دیدگاه کانادایی در آموزش هوش مصنوعی به دانشجویان پزشکی

از بازدید شما از Nature.com سپاسگزاریم.نسخه مرورگری که استفاده می کنید پشتیبانی محدودی از CSS دارد.برای بهترین نتایج، توصیه می کنیم از نسخه جدیدتر مرورگر خود استفاده کنید (یا حالت سازگاری را در اینترنت اکسپلورر خاموش کنید).در عین حال، برای اطمینان از پشتیبانی مداوم، سایت را بدون استایل یا جاوا اسکریپت نشان می دهیم.
کاربردهای هوش مصنوعی بالینی (AI) به سرعت در حال رشد است، اما برنامه های درسی دانشکده پزشکی موجود آموزش محدودی را در این زمینه ارائه می دهد.در اینجا ما یک دوره آموزشی هوش مصنوعی را که توسعه داده و به دانشجویان پزشکی کانادا ارائه کرده‌ایم توضیح می‌دهیم و توصیه‌هایی برای آموزش‌های آینده ارائه می‌کنیم.
هوش مصنوعی (AI) در پزشکی می تواند کارایی محل کار را بهبود بخشد و به تصمیم گیری بالینی کمک کند.برای هدایت ایمن استفاده از هوش مصنوعی، پزشکان باید درک درستی از هوش مصنوعی داشته باشند.بسیاری از نظرات از آموزش مفاهیم AI مانند توضیح مدل‌های هوش مصنوعی و فرآیندهای تأیید حمایت می‌کنند.با این حال، برنامه های ساختارمند کمی به ویژه در سطح ملی اجرا شده است.پینتو دوس سانتوس و همکاران 3.263 دانشجوی پزشکی مورد بررسی قرار گرفتند و 71 درصد موافق بودند که به آموزش در زمینه هوش مصنوعی نیاز دارند.آموزش هوش مصنوعی به مخاطبان پزشکی نیازمند طراحی دقیقی است که مفاهیم فنی و غیر فنی را برای دانشجویانی که اغلب دانش قبلی گسترده ای دارند، ترکیب کند.ما تجربه خود را در ارائه یک سری کارگاه های هوش مصنوعی به سه گروه از دانشجویان پزشکی توضیح می دهیم و توصیه هایی را برای آموزش پزشکی آینده در هوش مصنوعی ارائه می دهیم.
کارگاه پنج هفته ای مقدمه بر هوش مصنوعی در پزشکی برای دانشجویان پزشکی سه بار بین فوریه 2019 و آوریل 2021 برگزار شد. برنامه زمانی برای هر کارگاه، با توضیح مختصری از تغییرات دوره، در شکل 1 نشان داده شده است. دوره ما دارای سه هدف اصلی یادگیری: دانش‌آموزان درک می‌کنند که چگونه داده‌ها در برنامه‌های هوش مصنوعی پردازش می‌شوند، ادبیات هوش مصنوعی را برای کاربردهای بالینی تجزیه و تحلیل می‌کنند و از فرصت‌ها برای همکاری با مهندسان توسعه‌دهنده هوش مصنوعی استفاده می‌کنند.
آبی موضوع سخنرانی و آبی روشن دوره پرسش و پاسخ تعاملی است.بخش خاکستری کانون بررسی مختصر ادبیات است.بخش‌های نارنجی، مطالعات موردی انتخابی هستند که مدل‌ها یا تکنیک‌های هوش مصنوعی را توصیف می‌کنند.گرین یک دوره برنامه نویسی هدایت شده است که برای آموزش هوش مصنوعی برای حل مشکلات بالینی و ارزیابی مدل ها طراحی شده است.محتوا و مدت کارگاه ها بر اساس ارزیابی نیازهای دانش آموزان متفاوت است.
