Grazas por visitar Nature.com.A versión do navegador que estás a usar ten soporte CSS limitado.Para obter os mellores resultados, recomendamos utilizar unha versión máis recente do seu navegador (ou desactivar o modo de compatibilidade en Internet Explorer).Mentres tanto, para garantir a asistencia continua, mostramos o sitio sen estilo nin JavaScript.
As aplicacións da intelixencia artificial clínica (IA) están crecendo rapidamente, pero os currículos das facultades de medicina existentes ofrecen un ensino limitado que cobre esta área.Aquí describimos un curso de formación en intelixencia artificial que desenvolvemos e impartimos a estudantes de medicina canadense e facemos recomendacións para a formación futura.
A intelixencia artificial (IA) en medicina pode mellorar a eficiencia no lugar de traballo e axudar na toma de decisións clínicas.Para guiar con seguridade o uso da intelixencia artificial, os médicos deben ter algún coñecemento da intelixencia artificial.Moitos comentarios avogan por ensinar conceptos de IA1, como explicar modelos de IA e procesos de verificación2.Porén, poucos plans estruturados foron implementados, especialmente a nivel nacional.Pinto dos Santos et al.3.Enquisáronse a 263 estudantes de medicina e o 71% coincidiu en que necesitaban formación en intelixencia artificial.Ensinar intelixencia artificial a un público médico require un deseño coidadoso que combine conceptos técnicos e non técnicos para estudantes que adoitan ter coñecementos previos extensos.Describimos a nosa experiencia impartindo unha serie de obradoiros de IA a tres grupos de estudantes de medicina e formulamos recomendacións para a futura educación médica en IA.
O noso obradoiro de cinco semanas de Introdución á Intelixencia Artificial en Medicina para estudantes de medicina realizouse tres veces entre febreiro de 2019 e abril de 2021. Na figura 1 móstrase unha programación para cada obradoiro, cunha breve descrición dos cambios no curso. tres obxectivos de aprendizaxe principais: os estudantes comprenden como se procesan os datos en aplicacións de intelixencia artificial, analizan a literatura sobre intelixencia artificial para aplicacións clínicas e aproveitan as oportunidades para colaborar con enxeñeiros que desenvolven intelixencia artificial.
O azul é o tema da charla e o azul claro é o período interactivo de preguntas e respostas.A sección gris é o foco da breve revisión da literatura.As seccións laranxas son casos prácticos seleccionados que describen modelos ou técnicas de intelixencia artificial.Green é un curso de programación guiada deseñado para ensinar a intelixencia artificial a resolver problemas clínicos e avaliar modelos.O contido e a duración dos obradoiros varían en función da valoración das necesidades do alumnado.
O primeiro obradoiro celebrouse na Universidade da Columbia Británica de febreiro a abril de 2019 e os 8 participantes deron comentarios positivos4.Debido ao COVID-19, o segundo obradoiro celebrouse virtualmente entre outubro e novembro de 2020, con 222 estudantes de medicina e 3 residentes de 8 facultades de medicina canadenses rexistrados.As diapositivas e o código da presentación foron cargados nun sitio de acceso aberto (http://ubcaimed.github.io).O principal feedback da primeira iteración foi que as conferencias eran demasiado intensas e o material demasiado teórico.Atender os seis fusos horarios diferentes de Canadá supón retos adicionais.Así, o segundo obradoiro acurtou cada sesión a 1 hora, simplificou o material do curso, engadiu máis casos prácticos e creou programas estándar que permitían aos participantes completar fragmentos de código cunha mínima depuración (Cadro 1).Os comentarios clave da segunda iteración incluíron comentarios positivos sobre os exercicios de programación e unha solicitude para demostrar a planificación dun proxecto de aprendizaxe automática.Polo tanto, no noso terceiro obradoiro, celebrado virtualmente para 126 estudantes de medicina entre marzo e abril de 2021, incluímos exercicios de codificación máis interactivos e sesións de comentarios sobre proxectos para demostrar o impacto do uso dos conceptos do obradoiro nos proxectos.
Análise de datos: un campo de estudo en estatística que identifica patróns significativos nos datos mediante a análise, procesamento e comunicación de patróns de datos.
Minería de datos: proceso de identificación e extracción de datos.No contexto da intelixencia artificial, esta adoita ser grande, con varias variables para cada mostra.
Redución da dimensionalidade: proceso de transformación de datos con moitas características individuais en menos funcións conservando as propiedades importantes do conxunto de datos orixinal.
