Gràcies per visitar Nature.com. La versió del navegador que esteu utilitzant té compatibilitat limitada amb CSS. Per obtenir els millors resultats, us recomanem que utilitzeu una versió més recent del vostre navegador (o que desactiveu el mode de compatibilitat a l'Internet Explorer). Mentrestant, per garantir una assistència contínua, mostrem el lloc web sense estils ni JavaScript.
Les aplicacions de la intel·ligència artificial (IA) clínica estan creixent ràpidament, però els plans d'estudis de les facultats de medicina existents ofereixen un ensenyament limitat que cobreix aquesta àrea. Aquí descrivim un curs de formació en intel·ligència artificial que hem desenvolupat i impartit a estudiants de medicina canadencs i fem recomanacions per a la formació futura.
La intel·ligència artificial (IA) en medicina pot millorar l'eficiència del lloc de treball i ajudar en la presa de decisions clíniques. Per guiar amb seguretat l'ús de la intel·ligència artificial, els metges han de tenir alguns coneixements sobre la intel·ligència artificial. Molts comentaris defensen l'ensenyament de conceptes d'IA1, com ara l'explicació de models d'IA i processos de verificació2. Tanmateix, s'han implementat pocs plans estructurats, especialment a nivell nacional. Pinto dos Santos et al.3. Es va enquestar a 263 estudiants de medicina i el 71% va estar d'acord que necessitaven formació en intel·ligència artificial. Ensenyar intel·ligència artificial a un públic mèdic requereix un disseny acurat que combini conceptes tècnics i no tècnics per a estudiants que sovint tenen amplis coneixements previs. Descrivim la nostra experiència impartint una sèrie de tallers d'IA a tres grups d'estudiants de medicina i fem recomanacions per a la futura educació mèdica en IA.
El nostre taller d'introducció a la intel·ligència artificial en medicina de cinc setmanes per a estudiants de medicina es va dur a terme tres vegades entre febrer de 2019 i abril de 2021. A la Figura 1 es mostra un horari per a cada taller, amb una breu descripció dels canvis al curs. El nostre curs té tres objectius principals d'aprenentatge: que els estudiants comprenguin com es processen les dades en aplicacions d'intel·ligència artificial, analitzin la literatura sobre intel·ligència artificial per a aplicacions clíniques i aprofitin les oportunitats per col·laborar amb enginyers que desenvolupen intel·ligència artificial.
El blau és el tema de la classe magistral i el blau clar és el període interactiu de preguntes i respostes. La secció grisa és el focus de la breu revisió bibliogràfica. Les seccions taronges són casos d'estudi seleccionats que descriuen models o tècniques d'intel·ligència artificial. El verd és un curs de programació guiada dissenyat per ensenyar intel·ligència artificial a resoldre problemes clínics i avaluar models. El contingut i la durada dels tallers varien en funció de l'avaluació de les necessitats dels estudiants.
El primer taller es va celebrar a la Universitat de la Columbia Britànica de febrer a abril de 2019, i els 8 participants van donar comentaris positius4. A causa de la COVID-19, el segon taller es va celebrar virtualment a l'octubre i novembre de 2020, amb 222 estudiants de medicina i 3 residents de 8 facultats de medicina canadenques inscrits. Les diapositives i el codi de la presentació s'han penjat a un lloc web d'accés obert (http://ubcaimed.github.io). Els comentaris clau de la primera iteració van ser que les conferències eren massa intenses i el material massa teòric. Servir els sis fusos horaris diferents del Canadà planteja reptes addicionals. Per tant, el segon taller va escurçar cada sessió a 1 hora, va simplificar el material del curs, va afegir més estudis de casos i va crear programes estàndard que permetien als participants completar fragments de codi amb una depuració mínima (Quadre 1). Els comentaris clau de la segona iteració van incloure comentaris positius sobre els exercicis de programació i una sol·licitud per demostrar la planificació d'un projecte d'aprenentatge automàtic. Per tant, en el nostre tercer taller, celebrat virtualment per a 126 estudiants de medicina entre març i abril de 2021, vam incloure més exercicis interactius de codificació i sessions de retroalimentació de projectes per demostrar l'impacte de l'ús de conceptes de taller en els projectes.
Anàlisi de dades: Un camp d'estudi en estadística que identifica patrons significatius en les dades mitjançant l'anàlisi, el processament i la comunicació de patrons de dades.
Mineria de dades: el procés d'identificar i extreure dades. En el context de la intel·ligència artificial, això sovint és gran, amb múltiples variables per a cada mostra.
