Gràcies per visitar Nature.com.La versió del navegador que utilitzeu té un suport CSS limitat.Per obtenir els millors resultats, us recomanem que utilitzeu una versió més recent del vostre navegador (o desactiveu el mode de compatibilitat a Internet Explorer).Mentrestant, per garantir un suport permanent, estem mostrant el lloc sense estil ni JavaScript.
Les aplicacions de la intel·ligència artificial clínica (IA) 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 als 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 a la presa de decisions clíniques.Per guiar de manera segura l'ús de la intel·ligència artificial, els metges han de tenir una certa comprensió de la intel·ligència artificial.Molts comentaris advoquen per ensenyar conceptes d'IA1, com ara explicar 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 van enquestar 263 estudiants de medicina i el 71% va estar d'acord que necessitaven formació en intel·ligència artificial.Ensenyar la intel·ligència artificial a un públic mèdic requereix un disseny acurat que combini conceptes tècnics i no tècnics per als estudiants que sovint tenen coneixements previs amplis.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 celebrar tres vegades entre febrer de 2019 i abril de 2021. A la figura 1 es mostra un calendari per a cada taller, amb una breu descripció dels canvis al curs. tres objectius principals d'aprenentatge: els estudiants entenguin 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 conferència i el blau clar és el període interactiu de preguntes i respostes.La secció grisa és el focus de la breu revisió de la literatura.Les seccions taronges són estudis de casos seleccionats que descriuen models o tècniques d'intel·ligència artificial.Green és un curs de programació guiada dissenyat per ensenyar la 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 alumnes.
El primer taller es va celebrar a la Universitat de la Colúmbia 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 entre octubre i novembre de 2020, amb 222 estudiants de medicina i 3 residents de 8 escoles de medicina canadenques inscrites.Les diapositives i el codi de la presentació s'han penjat a un lloc d'accés obert (http://ubcaimed.github.io).El comentari clau de la primera iteració va ser que les conferències eren massa intenses i el material massa teòric.Atendre les sis zones horàries diferents del Canadà planteja reptes addicionals.Així, el segon taller va escurçar cada sessió a 1 hora, va simplificar el material del curs, va afegir més casos pràctics i va crear programes complets que van permetre 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, al nostre tercer taller, celebrat virtualment per a 126 estudiants de medicina entre març i abril de 2021, vam incloure exercicis de codificació més interactius i sessions de comentaris sobre projectes per demostrar l'impacte de l'ús dels conceptes del taller en els projectes.
Anàlisi de dades: un camp d'estudi de l'estadística que identifica patrons significatius en dades mitjançant l'anàlisi, el processament i la comunicació de patrons de dades.
Mineria de dades: el procés d'identificació i extracció de dades.En el context de la intel·ligència artificial, aquesta sovint és gran, amb múltiples variables per a cada mostra.
Reducció de la dimensionalitat: el procés de transformació de dades amb moltes característiques individuals en menys característiques alhora que es conserven les propietats importants del conjunt de dades original.
Característiques (en el context de la intel·ligència artificial): propietats mesurables d'una mostra.Sovint s'utilitza indistintament amb "propietat" o "variable".
Gradient Activation Map: 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 s'ha entrenat prèviament per realitzar tasques similars.
Testing (en el context de la intel·ligència artificial): observar com un model realitza una tasca utilitzant dades que no ha trobat abans.
Formació (en el context de la intel·ligència artificial): Proporcionar un model amb dades i resultats perquè el model ajusti els seus paràmetres interns per optimitzar la seva capacitat per realitzar tasques utilitzant noves dades.
Vector: matriu de dades.En l'aprenentatge automàtic, cada element de matriu sol ser una característica única de la mostra.
