Grazas por visitar Nature.com. A versión do navegador que está a usar ten soporte CSS limitado. Para obter os mellores resultados, recomendamos usar unha versión máis recente do seu navegador (ou desactivar o modo de compatibilidade en Internet Explorer). Mentres tanto, para garantir o apoio continuo, mostramos o sitio sen estilo nin JavaScript.
As aplicacións de intelixencia artificial clínica (AI) están crecendo rapidamente, pero os currículos de escola médica existentes ofrecen un ensino limitado que abarca esta área. Aquí describimos un curso de formación de intelixencia artificial que desenvolvemos e entregamos aos estudantes de medicina canadense e facemos recomendacións para a formación futura.
A intelixencia artificial (AI) na medicina pode mellorar a eficiencia no lugar de traballo e axudar á toma de decisións clínicas. Para guiar con seguridade o uso da intelixencia artificial, os médicos deben ter algo de comprensión da intelixencia artificial. Moitos comentarios defenden ensinar conceptos de AI1, como explicar modelos de AI e procesos de verificación2. Non obstante, poucos plans estruturados foron implementados, especialmente a nivel nacional. Pinto dos Santos et al.3. Enquisáronse 263 estudantes de medicina e o 71% acordou que necesitaban formación en intelixencia artificial. Ensinar a intelixencia artificial a un público médico require un deseño coidadoso que combina conceptos técnicos e non técnicos para estudantes que adoitan ter coñecementos previos. Describimos a nosa experiencia entregando unha serie de talleres de IA a tres grupos de estudantes de medicina e facemos recomendacións para a futura educación médica en IA.
A nosa introdución de cinco semanas á intelixencia artificial en medicamentos para estudantes de medicina celebrouse tres veces entre febreiro de 2019 e abril de 2021. Un calendario para cada taller, cunha breve descrición dos cambios no curso, móstrase na figura 1. O noso curso ten Tres obxectivos de aprendizaxe primaria: os estudantes entenden como os datos son procesados en aplicacións de intelixencia artificial, analizan a literatura de intelixencia artificial para aplicacións clínicas e aproveitan as oportunidades para colaborar cos enxeñeiros que desenvolven intelixencia artificial.
O azul é o tema da conferencia e o azul claro é o período interactivo e a resposta. A sección gris é o foco da breve revisión da literatura. As seccións laranxas son estudos de caso seleccionados que describen modelos ou técnicas de intelixencia artificial. Green é un curso de programación guiado deseñado para ensinar intelixencia artificial para resolver problemas clínicos e avaliar modelos. O contido e a duración dos talleres varían en función dunha avaliación das necesidades dos estudantes.
O primeiro taller tivo lugar na Universidade de Columbia Británica de febreiro a abril de 2019, e os 8 participantes deron comentarios positivos4. Debido a Covid-19, o segundo obradoiro tivo lugar practicamente en outubro-novembro de 2020, con 222 estudantes de medicina e 3 residentes de 8 escolas médicas canadenses rexistradas. As diapositivas de presentación e o código foron subidas a un sitio de acceso aberto (http://ubcaimed.github.io). O feedback clave da primeira iteración foi que as conferencias eran demasiado intensas e o material demasiado teórico. Servir as seis zonas horarias de Canadá supón retos adicionais. Así, o segundo obradoiro acurtou cada sesión a 1 hora, simplificou o material do curso, engadiu máis estudos de caso e creou programas de placa de caldeira que permitían aos participantes completar fragmentos de código cunha depuración mínima (caixa 1). A retroalimentación clave da segunda iteración incluíu comentarios positivos sobre os exercicios de programación e unha solicitude para demostrar a planificación dun proxecto de aprendizaxe automática. Polo tanto, no noso terceiro taller, ocupado practicamente para 126 estudantes de medicina en marzo-abril 2021, incluímos máis exercicios de codificación interactivos e sesións de retroalimentación de proxectos para demostrar o impacto do uso de conceptos de taller en proxectos.
Análise de datos: un campo de estudo en estatísticas que identifica patróns significativos nos datos analizando, procesando e comunicando patróns de datos.