اولین کارگاه از فوریه تا آوریل 2019 در دانشگاه بریتیش کلمبیا برگزار شد و هر 8 شرکت کننده بازخورد مثبتی ارائه کردند.با توجه به COVID-19، دومین کارگاه به صورت مجازی در اکتبر تا نوامبر 2020 برگزار شد و 222 دانشجوی پزشکی و 3 دستیار از 8 دانشکده پزشکی کانادا ثبت نام کردند.اسلایدهای ارائه و کد در یک سایت دسترسی آزاد (http://ubcaimed.github.io) آپلود شده است.بازخورد کلیدی از تکرار اول این بود که سخنرانی ها بسیار شدید و مطالب بسیار تئوری بود.ارائه خدمات به شش منطقه زمانی مختلف کانادا چالش‌های بیشتری را به همراه دارد.بنابراین، کارگاه دوم هر جلسه را به 1 ساعت کوتاه کرد، مطالب درسی را ساده کرد، مطالعات موردی بیشتری را اضافه کرد، و برنامه‌هایی را ایجاد کرد که به شرکت‌کنندگان اجازه می‌داد تا قطعات کد را با حداقل اشکال‌زدایی کامل کنند (جعبه 1).بازخورد کلیدی از تکرار دوم شامل بازخورد مثبت در تمرین‌های برنامه‌نویسی و درخواست برای نشان دادن برنامه‌ریزی برای یک پروژه یادگیری ماشینی بود.بنابراین، در سومین کارگاه ما که به طور مجازی برای 126 دانشجوی پزشکی در ماه مارس تا آوریل 2021 برگزار شد، تمرین‌های کدنویسی تعاملی و جلسات بازخورد پروژه را برای نشان دادن تأثیر استفاده از مفاهیم کارگاه بر پروژه‌ها گنجاندیم.
تجزیه و تحلیل داده ها: زمینه مطالعاتی در آمار است که الگوهای معنادار در داده ها را با تجزیه و تحلیل، پردازش و انتقال الگوهای داده شناسایی می کند.
داده کاوی: فرآیند شناسایی و استخراج داده ها.در زمینه هوش مصنوعی، این اغلب بزرگ است و برای هر نمونه چندین متغیر وجود دارد.
کاهش ابعاد: فرآیند تبدیل داده‌ها با بسیاری از ویژگی‌های فردی به ویژگی‌های کمتر با حفظ ویژگی‌های مهم مجموعه داده اصلی.
ویژگی ها (در زمینه هوش مصنوعی): ویژگی های قابل اندازه گیری یک نمونه.اغلب به جای "ویژگی" یا "متغیر" استفاده می شود.
نقشه فعال‌سازی گرادیان: تکنیکی است که برای تفسیر مدل‌های هوش مصنوعی (به‌ویژه شبکه‌های عصبی کانولوشنال) استفاده می‌شود که فرآیند بهینه‌سازی آخرین بخش شبکه را برای شناسایی مناطقی از داده‌ها یا تصاویری که دارای قابلیت پیش‌بینی بالایی هستند، تجزیه و تحلیل می‌کند.
مدل استاندارد: یک مدل هوش مصنوعی موجود که برای انجام کارهای مشابه از قبل آموزش دیده است.
آزمایش (در زمینه هوش مصنوعی): مشاهده اینکه چگونه یک مدل یک کار را با استفاده از داده هایی که قبلاً با آن مواجه نشده انجام می دهد.
آموزش (در زمینه هوش مصنوعی): ارائه مدلی با داده ها و نتایج به گونه ای که مدل پارامترهای داخلی خود را برای بهینه سازی توانایی خود در انجام وظایف با استفاده از داده های جدید تنظیم می کند.
وکتور: آرایه ای از داده ها.در یادگیری ماشین، هر عنصر آرایه معمولاً یک ویژگی منحصر به فرد نمونه است.