Características (no contexto da intelixencia artificial): propiedades medibles dunha mostra.Moitas veces úsase indistintamente con "propiedade" ou "variable".
Gradient Activation Map: Técnica utilizada para interpretar modelos de intelixencia artificial (especialmente redes neuronais convolucionais), que analiza o proceso de optimización da última parte da rede para identificar rexións de datos ou imaxes altamente preditivas.
Modelo estándar: un modelo de IA existente que foi adestrado previamente para realizar tarefas similares.
Testing (no contexto da intelixencia artificial): observa como un modelo realiza unha tarefa utilizando datos que non atopou antes.
Formación (no contexto da intelixencia artificial): Proporcionar un modelo con datos e resultados para que o modelo axuste os seus parámetros internos para optimizar a súa capacidade para realizar tarefas utilizando novos datos.
Vector: matriz de datos.Na aprendizaxe automática, cada elemento da matriz adoita ser unha característica única da mostra.
A táboa 1 enumera os últimos cursos de abril de 2021, incluíndo obxectivos de aprendizaxe dirixidos a cada tema.Este obradoiro está destinado a aqueles novos no nivel técnico e non require ningún coñecemento matemático máis aló do primeiro ano dunha licenciatura en medicina.O curso foi desenvolvido por 6 estudantes de medicina e 3 profesores con grao superior de enxeñaría.Os enxeñeiros están a desenvolver a teoría da intelixencia artificial para ensinar e os estudantes de medicina están a aprender material clínicamente relevante.
Os obradoiros inclúen conferencias, estudos de casos e programación guiada.Na primeira charla, revisamos conceptos seleccionados de análise de datos en bioestatística, incluíndo a visualización de datos, a regresión loxística e a comparación de estatísticas descritivas e indutivas.Aínda que a análise de datos é a base da intelixencia artificial, excluímos temas como a minería de datos, as probas de importancia ou a visualización interactiva.Isto debeuse ás limitacións de tempo e tamén a que algúns estudantes de grao tiñan formación previa en bioestatística e querían cubrir temas máis exclusivos de aprendizaxe automática.A charla posterior presenta métodos modernos e analiza a formulación de problemas de IA, as vantaxes e limitacións dos modelos de IA e as probas de modelos.As conferencias compleméntanse con literatura e investigación práctica sobre dispositivos de intelixencia artificial existentes.Facemos fincapé nas habilidades necesarias para avaliar a eficacia e viabilidade dun modelo para abordar cuestións clínicas, incluíndo a comprensión das limitacións dos dispositivos de intelixencia artificial existentes.Por exemplo, pedímoslles aos estudantes que interpretasen as directrices pediátricas de traumatismos craneoencefálicos propostas por Kupperman et al., 5 que implementaron un algoritmo de árbore de decisión de intelixencia artificial para determinar se sería útil unha tomografía computarizada baseándose no exame dun médico.Enfatizamos que este é un exemplo común de IA que proporciona análises preditivas para que os médicos as interpreten, en lugar de substituír aos médicos.
Nos exemplos de programación de arranque de código aberto dispoñibles (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demostramos como realizar análises exploratorias de datos, redución da dimensionalidade, carga de modelos estándar e adestramento. .e probas.Usamos cadernos de Google Colaboratory (Google LLC, Mountain View, CA), que permiten executar código Python desde un navegador web.Na figura 2. A figura 2 ofrece un exemplo dun exercicio de programación.Este exercicio implica a predicción de tumores malignos mediante o Wisconsin Open Breast Imaging Dataset6 e un algoritmo de árbore de decisións.
Presenta programas durante toda a semana sobre temas relacionados e selecciona exemplos das aplicacións de IA publicadas.Os elementos de programación só se inclúen se se consideran relevantes para proporcionar información sobre a práctica clínica futura, como a forma de avaliar os modelos para determinar se están listos para o seu uso en ensaios clínicos.Estes exemplos culminan nunha aplicación completa de extremo a extremo que clasifica os tumores como benignos ou malignos en función de parámetros de imaxe médica.
Heteroxeneidade dos coñecementos previos.Os nosos participantes variaron no seu nivel de coñecementos matemáticos.Por exemplo, os estudantes con formación avanzada en enxeñería buscan material máis profundo, como como realizar as súas propias transformadas de Fourier.Non obstante, discutir o algoritmo de Fourier na clase non é posible porque require un coñecemento profundo do procesamento de sinal.
