Grazas por visitar Nature.com. A versión do navegador que estás a usar ten compatibilidade limitada con CSS. Para obter mellores resultados, recomendámosche que uses unha versión máis recente do teu navegador (ou que desactives o modo de compatibilidade en Internet Explorer). Mentres tanto, para garantir a compatibilidade continua, mostramos o sitio sen estilos nin JavaScript.
As aplicacións da intelixencia artificial (IA) clínica están a medrar rapidamente, pero os currículos das facultades de medicina existentes ofrecen unha ensinanza limitada que abrangue esta área. Aquí describimos un curso de formación en intelixencia artificial que desenvolvemos e impartimos a estudantes de medicina canadenses e facemos recomendacións para a formación futura.
A intelixencia artificial (IA) na 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 certos coñecementos sobre a intelixencia artificial. Moitos comentarios avogan polo ensino de conceptos de IA1, como explicar os modelos de IA e os procesos de verificación2. Non obstante, implementáronse poucos plans estruturados, especialmente a nivel nacional. Pinto dos Santos et al.3. Foron enquisados 263 estudantes de medicina e o 71 % estiveron de acordo 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 a miúdo teñen amplos coñecementos previos. Describimos a nosa experiencia na impartición dunha serie de obradoiros de IA a tres grupos de estudantes de medicina e facemos 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 celebrouse tres veces entre febreiro de 2019 e abril de 2021. Na Figura 1 móstrase un programa para cada obradoiro, cunha breve descrición dos cambios no curso. O noso curso ten tres obxectivos de aprendizaxe principais: que os estudantes comprendan como se procesan os datos nas aplicacións de intelixencia artificial, analisen a literatura sobre a intelixencia artificial para aplicacións clínicas e aproveiten as oportunidades para colaborar con enxeñeiros que desenvolven intelixencia artificial.
O azul é o tema da clase maxistral e o azul claro é o período interactivo de preguntas e respostas. A sección gris é o foco da breve revisión bibliográfica. As seccións laranxas son estudos de casos seleccionados que describen modelos ou técnicas de intelixencia artificial. O verde é un curso de programación guiada deseñado para ensinar intelixencia artificial para resolver problemas clínicos e avaliar modelos. O contido e a duración dos obradoiros varían segundo unha avaliación das necesidades do alumnado.
O primeiro obradoiro celebrouse na Universidade da Columbia Británica de febreiro a abril de 2019 e os 8 participantes deron unha valoración positiva4. Debido á COVID-19, o segundo obradoiro celebrouse virtualmente en outubro e novembro de 2020, con 222 estudantes de medicina e 3 residentes de 8 facultades de medicina canadenses rexistrándose. As diapositivas e o código da presentación subíronse a un sitio de acceso aberto (http://ubcaimed.github.io). A principal valoración da primeira iteración foi que as clases maxistrais eran demasiado intensas e o material demasiado teórico. Servir aos seis fusos horarios diferentes do Canadá supón desafíos adicionais. Polo tanto, o segundo obradoiro acurtou cada sesión a 1 hora, simplificou o material do curso, engadiu máis estudos de caso e creou programas estándar que permitiron aos participantes completar fragmentos de código cunha depuración mínima (Cadro 1). A principal valoración 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 obradoiro, celebrado virtualmente para 126 estudantes de medicina entre marzo e abril de 2021, incluímos máis exercicios interactivos de codificación e sesións de retroalimentación de proxectos para demostrar o impacto do uso de conceptos de obradoiro nos proxectos.
Análise de datos: campo de estudo da estatística que identifica patróns significativos nos datos mediante a análise, o procesamento e a comunicación de patróns de datos.
Minería de datos: o proceso de identificación e extracción de datos. No contexto da intelixencia artificial, isto adoita ser grande, con múltiples variables para cada mostra.
Redución da dimensionalidade: o proceso de transformar datos con moitas características individuais en menos características, conservando as propiedades importantes do conxunto de datos orixinal.
Características (no contexto da intelixencia artificial): propiedades mensurábeis dunha mostra. A miúdo úsanse indistintamente con «propiedade» ou «variable».
Mapa de activación de gradientes: unha técnica empregada 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 que sexan altamente preditivas.
Modelo estándar: un modelo de IA existente que foi adestrado previamente para realizar tarefas similares.
Probas (no contexto da intelixencia artificial): observar como un modelo realiza unha tarefa usando datos cos que non se atopou antes.