جدول 1 آخرین دوره ها را برای آوریل 2021، از جمله اهداف یادگیری هدفمند برای هر موضوع، فهرست می کند.این کارگاه برای افراد تازه وارد در سطح فنی در نظر گرفته شده است و نیازی به دانش ریاضی فراتر از سال اول دوره کارشناسی پزشکی ندارد.این دوره توسط 6 دانشجوی پزشکی و 3 معلم با مدارک پیشرفته مهندسی توسعه داده شده است.مهندسان در حال توسعه نظریه هوش مصنوعی برای تدریس هستند و دانشجویان پزشکی در حال یادگیری مطالب مرتبط بالینی هستند.
کارگاه ها شامل سخنرانی ها، مطالعات موردی و برنامه نویسی هدایت شده است.در اولین سخنرانی، مفاهیم منتخب تجزیه و تحلیل داده ها در آمار زیستی، از جمله تجسم داده ها، رگرسیون لجستیک و مقایسه آمار توصیفی و استقرایی را بررسی می کنیم.اگرچه تجزیه و تحلیل داده ها پایه و اساس هوش مصنوعی است، ما موضوعاتی مانند داده کاوی، آزمایش اهمیت یا تجسم تعاملی را حذف می کنیم.این به دلیل محدودیت های زمانی و همچنین به این دلیل بود که برخی از دانشجویان مقطع کارشناسی آموزش های قبلی در آمار زیستی داشتند و می خواستند موضوعات منحصر به فرد یادگیری ماشینی را پوشش دهند.سخنرانی بعدی روش‌های مدرن را معرفی می‌کند و در مورد فرمول‌بندی مشکل هوش مصنوعی، مزایا و محدودیت‌های مدل‌های هوش مصنوعی و آزمایش مدل بحث می‌کند.این سخنرانی ها با ادبیات و تحقیقات عملی در مورد دستگاه های هوش مصنوعی موجود تکمیل می شود.ما بر مهارت‌های مورد نیاز برای ارزیابی اثربخشی و امکان‌سنجی یک مدل برای رسیدگی به سؤالات بالینی، از جمله درک محدودیت‌های دستگاه‌های هوش مصنوعی موجود تأکید می‌کنیم.به عنوان مثال، ما از دانش آموزان خواستیم دستورالعمل های آسیب سر کودکان را که توسط کوپرمن و همکاران (5) پیشنهاد شده بود، تفسیر کنند که الگوریتم درخت تصمیم گیری هوش مصنوعی را برای تعیین اینکه آیا سی تی اسکن بر اساس معاینه پزشک مفید است یا خیر، پیاده سازی کرد.ما تأکید می کنیم که این یک مثال رایج از هوش مصنوعی است که به جای جایگزینی پزشکان، تجزیه و تحلیل های پیش بینی را برای پزشکان ارائه می دهد.
در نمونه های برنامه نویسی بوت استرپ منبع باز موجود (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples)، نحوه انجام تجزیه و تحلیل داده های اکتشافی، کاهش ابعاد، بارگذاری مدل استاندارد و آموزش را نشان می دهیم. .و تست کردنما از نوت‌بوک‌های Google Colaboratory (Google LLC، Mountain View، CA) استفاده می‌کنیم که به کد پایتون اجازه می‌دهد از یک مرورگر وب اجرا شود.در شکل 2 مثالی از یک تمرین برنامه نویسی ارائه شده است.این تمرین شامل پیش‌بینی بدخیمی‌ها با استفاده از مجموعه داده‌های تصویربرداری پستان باز ویسکانسین 6 و الگوریتم درخت تصمیم است.
برنامه هایی را در طول هفته در مورد موضوعات مرتبط ارائه دهید و نمونه هایی را از برنامه های هوش مصنوعی منتشر شده انتخاب کنید.عناصر برنامه‌نویسی تنها در صورتی گنجانده می‌شوند که برای ارائه بینشی در مورد عملکرد بالینی آینده مرتبط در نظر گرفته شوند، مانند نحوه ارزیابی مدل‌ها برای تعیین اینکه آیا آنها برای استفاده در کارآزمایی‌های بالینی آماده هستند یا خیر.این نمونه‌ها در یک برنامه کاربردی تمام عیار به پایان می‌رسند که تومورها را بر اساس پارامترهای تصویر پزشکی به عنوان خوش‌خیم یا بدخیم طبقه‌بندی می‌کند.