Minería de datos: o proceso de identificación e extraída de datos. No contexto da intelixencia artificial, a miúdo é grande, con múltiples variables para cada mostra.
Redución de dimensionalidade: o proceso de transformación de datos con moitas características individuais en menos características, conservando as propiedades importantes do conxunto de datos orixinal.
Características (no contexto da intelixencia artificial): propiedades medibles dunha mostra. A miúdo usado de xeito intercambiable con "propiedade" ou "variable".
Mapa de activación de gradiente: unha técnica empregada para interpretar modelos de intelixencia artificial (especialmente redes neuronais convolutivas), que analiza o proceso de optimización da última parte da rede para identificar rexións de datos ou imaxes altamente predictivas.
Modelo estándar: un modelo AI existente que se adestrou previamente para realizar tarefas similares.
Probas (no contexto da intelixencia artificial): observando como un modelo realiza unha tarefa usando datos que non atopou antes.
Formación (no contexto da intelixencia artificial): proporcionar un modelo con datos e resultados para que o modelo axusta os seus parámetros internos para optimizar a súa capacidade para realizar tarefas mediante novos datos.
Vector: matriz de datos. Na aprendizaxe de máquinas, cada elemento de matriz adoita ser unha característica única da mostra.
A táboa 1 recolle os cursos máis recentes para abril de 2021, incluíndo obxectivos de aprendizaxe dirixidos para cada tema. Este obradoiro está destinado aos novos a nivel técnico e non require coñecemento matemático máis aló do primeiro ano de licenciatura médica. O curso foi desenvolvido por 6 estudantes de medicina e 3 profesores con títulos avanzados en enxeñaría. Os enxeñeiros están a desenvolver a teoría da intelixencia artificial para ensinar e os estudantes de medicina están aprendendo material clínicamente relevante.
Os talleres inclúen conferencias, estudos de caso e programación guiada. Na primeira conferencia, revisamos os conceptos seleccionados de análise de datos en biostatística, incluída a visualización de datos, a regresión loxística e a comparación de estatísticas descritivas e indutivas. Aínda que a análise de datos é o fundamento da intelixencia artificial, excluímos temas como a minería de datos, as probas de significación ou a visualización interactiva. Isto debeuse ás restricións de tempo e tamén porque algúns estudantes universitarios tiñan formación previa en biostatística e querían cubrir temas máis únicos de aprendizaxe de máquinas. A conferencia posterior introduce métodos modernos e discute a formulación de problemas de AI, vantaxes e limitacións dos modelos de AI e probas de modelos. As conferencias compleméntanse coa literatura e a investigación práctica sobre dispositivos de intelixencia artificial existentes. Destacamos as habilidades necesarias para avaliar a eficacia e a viabilidade dun modelo para abordar cuestións clínicas, incluíndo a comprensión das limitacións dos dispositivos de intelixencia artificial existentes. Por exemplo, pedimos aos estudantes que interpreten as directrices de lesións en cabeza pediátrica propostas por Kupperman et al., 5 que implementaron un algoritmo de árbore de decisións de intelixencia artificial para determinar se unha tomografía TC sería útil en función do exame dun médico. Subliñamos que este é un exemplo común de IA que proporciona analíticas predictivas para que os médicos interpreten, en lugar de substituír aos médicos.
Nos exemplos de programación de bootstrap de código aberto dispoñibles (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demostramos como realizar análises de datos exploratorios, redución de dimensionalidade, carga de modelos estándar e adestramento e adestramento . e probas. Usamos cadernos de Google Colaboratory (Google LLC, Mountain View, CA), que permiten executar o código Python desde un navegador web. Na figura 2 ofrece un exemplo de exercicio de programación. Este exercicio consiste en predecir malignidades usando o conxunto de datos de imaxes de mama de Wisconsin e un algoritmo de árbore de decisións.