Reducció de la dimensionalitat: el procés de transformar dades amb moltes característiques individuals en menys característiques, tot preservant les propietats importants del conjunt de dades original.
Característiques (en el context de la intel·ligència artificial): propietats mesurables d'una mostra. Sovint s'utilitzen indistintament amb «propietat» o «variable».
Mapa d'activació de gradient: una tècnica utilitzada per interpretar models d'intel·ligència artificial (especialment xarxes neuronals convolucionals), que analitza el procés d'optimització de l'última part de la xarxa per identificar regions de dades o imatges altament predictives.
Model estàndard: un model d'IA existent que ha estat preentrenat per realitzar tasques similars.
Proves (en el context de la intel·ligència artificial): observar com un model realitza una tasca utilitzant dades que no ha trobat abans.
Entrenament (en el context de la intel·ligència artificial): Proporcionar dades i resultats a un model perquè aquest ajusti els seus paràmetres interns per optimitzar la seva capacitat de realitzar tasques utilitzant noves dades.
Vector: matriu de dades. En l'aprenentatge automàtic, cada element de la matriu sol ser una característica única de la mostra.
La Taula 1 enumera els cursos més recents per a l'abril de 2021, incloent-hi els objectius d'aprenentatge específics per a cada tema. Aquest taller està dirigit a aquells que són nous al nivell tècnic i no requereix cap coneixement matemàtic més enllà del primer any d'una llicenciatura en medicina. El curs va ser desenvolupat per 6 estudiants de medicina i 3 professors amb títols superiors en enginyeria. Els enginyers estan desenvolupant la teoria de la intel·ligència artificial per ensenyar, i els estudiants de medicina estan aprenent material clínicament rellevant.
Els tallers inclouen classes magistrals, estudis de casos i programació guiada. A la primera classe magistral, revisem conceptes seleccionats d'anàlisi de dades en bioestadística, incloent-hi la visualització de dades, la regressió logística i la comparació d'estadística descriptiva i inductiva. Tot i que l'anàlisi de dades és la base de la intel·ligència artificial, excloem temes com la mineria de dades, les proves de significació o la visualització interactiva. Això va ser degut a restriccions de temps i també perquè alguns estudiants de grau tenien formació prèvia en bioestadística i volien cobrir temes d'aprenentatge automàtic més singulars. La classe magistral posterior introdueix mètodes moderns i discuteix la formulació de problemes d'IA, els avantatges i les limitacions dels models d'IA i les proves de models. Les classes magistrals es complementen amb literatura i investigació pràctica sobre dispositius d'intel·ligència artificial existents. Emfatitzem les habilitats necessàries per avaluar l'eficàcia i la viabilitat d'un model per abordar preguntes clíniques, incloent-hi la comprensió de les limitacions dels dispositius d'intel·ligència artificial existents. Per exemple, vam demanar als estudiants que interpretessin les directrius de lesions cranials pediàtriques proposades per Kupperman et al., 5 que implementaven un algoritme d'arbre de decisió d'intel·ligència artificial per determinar si una tomografia computada seria útil basant-se en l'examen d'un metge. Emfatitzem que aquest és un exemple comú d'IA que proporciona anàlisis predictives perquè els metges les interpretin, en lloc de substituir-los.
En els exemples de programació bootstrap de codi obert disponibles (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), demostrem com realitzar anàlisis exploratòries de dades, reducció de dimensionalitat, càrrega de models estàndard i entrenament i proves. Utilitzem els quaderns de Google Colaboratory (Google LLC, Mountain View, CA), que permeten executar codi Python des d'un navegador web. A la figura 2 es mostra un exemple d'un exercici de programació. Aquest exercici consisteix a predir tumors malignes mitjançant el conjunt de dades Wisconsin Open Breast Imaging Dataset6 i un algorisme d'arbre de decisió.
Presentar programes al llarg de la setmana sobre temes relacionats i seleccionar exemples d'aplicacions d'IA publicades. Els elements de programació només s'inclouen si es consideren rellevants per proporcionar informació sobre la pràctica clínica futura, com ara com avaluar models per determinar si estan preparats per al seu ús en assajos clínics. Aquests exemples culminen en una aplicació completa que classifica els tumors com a benignes o malignes en funció de paràmetres d'imatge mèdica.
Heterogeneïtat dels coneixements previs. Els nostres participants tenien un nivell de coneixements matemàtics variat. Per exemple, els estudiants amb formació avançada en enginyeria busquen material més profund, com ara com realitzar les seves pròpies transformades de Fourier. Tanmateix, no és possible parlar de l'algoritme de Fourier a classe perquè requereix un coneixement profund del processament de senyals.