ناهمگونی دانش قبلیشرکت کنندگان ما در سطح دانش ریاضی خود متفاوت بودند.به عنوان مثال، دانشجویان با پیشینه مهندسی پیشرفته به دنبال مطالب عمیق تری هستند، مانند نحوه انجام تبدیل فوریه خود.با این حال، بحث در مورد الگوریتم فوریه در کلاس امکان پذیر نیست زیرا به دانش عمیق پردازش سیگنال نیاز دارد.
خروج حضور و غیابحضور در جلسات بعدی به ویژه در قالب های آنلاین کاهش یافت.راه حل ممکن است پیگیری حضور و غیاب و ارائه گواهی پایان کار باشد.دانشکده‌های پزشکی به شناسایی رونوشت‌های فعالیت‌های دانشگاهی فوق‌درسی دانش‌آموزان معروف هستند، که می‌تواند دانشجویان را تشویق به ادامه تحصیل کند.
طراحی دوره: از آنجایی که هوش مصنوعی حوزه های فرعی زیادی را در بر می گیرد، انتخاب مفاهیم اصلی عمق و وسعت مناسب می تواند چالش برانگیز باشد.به عنوان مثال، تداوم استفاده از ابزارهای هوش مصنوعی از آزمایشگاه تا کلینیک موضوع مهمی است.در حالی که ما پیش پردازش داده ها، ساخت مدل و اعتبارسنجی را پوشش می دهیم، موضوعاتی مانند تجزیه و تحلیل داده های بزرگ، تجسم تعاملی، یا انجام آزمایشات بالینی هوش مصنوعی را در بر نمی گیریم، در عوض بر منحصر به فردترین مفاهیم هوش مصنوعی تمرکز می کنیم.اصل راهنمای ما بهبود سواد است، نه مهارت.به عنوان مثال، درک اینکه چگونه یک مدل ویژگی های ورودی را پردازش می کند برای تفسیرپذیری مهم است.یکی از راه‌های انجام این کار، استفاده از نقشه‌های فعال‌سازی گرادیان است که می‌تواند مناطقی از داده‌ها را قابل پیش‌بینی تجسم کند.با این حال، این نیاز به محاسبه چند متغیره دارد و نمی توان آن را معرفی کرد.توسعه یک اصطلاح مشترک چالش برانگیز بود زیرا ما سعی داشتیم نحوه کار با داده ها را به عنوان بردار بدون فرمالیسم ریاضی توضیح دهیم.توجه داشته باشید که اصطلاحات مختلف معنی یکسانی دارند، به عنوان مثال، در اپیدمیولوژی، یک "ویژگی" به عنوان "متغیر" یا "ویژگی" توصیف می شود.
حفظ دانشاز آنجایی که کاربرد هوش مصنوعی محدود است، هنوز مشخص نیست که شرکت کنندگان تا چه حد دانش خود را حفظ می کنند.برنامه های درسی دانشکده پزشکی اغلب بر تکرار فاصله ای تکیه می کنند تا دانش را در طول چرخش های عملی تقویت کنند، که می تواند در آموزش هوش مصنوعی نیز اعمال شود.
حرفه ای بودن مهمتر از سواد است.عمق مواد بدون دقت ریاضی طراحی شده است، که در هنگام راه اندازی دوره های بالینی هوش مصنوعی مشکل ساز بود.در مثال‌های برنامه‌نویسی، ما از یک برنامه قالب استفاده می‌کنیم که به شرکت‌کنندگان اجازه می‌دهد تا فیلدها را پر کنند و نرم‌افزار را بدون نیاز به نحوه راه‌اندازی یک محیط برنامه‌نویسی کامل اجرا کنند.