Presentas programas ao longo da semana sobre temas relacionados e selecciona exemplos de aplicacións de AI publicadas. Os elementos de programación só se inclúen se se consideran relevantes para proporcionar información sobre a práctica clínica futura, como como avaliar os modelos para determinar se están listos para o seu uso en ensaios clínicos. Estes exemplos culminan cunha aplicación de punta a punta de pleno dereito que clasifica os tumores como benignos ou malignos en función dos parámetros de imaxe médica.
Heteroxeneidade dos coñecementos previos. Os nosos participantes variaron no seu nivel de coñecemento matemático. Por exemplo, estudantes con antecedentes de enxeñería avanzada están a buscar material máis en profundidade, como como realizar as súas propias transformacións 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 en formatos en liña. Unha solución pode ser rastrexar a asistencia e proporcionar un certificado de finalización. As escolas médicas son coñecidas por recoñecer as transcricións das actividades académicas extraescolares dos estudantes, que poden animar aos estudantes a buscar un grao.
Deseño do curso: porque a IA abarca tantos subcampos, seleccionando conceptos básicos de profundidade e amplitude adecuada pode ser un reto. Por exemplo, a continuidade de uso de ferramentas de AI desde o laboratorio ata a clínica é un tema importante. Aínda que cubrimos o preprocesamento de datos, a construción de modelos e a validación, non incluímos temas como a análise de datos de grandes datos, a visualización interactiva ou a realización de ensaios clínicos de IA, en vez centrámonos nos conceptos de IA máis singulares. O noso principio guía é mellorar a alfabetización, non as habilidades. Por exemplo, comprender como un modelo procesa as características de entrada é importante para a interpretabilidade. Un xeito de facelo é usar mapas de activación de gradiente, que poden visualizar que rexións dos datos son previsibles. Non obstante, isto require cálculo multivariante e non se pode introducir8. O desenvolvemento dunha terminoloxía común foi un reto porque estabamos intentando explicar como traballar con datos como vectores sen formalismo matemático. Teña en conta que diferentes termos teñen o mesmo significado, por exemplo, en epidemioloxía, descríbese unha "característica" como unha "variable" ou "atributo".
Retención de coñecemento. Debido a que a aplicación de IA é limitada, aínda queda por ver a medida en que os participantes conservan o coñecemento. Os currículos da escola médica a miúdo dependen da repetición espaciada para reforzar o coñecemento durante as rotacións prácticas, 9 que tamén se poden aplicar á educación AI.
A profesionalidade é máis importante que a alfabetización. A profundidade do material está deseñada sen rigor matemático, que foi un problema ao lanzar cursos clínicos en intelixencia artificial. Nos exemplos de programación, empregamos un programa de plantillas 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 abordada: 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 AI aprobadas polos reguladores requiren a supervisión do médico11. Tamén subliñamos a importancia do sesgo porque os algoritmos son propensos ao sesgo, especialmente se o conxunto de datos non é diversos12. Por conseguinte, pódese modelar incorrectamente un determinado subgrupo, dando lugar a decisións clínicas inxustas.
Os recursos están dispoñibles publicamente: creamos recursos dispoñibles publicamente, incluíndo diapositivas e código. Aínda que o acceso a contido sincrónico é limitado debido a fusos horarios, o contido de código aberto é un método conveniente para a aprendizaxe asíncrona xa que a experiencia da IA non está dispoñible en todas as escolas médicas.
Colaboración interdisciplinar: este taller 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 as áreas, permitindo aos participantes comprender o papel potencial que poden contribuír no futuro.
Define as competencias básicas de AI. A definición dunha lista de competencias proporciona unha estrutura normalizada que se pode integrar nos currículos médicos baseados en competencias existentes. Este taller usa actualmente os niveis obxectivos de aprendizaxe 2 (comprensión), 3 (aplicación) e 4 (análise) da taxonomía de Bloom. Ter recursos a maiores niveis de clasificación, como crear proxectos, pode reforzar aínda máis o coñecemento. Isto require traballar con expertos clínicos para determinar como se poden aplicar os temas da IA aos fluxos de traballo clínicos e evitar o ensino de temas repetitivos xa incluídos nos currículos médicos estándar.