Saída de asistencia.A asistencia ás reunións de seguimento diminuíu, especialmente nos formatos en liña.Unha solución pode ser facer un seguimento da asistencia e proporcionar un certificado de finalización.Sábese que as facultades de medicina recoñecen as transcricións das actividades académicas extraescolares dos estudantes, o que pode animar aos estudantes a cursar un título.
Deseño do curso: debido a que a IA abarca tantos subcampos, pode ser un reto seleccionar conceptos fundamentais de profundidade e amplitude adecuadas.Por exemplo, a continuidade do uso das ferramentas de IA desde o laboratorio ata a clínica é un tema importante.Aínda que abarcamos o preprocesamento de datos, a creación de modelos e a validación, non incluímos temas como a análise de big data, a visualización interactiva ou a realización de ensaios clínicos de IA, senón que nos centramos nos conceptos de IA máis exclusivos.O noso principio reitor é mellorar a alfabetización, non as habilidades.Por exemplo, comprender como procesa un modelo as características de entrada é importante para a interpretabilidade.Unha forma de facelo é usar mapas de activación de gradientes, que poden visualizar que rexións dos datos son previsibles.Non obstante, isto require un cálculo multivariado e non se pode introducir8.Desenvolver unha terminoloxía común foi un reto porque estabamos tentando explicar como traballar con datos como vectores sen formalismo matemático.Teña en conta que diferentes termos teñen o mesmo significado, por exemplo, en epidemioloxía, unha "característica" descríbese como "variable" ou "atributo".
Retención do coñecemento.Dado que a aplicación da IA é limitada, queda por ver ata que punto os participantes conservan o coñecemento.Os currículos das facultades de medicina adoitan depender da repetición espaciada para reforzar o coñecemento durante as rotacións prácticas,9 que tamén se poden aplicar á educación en IA.
A profesionalidade é máis importante que a alfabetización.A profundidade do material está deseñada sen rigor matemático, o que foi un problema á hora de lanzar cursos clínicos de intelixencia artificial.Nos exemplos de programación, usamos un programa modelo que permite aos participantes cubrir campos e executar o software sen ter que descubrir como configurar un ambiente de programación completo.
Preocupacións sobre a intelixencia artificial abordadas: hai unha preocupación xeneralizada de que a intelixencia artificial poida substituír algúns deberes clínicos3.Para resolver este problema, explicamos as limitacións da IA, incluído o feito de que case todas as tecnoloxías de IA aprobadas polos reguladores requiren a supervisión dun médico11.Tamén subliñamos a importancia do sesgo porque os algoritmos son propensos ao sesgo, especialmente se o conxunto de datos non é diverso12.En consecuencia, un determinado subgrupo pode modelarse incorrectamente, o que leva a decisións clínicas inxustas.
Os recursos están dispoñibles para o público: creamos recursos dispoñibles para o público, incluíndo diapositivas de conferencias e código.Aínda que o acceso ao contido sincrónico está limitado debido aos fusos horarios, o contido de código aberto é un método conveniente para a aprendizaxe asíncrona xa que a experiencia en IA non está dispoñible en todas as escolas de medicina.
Colaboración interdisciplinar: este obradoiro é unha empresa conxunta iniciada por estudantes de medicina para planificar cursos xunto cos enxeñeiros.Isto demostra oportunidades de colaboración e lagoas de coñecemento en ambas áreas, o que permite aos participantes comprender o papel potencial que poden contribuír no futuro.
Definir as competencias básicas de IA.A definición dunha lista de competencias proporciona unha estrutura estandarizada que se pode integrar nos currículos médicos existentes baseados en competencias.Este obradoiro utiliza actualmente os niveis de obxectivos de aprendizaxe 2 (Comprensión), 3 (Aplicación) e 4 (Análise) da taxonomía de Bloom.Ter recursos en niveis máis altos de clasificación, como a creación de proxectos, pode reforzar aínda máis o coñecemento.Isto require traballar con expertos clínicos para determinar como se poden aplicar os temas de IA aos fluxos de traballo clínicos e evitar o ensino de temas repetitivos xa incluídos nos currículos médicos estándar.
Crea casos prácticos usando IA.Do mesmo xeito que os exemplos clínicos, a aprendizaxe baseada en casos pode reforzar conceptos abstractos destacando a súa relevancia para cuestións clínicas.Por exemplo, un estudo de taller analizou o sistema de detección de retinopatía diabética baseado na intelixencia artificial de Google 13 para identificar desafíos no camiño do laboratorio á clínica, como os requisitos de validación externa e as vías de aprobación regulamentarias.