Adestramento (no contexto da intelixencia artificial): Proporcionar datos e resultados a un modelo para que este axuste os seus parámetros internos e optimice 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 cursos máis recentes para abril de 2021, incluíndo os obxectivos de aprendizaxe específicos para cada tema. Este obradoiro está dirixido a persoas que se inician no nivel técnico e non require ningún coñecemento matemático máis alá do primeiro ano dun grao de medicina. 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 a aprender material clinicamente relevante.
Os obradoiros inclúen clases maxistrais, estudos de casos e programación guiada. Na primeira clase maxistral, 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 significancia ou a visualización interactiva. Isto debeuse a limitacións de tempo e tamén a que algúns estudantes de grao tiñan formación previa en bioestatística e querían abordar temas de aprendizaxe automática máis exclusivos. A clase maxistral 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 clases maxistrais compleméntanse con literatura e investigación práctica sobre os dispositivos de intelixencia artificial existentes. Facemos fincapé nas 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, pedímoslles aos estudantes que interpretasen as directrices de traumatismo cranioencefálico pediátrico propostas por Kupperman et al., 5 que implementaron un algoritmo de árbore de decisión de intelixencia artificial para determinar se unha tomografía computarizada sería útil baseándose nun exame médico. Destacamos que este é un exemplo común de IA que proporciona análises preditivas para que os médicos as interpreten, en lugar de substituír.
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 exploratorias de datos, redución da dimensionalidade, carga de modelos estándar e adestramento e probas. Usamos os notebooks de Google Colaboratory (Google LLC, Mountain View, CA), que permiten executar código Python desde un navegador web. Na figura 2, ofrécese un exemplo dun exercicio de programación. Este exercicio implica a predicción de tumores malignos usando o conxunto de datos de imaxe mamaria aberta de Wisconsin6 e un algoritmo de árbore de decisión.
Presentar programas ao longo da semana sobre temas relacionados e seleccionar exemplos de 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 integral completa que clasifica os tumores como benignos ou malignos segundo parámetros de imaxe médica.
Heteroxeneidade dos coñecementos previos. Os nosos participantes variaban no seu nivel de coñecementos matemáticos. Por exemplo, os estudantes con formación avanzada en enxeñaría buscan material máis profundo, como a realización das súas propias transformadas de Fourier. Non obstante, non é posible discutir o algoritmo de Fourier na clase porque require un coñecemento profundo do procesamento de sinais.
Saída de asistencia. A asistencia ás reunións de seguimento diminuíu, especialmente en formatos en liña. Unha solución pode ser facer un seguimento da asistencia e proporcionar un certificado de finalización. As facultades de medicina son coñecidas por recoñecer as transcricións das actividades académicas extraescolares dos estudantes, o que pode animar aos estudantes a cursar un título.
Deseño do curso: Dado que a IA abarca moitos subcampos, a selección de conceptos básicos con profundidade e amplitude axeitadas pode resultar complexa. Por exemplo, a continuidade do uso de ferramentas de IA desde o laboratorio ata a clínica é un tema importante. Aínda que abordamos o preprocesamento de datos, a creación de modelos e a validación, non incluímos temas como a análise de macrodatos, a visualización interactiva ou a realización de ensaios clínicos de IA, senón que nos centramos nos conceptos de IA máis singulares. O noso principio rector é mellorar a alfabetización, non as habilidades. Por exemplo, comprender como un modelo procesa as características de entrada é importante para a interpretabilidade. Unha forma de facelo é usar mapas de activación de gradiente, que poden visualizar que rexións dos datos son predicibles. Non obstante, isto require cálculo multivariante e non se pode introducir8. Desenvolver unha terminoloxía común foi complexo porque estabamos a tentar 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 unha "variable" ou "atributo".
Retención de coñecementos. Dado que a aplicación da IA é limitada, aínda está por ver ata que punto os participantes reterán coñecementos. Os currículos das facultades de medicina adoitan basearse na repetición espaciada para reforzar os coñecementos durante as rotacións prácticas,9 o que tamén se pode aplicar á educación en IA.
A profesionalidade é máis importante que a alfabetización. A profundidade do material está deseñada sen rigor matemático, o que supuxo un problema ao lanzar cursos clínicos de intelixencia artificial. Nos exemplos de programación, empregamos un programa modelo que permite aos participantes completar campos e executar o software sen ter que descubrir como configurar un entorno de programación completo.