Crear estudos de caso mediante AI. Semellante aos exemplos clínicos, a aprendizaxe baseada en casos pode reforzar os conceptos abstractos destacando a súa relevancia para cuestións clínicas. Por exemplo, un estudo do taller analizou o sistema de detección de retinopatía diabética baseado en AI de Google 13 para identificar retos ao longo do camiño desde o laboratorio ata a clínica, como os requisitos de validación externa e as vías de aprobación regulamentarias.
Uso Aprendizaxe experiencial: as habilidades técnicas requiren unha práctica centrada e unha aplicación repetida para dominar, similar ás experiencias de aprendizaxe rotativa dos aprendices clínicos. Unha solución potencial é o modelo de aula flipped, que se informou de mellorar a retención de coñecemento na educación da enxeñaría14. Neste modelo, os estudantes revisan o material teórico de forma independente e o tempo de clase está dedicado a resolver problemas a través de estudos de caso.
Escalado para participantes multidisciplinarios: imaxinamos a adopción de IA que implica colaboración en varias disciplinas, incluídos médicos e profesionais da saúde aliados con diferentes niveis de formación. Polo tanto, os currículos poden ter que ser desenvolvidos en consulta con profesores de diferentes departamentos para adaptar o seu contido a diferentes áreas de asistencia sanitaria.
A intelixencia artificial é de alta tecnoloxía e os seus conceptos fundamentais están relacionados con matemáticas e informática. Formación do persoal sanitario para comprender a intelixencia artificial presenta retos únicos na selección de contidos, relevancia clínica e métodos de entrega. Agardamos que os coñecementos obtidos na IA en talleres de educación axuden aos futuros educadores a adoptar formas innovadoras de integrar a IA na educación médica.
O guión de Google Colaboratory Python está 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 necesitan realmente os estudantes de Medicina sobre a intelixencia artificial? Números NPZH. Medicina 3, 1-3 (2020).
Dos Santos, DP, et al. As 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 de máquinas para estudantes de medicina: un proxecto piloto. J. Med. ensinar. 54, 1042–1043 (2020).
Cooperman N, et al. Identificar aos nenos cun risco moi baixo de lesión cerebral clínicamente significativa despois da lesión na cabeza: un estudo de cohorte potencial. Lancet 374, 1160–1170 (2009).
Rúa, WN, Wolberg, WH e Mangasian, ol. Extracción de características nucleares para o diagnóstico do tumor de mama. Ciencia biomédica. Procesamento de imaxes. Ciencia biomédica. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. e Peng, L. Como desenvolver modelos de aprendizaxe automática para asistencia sanitaria. 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 de medicina baseadas na evidencia mediante OSCE na educación médica universitaria. Medicina BMK. ensinar. 21, 1–9 (2021).
Kolachalama VB e Garg PS Machine Learning and Education Medical. 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: 100 produtos 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 profundo despregado na clínica para a detección de retinopatía diabética. Actas da Conferencia de CHI 2020 sobre factores humanos nos sistemas informáticos (2020).
Kerr, B. A aula flipped en Educación de Enxeñaría: unha revisión da investigación. Actas da Conferencia Internacional de 2015 sobre aprendizaxe colaborativa interactiva (2015).
Os autores agradecen a Danielle Walker, Tim Salcudin e Peter Zandstra do clúster de investigación de imaxes biomédicas e intelixencia artificial na Universidade de Columbia Británica por apoio e financiamento.
RH, PP, ZH, RS e MA foron os responsables de desenvolver o contido do ensino do taller. RH e PP foron os responsables de desenvolver exemplos de programación. KYF, OY, MT e PW foron os responsables da organización loxística do proxecto e da análise dos talleres. RH, OY, MT, RS foron os responsables de crear as figuras e táboas. RH, KYF, PP, ZH, OY, My, PW, TL, MA, RS foron os responsables de redactar e editar o documento.
A Medicina da Comunicación agradece a Carolyn McGregor, Fabio Moraes e Aditya Borakati polas súas contribucións á revisión deste traballo.
Tempo de publicación: febreiro 19-2024