים ללא פורמליזם מתמטי. שימו לב שלמונחים שונים יש את אותה משמעות, לדוגמה, באפידמיולוגיה, "מאפיין" מתואר כ"משתנה" או "תכונה".
שימור ידע. מכיוון שהשימוש בבינה מלאכותית מוגבל, המידה שבה המשתתפים שומרים על ידע נותרה לראות. תוכניות לימודים בבתי ספר לרפואה מסתמכות לעתים קרובות על חזרה במרווחים כדי לחזק ידע במהלך סבבים מעשיים, 9 דבר שניתן ליישם גם בחינוך לבינה מלאכותית.
מקצועיות חשובה יותר מאוריינות. עומק החומר מתוכנן ללא קפדנות מתמטית, דבר שהיווה בעיה בעת השקת קורסים קליניים בבינה מלאכותית. בדוגמאות התכנות, אנו משתמשים בתבנית תוכנה המאפשרת למשתתפים למלא שדות ולהפעיל את התוכנה מבלי שיצטרכו להבין כיצד להגדיר סביבת תכנות שלמה.
חששות בנוגע לבינה מלאכותית שטופלו: קיימת דאגה נרחבת שבינה מלאכותית עשויה להחליף חלק מהתפקידים הקליניים3. כדי לטפל בבעיה זו, אנו מסבירים את המגבלות של בינה מלאכותית, כולל העובדה שכמעט כל טכנולוגיות הבינה המלאכותית שאושרו על ידי הרגולטורים דורשות פיקוח רפואי11. אנו מדגישים גם את חשיבות ההטיה משום שאלגוריתמים נוטים להטיה, במיוחד אם מערך הנתונים אינו מגוון12. כתוצאה מכך, תת-קבוצה מסוימת עשויה להיות מעוצבת בצורה שגויה, מה שמוביל להחלטות קליניות לא הוגנות.
משאבים זמינים לציבור: יצרנו משאבים זמינים לציבור, כולל שקופיות הרצאות וקוד. למרות שהגישה לתוכן סינכרוני מוגבלת עקב אזורי זמן, תוכן קוד פתוח הוא שיטה נוחה ללמידה אסינכרונית מכיוון שמומחיות בבינה מלאכותית אינה זמינה בכל בתי הספר לרפואה.
שיתוף פעולה בין-תחומי: סדנה זו היא מיזם משותף שיזמו סטודנטים לרפואה לתכנון קורסים יחד עם מהנדסים. סדנה זו מדגימה הזדמנויות לשיתוף פעולה ופערי ידע בשני התחומים, ומאפשרת למשתתפים להבין את התפקיד הפוטנציאלי שהם יכולים לתרום בעתיד.
הגדרת יכולות ליבה של בינה מלאכותית. הגדרת רשימת יכולות מספקת מבנה סטנדרטי שניתן לשלב בתוכניות לימודים רפואיות קיימות מבוססות יכולות. סדנה זו משתמשת כיום ברמות יעדי למידה 2 (הבנה), 3 (יישום) ו-4 (ניתוח) של הטקסונומיה של בלום. החזקת משאבים ברמות סיווג גבוהות יותר, כגון יצירת פרויקטים, יכולה לחזק עוד יותר את הידע. זה דורש עבודה עם מומחים קליניים כדי לקבוע כיצד ניתן ליישם נושאי בינה מלאכותית בזרימות עבודה קליניות ולמנוע הוראת נושאים חוזרים שכבר כלולים בתוכניות לימוד רפואיות סטנדרטיות.
צרו מחקרי מקרה באמצעות בינה מלאכותית. בדומה לדוגמאות קליניות, למידה מבוססת מקרה יכולה לחזק מושגים מופשטים על ידי הדגשת הרלוונטיות שלהם לשאלות קליניות. לדוגמה, מחקר סדנה אחד ניתח את מערכת גילוי הרטינופתיה הסוכרתית של גוגל המבוססת על בינה מלאכותית 13 כדי לזהות אתגרים לאורך הדרך מהמעבדה למרפאה, כגון דרישות אימות חיצוניות ומסלולי אישור רגולטוריים.
השתמשו בלמידה חווייתית: מיומנויות טכניות דורשות תרגול ממוקד ויישום חוזר על עצמו כדי לשלוט, בדומה לחוויות הלמידה המתחלפות של מתמחים קליניים. פתרון פוטנציאלי אחד הוא מודל הכיתה ההפוכה, אשר דווח כי משפר את שימור הידע בחינוך הנדסי14. במודל זה, הסטודנטים סוקרים חומר תיאורטי באופן עצמאי וזמן השיעור מוקדש לפתרון בעיות באמצעות מקרי בוחן.