Use a aprendizaxe experiencial: as habilidades técnicas requiren unha práctica centrada e unha aplicación repetida para dominar, de xeito similar ás experiencias de aprendizaxe rotativas dos estudantes clínicos.Unha posible solución é o modelo de aula invertida, do que se informou que mellora a retención de coñecementos na educación da enxeñaría14.Neste modelo, o alumnado repasa o material teórico de forma independente e o tempo de clase dedícase á resolución de problemas mediante casos prácticos.
Ampliación para participantes multidisciplinares: prevemos a adopción da IA que implique a colaboración en múltiples disciplinas, incluídos médicos e profesionais da saúde afines con distintos niveis de formación.Polo tanto, é posible que os currículos teñan que desenvolverse en consulta co profesorado de diferentes departamentos para adaptar o seu contido ás diferentes áreas da atención sanitaria.
A intelixencia artificial é de alta tecnoloxía e os seus conceptos fundamentais están relacionados coas matemáticas e a informática.A formación do persoal sanitario para comprender a intelixencia artificial presenta desafíos únicos na selección de contidos, a relevancia clínica e os métodos de entrega.Agardamos que os coñecementos obtidos dos obradoiros de IA na educación axuden aos futuros educadores a adoptar formas innovadoras de integrar a IA na educación médica.
O script de Google Colaboratory Python é de código aberto e está dispoñible en: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG e Khan, S. Repensando a educación médica: unha chamada á acción.Akkad.medicina.88, 1407–1410 (2013).
McCoy, LG, etc. Que realmente necesitan saber os estudantes de medicina sobre a intelixencia artificial?Números NPZh.Medicina 3, 1–3 (2020).
Dos Santos, DP, et al.Actitudes dos estudantes de medicina cara á intelixencia artificial: unha enquisa multicéntrica.EURO.radiación.29, 1640–1646 (2019).
Fan, KY, Hu, R. e Singla, R. Introdución á aprendizaxe automática para estudantes de medicina: un proxecto piloto.J. Med.ensinar.54, 1042–1043 (2020).
Cooperman N, et al.Identificación de nenos con risco moi baixo de lesión cerebral clínicamente significativa despois da lesión na cabeza: un estudo de cohorte prospectivo.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH e Mangasarian, OL.Extracción de características nucleares para o diagnóstico de tumores de mama.Ciencias Biomédicas.Tratamento da imaxe.Ciencias Biomédicas.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. e Peng, L. How to develop machine learning models for healthcare.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: interpretación visual de redes profundas mediante localización baseada en gradientes.Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K e Ilic D. Desenvolvemento e avaliación dun modelo en espiral para avaliar as competencias da medicina baseada na evidencia usando OSCE na educación médica de graduación.Medicina BMK.ensinar.21, 1–9 (2021).
Kolachalama VB e Garg PS Aprendizaxe automática e educación médica.Números NPZh.medicina.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. e de Rooy, M. Intelixencia artificial en radioloxía: produtos 100 comerciais e as súas evidencias científicas.EURO.radiación.31, 3797–3804 (2021).
Topol, EJ Medicina de alto rendemento: a converxencia da intelixencia humana e artificial.Nat.medicina.25, 44–56 (2019).
Bede, E. et al.Avaliación centrada no ser humano dun sistema de aprendizaxe profunda despregado na clínica para a detección da retinopatía diabética.Proceedings of the CHI Conference on Human Factors in Computing Systems 2020 (2020).
Kerr, B. The flipped classroom in engineering education: A research review.Actas da International Conference on Interactive Collaborative Learning 2015 (2015).
Os autores agradecen a Danielle Walker, Tim Salcudin e Peter Zandstra do Clúster de Investigación de Imaxe Biomédica e Intelixencia Artificial da Universidade de Columbia Británica polo apoio e financiamento.
RH, PP, ZH, RS e MA foron os encargados de desenvolver os contidos didácticos do obradoiro.RH e PP foron os encargados de desenvolver os exemplos de programación.KYF, OY, MT e PW foron os responsables da organización loxística do proxecto e da análise dos obradoiros.RH, OY, MT, RS foron os encargados de crear as figuras e táboas.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS foron os responsables da redacción e edición do documento.
Communication Medicine agradece a Carolyn McGregor, Fabio Moraes e Aditya Borakati as súas contribucións á revisión deste traballo.
Hora de publicación: 19-feb-2024