La taula 1 enumera els últims cursos d'abril de 2021, inclosos els objectius d'aprenentatge per a cada tema.Aquest taller està pensat per a persones novells en el nivell tècnic i no requereix cap coneixement matemàtic més enllà del primer any d'un grau de medicina.El curs ha estat desenvolupat per 6 estudiants de medicina i 3 professors amb grau superior 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 conferències, estudis de casos i programació guiada.A la primera conferència, revisem conceptes seleccionats d'anàlisi de dades en bioestadística, incloent 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 ara la mineria de dades, les proves d'importància o la visualització interactiva.Això es va deure a les limitacions de temps i també perquè alguns estudiants de grau tenien formació prèvia en bioestadística i volien cobrir temes d'aprenentatge automàtic més únics.La conferència posterior presenta mètodes moderns i discuteix la formulació de problemes d'IA, els avantatges i limitacions dels models d'IA i les proves de models.Les conferències es complementen amb literatura i investigacions pràctiques sobre dispositius d'intel·ligència artificial existents.Posem èmfasi en les habilitats necessàries per avaluar l'efectivitat i la viabilitat d'un model per abordar qüestions clíniques, inclosa la comprensió de les limitacions dels dispositius d'intel·ligència artificial existents.Per exemple, vam demanar als estudiants que interpretessin les directrius de lesió al cap pediàtrica proposades per Kupperman et al., 5 que van implementar un algorisme d'arbre de decisions d'intel·ligència artificial per determinar si una TC seria útil a partir de l'examen d'un metge.Destaquem que aquest és un exemple comú d'IA que proporciona analítiques predictives perquè els metges les interpretin, en lloc de substituir els metges.
En els exemples de programació d'arrencada 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 formació. .i proves.Utilitzem 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'exercici de programació.Aquest exercici consisteix a predir malalties malignes mitjançant el conjunt de dades d'imatges de mama obert de Wisconsin6 i un algorisme d'arbre de decisió.
Presenteu programes durant tota la setmana sobre temes relacionats i seleccioneu exemples d'aplicacions d'IA publicades.Els elements de programació només s'inclouen si es consideren rellevants per oferir una visió de la pràctica clínica futura, com ara com avaluar els models per determinar si estan preparats per utilitzar-los en assaigs clínics.Aquests exemples culminen amb una aplicació completa d'extrem a extrem que classifica els tumors com a benignes o malignes en funció dels paràmetres d'imatge mèdica.
Heterogeneïtat dels coneixements previs.Els nostres participants van variar en el seu nivell de coneixements matemàtics.Per exemple, els estudiants amb formació avançada en enginyeria busquen material més aprofundit, com ara com realitzar les seves pròpies transformacions de Fourier.Tanmateix, discutir l'algorisme de Fourier a classe no és possible perquè requereix un coneixement profund del processament del senyal.
Sortida d'assistència.L'assistència a les reunions de seguiment va disminuir, especialment en formats en línia.Una solució pot ser fer un seguiment de l'assistència i proporcionar un certificat de finalització.Se sap que les escoles de medicina reconeixen les transcripcions de les activitats acadèmiques extracurriculars dels estudiants, que poden animar els estudiants a cursar un títol.
Disseny del curs: com que la IA abasta tants subcamps, seleccionar conceptes bàsics de profunditat i amplitud adequades pot ser un repte.Per exemple, la continuïtat de l'ús de les eines d'IA des del laboratori fins a la clínica és un tema important.Tot i que cobrim el preprocessament de dades, la creació de models i la validació, no incloem temes com ara l'anàlisi de grans dades, 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 interpretació.Una manera de fer-ho és utilitzar mapes d'activació de gradients, 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 estàvem intentant explicar com treballar les 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 del coneixement.Com que l'aplicació de la IA és limitada, queda per veure fins a quin punt els participants conserven el coneixement.Els plans d'estudis de les facultats de medicina sovint es basen en la repetició espaiada per reforçar el coneixement durant les rotacions pràctiques,9 que també es pot 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 suposar un problema a l'hora de posar en marxa 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 alguns deures clínics3.Per abordar aquest problema, expliquem les limitacions de la IA, inclòs el fet que gairebé totes les tecnologies d'IA aprovades pels reguladors requereixen la supervisió d'un metge11.També destaquem la importància del biaix perquè els algorismes són propensos al biaix, especialment si el conjunt de dades no és divers12.En conseqüència, un determinat subgrup pot ser modelat incorrectament, donant lloc a decisions clíniques injustes.