הרחבה עבור משתתפים רב-תחומיים: אנו צופים אימוץ בינה מלאכותית כרוך בשיתוף פעולה בין תחומים מרובים, כולל רופאים ואנשי מקצוע בתחום הבריאות בעלי רמות הכשרה שונות. לכן, ייתכן שיהיה צורך לפתח תוכניות לימודים בהתייעצות עם סגל ממחלקות שונות כדי להתאים את תוכנן לתחומים שונים של שירותי הבריאות.
בינה מלאכותית היא טכנולוגיה מתקדמת והמושגים המרכזיים שלה קשורים למתמטיקה ולמדעי המחשב. הכשרת אנשי צוות רפואי להבנת בינה מלאכותית מציבה אתגרים ייחודיים בבחירת תוכן, רלוונטיות קלינית ושיטות העברה. אנו מקווים שהתובנות שיתקבלו מסדנאות "בינה מלאכותית בחינוך" יסייעו למחנכים עתידיים לאמץ דרכים חדשניות לשילוב בינה מלאכותית בחינוך רפואי.
סקריפט הפייתון של גוגל קולאבורטורי הוא קוד פתוח וזמין בכתובת: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
פרובר, ק"ג וחאן, ס. חשיבה מחדש על חינוך רפואי: קריאה לפעולה. אכד. רפואה. 88, 1407–1410 (2013).
מקוי, ל"ג וכו'. מה באמת צריכים סטודנטים לרפואה לדעת על בינה מלאכותית? מספרי NPZh. רפואה 3, 1–3 (2020).
דוס סנטוס, DP, ואחרים. עמדות סטודנטים לרפואה כלפי בינה מלאכותית: סקר רב-מרכזי. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., and Singla, R. מבוא ללמידת מכונה עבור סטודנטים לרפואה: פרויקט פיילוט. J. Med. teach. 54, 1042–1043 (2020).
קופרמן נ' ואחרים. זיהוי ילדים בסיכון נמוך מאוד לפגיעה מוחית משמעותית קלינית לאחר פגיעת ראש: מחקר עוקבה פרוספקטיבי. Lancet 374, 1160–1170 (2009).
סטריט, וו.נ., וולברג, וו.ה. ומנגסאריאן, או.ל. חילוץ מאפיינים גרעיניים לאבחון גידולי שד. מדע ביו-רפואי. עיבוד תמונה. מדע ביו-רפואי. וייס. 1905, 861–870 (1993).
צ'ן, PHC, ליו, י. ופנג, ל. כיצד לפתח מודלים של למידת מכונה בתחום הבריאות. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR ואחרים. Grad-cam: פרשנות חזותית של רשתות עמוקות באמצעות לוקליזציה מבוססת גרדיאנט. דיוני הכנס הבינלאומי של IEEE בנושא ראייה ממוחשבת, 618–626 (2017).
קומראבל ב', סטיוארט ק' ואיליץ' ד'. פיתוח והערכה של מודל ספירלי להערכת יכולות רפואיות מבוססות ראיות באמצעות OSCE בחינוך רפואי לתואר ראשון. BMK Medicine. teach. 21, 1–9 (2021).
קולאצ'אלמה VB וגארג PS למידת מכונה וחינוך רפואי. מספרי NPZh. רפואה. 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, א.י. רפואה בעלת ביצועים גבוהים: התכנסות של בינה אנושית ואינטליגנציה מלאכותית. רפואה טבעית. 25, 44–56 (2019).
Bede, E. et al. הערכה ממוקדת אדם של מערכת למידה עמוקה הפרוסה במרפאה לאיתור רטינופתיה סוכרתית. דיוני כנס CHI 2020 בנושא גורמים אנושיים במערכות מחשוב (2020).
קר, ב. כיתה הפוכה בחינוך הנדסי: סקירת מחקר. דיוני הכנס הבינלאומי 2015 ללמידה שיתופית אינטראקטיבית (2015).
המחברים מודים לדניאל ווקר, טים סלקודין ופיטר זנדסטרה מאשכול המחקר להדמיה ביו-רפואית ובינה מלאכותית באוניברסיטת קולומביה הבריטית על התמיכה והמימון.
RH, PP, ZH, RS ו-MA היו אחראים על פיתוח תוכן ההוראה של הסדנה. RH ו-PP היו אחראים על פיתוח דוגמאות התכנות. KYF, OY, MT ו-PW היו אחראים על הארגון הלוגיסטי של הפרויקט ועל ניתוח הסדנאות. RH, OY, MT, RS היו אחראים על יצירת האיורים 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 לסקירת עבודה זו.