Preocupacións sobre a intelixencia artificial abordadas: Existe unha preocupación xeneralizada de que a intelixencia artificial poida substituír algunhas tarefas clínicas3. Para abordar este problema, explicamos as limitacións da IA, incluído o feito de que case todas as tecnoloxías de IA aprobadas polos reguladores requiren supervisión médica11. Tamén salientamos a importancia do sesgo porque os algoritmos son propensos a sesgos, 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 publicamente: Creamos recursos dispoñibles publicamente, incluíndo diapositivas e código de clases maxistrais. Aínda que o acceso ao contido síncrono é 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 facultades de medicina.
Colaboración interdisciplinar: Este obradoiro é unha iniciativa conxunta iniciada por estudantes de medicina para planificar cursos xunto con enxeñeiros. Isto demostra as oportunidades de colaboración e as lagoas de coñecemento en ambas as áreas, o que permite aos participantes comprender o papel potencial que poden desempeñar no futuro.
Definir as competencias básicas da IA. Definir unha lista de competencias proporciona unha estrutura estandarizada que se pode integrar nos currículos médicos existentes baseados en competencias. Este obradoiro emprega actualmente os niveis de obxectivos de aprendizaxe 2 (comprensión), 3 (aplicación) e 4 (análise) da taxonomía de Bloom. Dispor de recursos en niveis de clasificación máis altos, como a creación de proxectos, pode fortalecer 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 que xa están incluídos nos currículos médicos estándar.
Crea estudos de casos empregando a IA. De xeito similar aos exemplos clínicos, a aprendizaxe baseada en casos pode reforzar conceptos abstractos destacando a súa relevancia para cuestións clínicas. Por exemplo, un estudo de obradoiro analizou o sistema de detección de retinopatía diabética baseado en IA de Google 13 para identificar desafíos ao longo do camiño do laboratorio á clínica, como os requisitos de validación externa e as vías de aprobación regulamentaria.
Empregar a aprendizaxe experiencial: as habilidades técnicas requiren unha práctica específica e unha aplicación repetida para dominalas, de xeito similar ás experiencias de aprendizaxe rotatoria dos estudantes de prácticas clínicas. Unha posible solución é o modelo de aula invertida, que se informou que mellora a retención de coñecementos na educación en enxeñaría14. Neste modelo, os estudantes revisan o material teórico de forma independente e o tempo de clase dedícase á resolución de problemas mediante estudos de casos.
Escala para participantes multidisciplinares: Prevemos a adopción da IA que implique a colaboración entre múltiples disciplinas, incluíndo médicos e profesionais sanitarios aliados con diferentes niveis de formación. Polo tanto, pode ser necesario desenvolver plans de estudos 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 básicos 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 impartición. Agardamos que os coñecementos obtidos nos obradoiros de IA na educación axuden aos futuros educadores a adoptar formas innovadoras de integrar a IA na educación médica.
O script de Python de Google Colaboratory é de código aberto e está dispoñible en: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG e Khan, S. Repensar a educación médica: unha chamada á acción. Akkad. Medicine. 88, 1407–1410 (2013).
McCoy, LG etc. Que precisan saber realmente os estudantes de medicina sobre a intelixencia artificial? Números NPZh. Medicine 3, 1–3 (2020).
Dos Santos, DP e outros. Actitudes dos estudantes de medicina cara á intelixencia artificial: unha enquisa multicéntrica. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R. e Singla, R. Introdución á aprendizaxe automática para estudantes de medicina: un proxecto piloto. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identificación de nenos con risco moi baixo de lesión cerebral clinicamente significativa despois dunha 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. Biomedical Science. Image processing. Biomedical Science. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. e Peng, L. Como desenvolver modelos de aprendizaxe automática para a atención sanitaria. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Interpretación visual de redes profundas mediante localización baseada en gradientes. Actas da Conferencia Internacional IEEE sobre Visión por Computador, 618–626 (2017).
Kumaravel B, Stewart K e Ilic D. Desenvolvemento e avaliación dun modelo en espiral para avaliar as competencias en medicina baseadas na evidencia mediante a OSCE na educación médica de grao. BMK Medicine. teach. 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. medicine. 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. Actas da Conferencia CHI de 2020 sobre Factores Humanos en Sistemas Informáticos (2020).
Kerr, B. A aula invertida na educación en 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 Imaxe Biomédica e Intelixencia Artificial da Universidade da Columbia Británica polo apoio e o financiamento.
RH, PP, ZH, RS e MA foron os responsables de desenvolver o contido da ensinanza dos obradoiros. RH e PP foron os responsables 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 e RS foron os responsables de crear as figuras e as táboas. RH, KYF, PP, ZH, OY, MY, PW, TL, MA e 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.
Data de publicación: 19 de febreiro de 2024