Els recursos estan disponibles públicament: hem creat recursos disponibles públicament, incloses les diapositives de la conferència i el codi.Tot i que l'accés al contingut síncron és limitat a causa de les zones horàries, 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 escoles de medicina.
Col·laboració interdisciplinària: aquest taller és una empresa conjunta iniciada per estudiants de medicina per planificar cursos juntament amb enginyers.Això demostra les oportunitats de col·laboració i els buits de coneixement en ambdues àrees, cosa que permet als participants entendre el paper potencial que poden contribuir en el futur.
Definir les competències bàsiques de la IA.La definició d'una llista de competències proporciona una estructura estandarditzada que es pot integrar als currículums mèdics basats en competències existents.Actualment, aquest taller utilitza els nivells d'objectius d'aprenentatge 2 (Comprensió), 3 (Aplicació) i 4 (Anàlisi) de la taxonomia de Bloom.Tenir recursos a nivells més alts de classificació, com ara la creació de projectes, pot reforçar 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 estan inclosos als currículums mèdics estàndard.
Crear casos pràctics amb IA.De manera similar als exemples clínics, l'aprenentatge basat en casos pot reforçar conceptes abstractes destacant la seva rellevància per a les 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 reglamentària.
Utilitzeu l'aprenentatge vivencial: les habilitats tècniques requereixen una pràctica centrada i una aplicació repetida per dominar, de manera similar a les experiències d'aprenentatge rotatiu dels estudiants clínics.Una solució potencial és el model d'aula invertida, que s'ha informat que millora la retenció de coneixements en l'educació en enginyeria14.En aquest model, els estudiants revisen el material teòric de manera autònoma i el temps de classe es dedica a resoldre problemes mitjançant casos pràctics.
Escala per a participants multidisciplinaris: preveiem l'adopció de la IA que impliqui la col·laboració en múltiples disciplines, inclosos els metges i els professionals de la salut afins amb diferents nivells de formació.Per tant, pot ser que els plans d'estudis s'hagin de desenvolupar 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 entendre la intel·ligència artificial presenta reptes únics en la selecció de contingut, la rellevància clínica i els mètodes de lliurament.Esperem que els coneixements obtinguts dels tallers d'IA en educació ajudin els futurs educadors a adoptar maneres innovadores d'integrar la IA a l'educació mèdica.
L'script de Google Colaboratory Python 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.medicament.88, 1407–1410 (2013).
McCoy, LG, etc. Què necessiten saber realment els estudiants de medicina sobre la intel·ligència artificial?Nombres NPZh.Medicina 3, 1–3 (2020).
Dos Santos, DP, et al.Actituds dels estudiants de medicina cap a la intel·ligència artificial: una enquesta multicèntrica.EURO.radiació.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.ensenyar.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.Ciència Biomèdica.Processament d'imatge.Ciència Biomèdica.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. i Peng, L. How to develop machine learning models for healthcare.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: interpretació visual de xarxes profundes mitjançant la localització basada en gradients.Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K i Ilic D. Desenvolupament i avaluació d'un model espiral per avaluar les competències de la medicina basada en l'evidència utilitzant OSCE a l'educació mèdica de grau.Medicina BMK.ensenyar.21, 1–9 (2021).
Kolachalama VB i Garg PS Aprenentatge automàtic i educació mèdica.Nombres NPZh.medicament.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.medicament.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. The flipped classroom in engineering education: a research review.Actes de la International Conference on Interactive Collaborative Learning 2015 (2015).
Els autors agraeixen a Danielle Walker, Tim Salcudin i Peter Zandstra del Clúster d'Investigació d'Imatge Biomèdica i Intel·ligència Artificial de la Universitat de la Colúmbia Britànica pel seu suport i finançament.
RH, PP, ZH, RS i MA van ser els responsables de desenvolupar els continguts docents del taller.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, RS van ser els encarregats de crear les figures i taules.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS van ser els responsables de redactar i editar el document.
Communication Medicine agraeix a Carolyn McGregor, Fabio Moraes i Aditya Borakati les seves contribucions a la revisió d'aquest treball.
Hora de publicació: 19-feb-2024