Flux d'assistència. L'assistència a les reunions de seguiment va disminuir, especialment en formats en línia. Una solució podria ser fer un seguiment de l'assistència i proporcionar un certificat de finalització. Les facultats de medicina són conegudes per reconèixer les transcripcions de les activitats acadèmiques extraescolars dels estudiants, cosa que pot animar els estudiants a cursar estudis.
Disseny del curs: Com que la IA abasta tants subcamps, seleccionar conceptes bàsics amb la profunditat i l'amplitud adequades pot ser un repte. Per exemple, la continuïtat de l'ús d'eines d'IA des del laboratori fins a la clínica és un tema important. Tot i que cobrim el preprocessament de dades, la construcció de models i la validació, no incloem temes com l'anàlisi de big data, la visualització interactiva o la realització d'assajos clínics d'IA, sinó que ens centrem en els conceptes d'IA més singulars. El nostre principi rector és millorar l'alfabetització, no les habilitats. Per exemple, entendre com un model processa les característiques d'entrada és important per a la interpretabilitat. Una manera de fer-ho és utilitzar mapes d'activació de gradient, que poden visualitzar quines regions de les dades són predictibles. Tanmateix, això requereix càlcul multivariant i no es pot introduir8. Desenvolupar una terminologia comuna va ser un repte perquè intentàvem explicar com treballar amb dades com a vectors sense formalisme matemàtic. Tingueu en compte que diferents termes tenen el mateix significat, per exemple, en epidemiologia, una "característica" es descriu com una "variable" o "atribut".
Retenció de coneixements. Com que l'aplicació de la IA és limitada, encara està per veure fins a quin punt els participants retenen els coneixements. Els currículums de les facultats de medicina sovint es basen en la repetició espaiada per reforçar els coneixements durant les rotacions pràctiques,9 que també es poden aplicar a l'educació en IA.
La professionalitat és més important que l'alfabetització. La profunditat del material està dissenyada sense rigor matemàtic, cosa que va ser un problema a l'hora de llançar cursos clínics d'intel·ligència artificial. En els exemples de programació, utilitzem un programa de plantilla que permet als participants omplir camps i executar el programari sense haver d'esbrinar com configurar un entorn de programació complet.
Preocupacions sobre la intel·ligència artificial abordades: Hi ha una preocupació generalitzada que la intel·ligència artificial pugui substituir algunes tasques clíniques3. Per abordar aquest problema, expliquem les limitacions de la IA, inclòs el fet que gairebé totes les tecnologies d'IA aprovades pels reguladors requereixen supervisió mèdica11. També emfatitzem la importància del biaix perquè els algoritmes són propensos al biaix, sobretot si el conjunt de dades no és divers12. En conseqüència, un determinat subgrup es pot modelar incorrectament, cosa que pot portar a decisions clíniques injustes.
Els recursos estan disponibles públicament: Hem creat recursos disponibles públicament, incloent-hi diapositives i codi de les classes. Tot i que l'accés al contingut síncron és limitat a causa dels fusos horaris, el contingut de codi obert és un mètode convenient per a l'aprenentatge asíncron, ja que l'experiència en IA no està disponible a totes les facultats de medicina.
Col·laboració interdisciplinària: Aquest taller és una iniciativa conjunta iniciada per estudiants de medicina per planificar cursos juntament amb enginyers. Això demostra oportunitats de col·laboració i llacunes de coneixement en ambdues àrees, permetent als participants entendre el paper potencial que poden aportar en el futur.
Definir les competències bàsiques de la IA. Definir una llista de competències proporciona una estructura estandarditzada que es pot integrar en els currículums mèdics existents basats en competències. Aquest taller actualment utilitza els nivells d'objectius d'aprenentatge 2 (comprensió), 3 (aplicació) i 4 (anàlisi) de la taxonomia de Bloom. Disposar de recursos a nivells superiors de classificació, com ara la creació de projectes, pot enfortir encara més el coneixement. Això requereix treballar amb experts clínics per determinar com es poden aplicar els temes d'IA als fluxos de treball clínics i evitar l'ensenyament de temes repetitius que ja s'inclouen en els currículums mèdics estàndard.
Crea estudis de casos utilitzant la IA. De manera similar als exemples clínics, l'aprenentatge basat en casos pot reforçar conceptes abstractes destacant la seva rellevància per a preguntes clíniques. Per exemple, un estudi de taller va analitzar el sistema de detecció de retinopatia diabètica basat en IA de Google 13 per identificar reptes al llarg del camí del laboratori a la clínica, com ara els requisits de validació externa i les vies d'aprovació reguladora.
Utilitzeu l'aprenentatge experiencial: les habilitats tècniques requereixen una pràctica específica i una aplicació repetida per dominar-les, de manera similar a les experiències d'aprenentatge rotatiu dels estudiants en pràctiques clínics. Una possible solució és el model d'aula invertida, que s'ha demostrat que millora la retenció de coneixements en l'educació en enginyeria14. En aquest model, els estudiants revisen el material teòric de manera independent i el temps de classe es dedica a resoldre problemes mitjançant estudis de casos.
Escalabilitat per a participants multidisciplinaris: Preveiem que l'adopció de la IA impliqui la col·laboració entre múltiples disciplines, inclosos metges i professionals sanitaris aliats amb diferents nivells de formació. Per tant, pot ser necessari desenvolupar plans d'estudis en consulta amb el professorat de diferents departaments per adaptar el seu contingut a les diferents àrees de l'atenció sanitària.
La intel·ligència artificial és d'alta tecnologia i els seus conceptes bàsics estan relacionats amb les matemàtiques i la informàtica. La formació del personal sanitari per comprendre la intel·ligència artificial presenta reptes únics en la selecció de contingut, la rellevància clínica i els mètodes d'impartició. Esperem que els coneixements obtinguts dels tallers d'IA en l'educació ajudin els futurs educadors a adoptar maneres innovadores d'integrar la IA en l'educació mèdica.
L'script de Python de Google Colaboratory és de codi obert i està disponible a: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG i Khan, S. Repensar l'educació mèdica: una crida a l'acció. Akkad. Medicine. 88, 1407–1410 (2013).
McCoy, LG, etc. Què necessiten saber realment els estudiants de medicina sobre la intel·ligència artificial? Nombres NPZh. Medicine 3, 1–3 (2020).
Dos Santos, DP, et al. Actituds dels estudiants de medicina envers la intel·ligència artificial: una enquesta multicèntrica. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R., i Singla, R. Introducció a l'aprenentatge automàtic per a estudiants de medicina: un projecte pilot. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identificació de nens amb un risc molt baix de lesions cerebrals clínicament significatives després d'una lesió al cap: un estudi de cohort prospectiu. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH i Mangasarian, OL. Extracció de característiques nuclears per al diagnòstic de tumors de mama. Biomedical Science. Processament d'imatges. Biomedical Science. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. i Peng, L. Com desenvolupar models d'aprenentatge automàtic per a l'atenció mèdica. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Interpretació visual de xarxes profundes mitjançant localització basada en gradients. Actes de la Conferència Internacional IEEE sobre Visió per Computador, 618–626 (2017).
Kumaravel B, Stewart K i Ilic D. Desenvolupament i avaluació d'un model en espiral per avaluar les competències de medicina basades en l'evidència mitjançant l'OSCE en l'educació mèdica de grau. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB i Garg PS Aprenentatge automàtic i educació mèdica. Nombres NPZh. Medicina. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. i de Rooy, M. Intel·ligència artificial en radiologia: 100 productes comercials i la seva evidència científica. EURO. radiació. 31, 3797–3804 (2021).
Topol, EJ Medicina d'alt rendiment: la convergència de la intel·ligència humana i artificial. Nat. medicine. 25, 44–56 (2019).
Bede, E. et al. Avaluació centrada en l'ésser humà d'un sistema d'aprenentatge profund desplegat a la clínica per a la detecció de la retinopatia diabètica. Actes de la Conferència CHI 2020 sobre Factors Humans en Sistemes Informàtics (2020).
Kerr, B. L'aula invertida en l'educació en enginyeria: una revisió de la recerca. Actes de la Conferència Internacional de 2015 sobre Aprenentatge Col·laboratiu Interactiu (2015).
Els autors agraeixen a Danielle Walker, Tim Salcudin i Peter Zandstra del Clúster de Recerca d'Imatges Biomèdiques i Intel·ligència Artificial de la Universitat de la Colúmbia Britànica pel suport i el finançament.
RH, PP, ZH, RS i MA van ser els responsables de desenvolupar el contingut didàctic dels tallers. RH i PP van ser els responsables de desenvolupar els exemples de programació. KYF, OY, MT i PW van ser els responsables de l'organització logística del projecte i de l'anàlisi dels tallers. RH, OY, MT i RS van ser els responsables de crear les figures i les taules. RH, KYF, PP, ZH, OY, MY, PW, TL, MA i RS van ser els responsables de la redacció i l'edició del document.
Communication Medicine agraeix a Carolyn McGregor, Fabio Moraes i Aditya Borakati les seves contribucions a la revisió d'aquest treball.
Data de publicació: 19 de febrer de 2024