نگرانی‌های مربوط به هوش مصنوعی رفع شده است: نگرانی گسترده‌ای وجود دارد که هوش مصنوعی می‌تواند جایگزین برخی وظایف بالینی شود.برای پرداختن به این موضوع، محدودیت‌های هوش مصنوعی را توضیح می‌دهیم، از جمله این واقعیت که تقریباً تمام فناوری‌های هوش مصنوعی تأیید شده توسط تنظیم‌کننده‌ها نیاز به نظارت پزشک دارند.ما همچنین بر اهمیت سوگیری تاکید می کنیم زیرا الگوریتم ها مستعد سوگیری هستند، به خصوص اگر مجموعه داده ها متنوع نباشد.در نتیجه، ممکن است یک زیرگروه خاص به اشتباه مدل‌سازی شود که منجر به تصمیمات بالینی ناعادلانه شود.
منابع در دسترس عموم هستند: ما منابع در دسترس عموم، از جمله اسلایدهای سخنرانی و کد ایجاد کرده ایم.اگرچه دسترسی به محتوای همزمان به دلیل مناطق زمانی محدود است، محتوای منبع باز روشی مناسب برای یادگیری ناهمزمان است زیرا تخصص هوش مصنوعی در همه دانشکده‌های پزشکی در دسترس نیست.
همکاری بین رشته ای: این کارگاه یک سرمایه گذاری مشترک است که توسط دانشجویان پزشکی برای برنامه ریزی دوره های آموزشی همراه با مهندسان آغاز شده است.این نشان‌دهنده فرصت‌های همکاری و شکاف‌های دانش در هر دو زمینه است و به شرکت‌کنندگان این امکان را می‌دهد تا نقش بالقوه‌ای را که می‌توانند در آینده ایفا کنند، درک کنند.
شایستگی های اصلی هوش مصنوعی را تعریف کنید.تعریف فهرستی از شایستگی ها ساختار استاندارد شده ای را فراهم می کند که می تواند در برنامه های درسی پزشکی مبتنی بر شایستگی موجود ادغام شود.این کارگاه در حال حاضر از اهداف آموزشی سطوح 2 (درک مطلب)، 3 (کاربرد) و 4 (تحلیل) طبقه بندی بلوم استفاده می کند.داشتن منابع در سطوح بالاتر طبقه بندی، مانند ایجاد پروژه ها، می تواند دانش را بیشتر تقویت کند.این امر مستلزم کار با کارشناسان بالینی است تا مشخص شود که چگونه می توان موضوعات هوش مصنوعی را در جریان کار بالینی به کار برد و از آموزش موضوعات تکراری که قبلاً در برنامه های درسی استاندارد پزشکی گنجانده شده اند جلوگیری کرد.
ایجاد مطالعات موردی با استفاده از هوش مصنوعیمشابه مثال‌های بالینی، یادگیری مبتنی بر مورد می‌تواند مفاهیم انتزاعی را با برجسته کردن ارتباط آنها با سوالات بالینی تقویت کند.به عنوان مثال، یک مطالعه کارگاهی سیستم تشخیص رتینوپاتی دیابتی مبتنی بر هوش مصنوعی گوگل را تجزیه و تحلیل کرد تا چالش‌های موجود در مسیر از آزمایشگاه به کلینیک، مانند الزامات اعتبارسنجی خارجی و مسیرهای تأیید نظارتی را شناسایی کند.
استفاده از یادگیری تجربی: مهارت‌های فنی برای تسلط به تمرین متمرکز و کاربرد مکرر نیاز دارند، مشابه تجربیات یادگیری چرخشی کارآموزان بالینی.یک راه حل بالقوه مدل کلاس درس معکوس است که گزارش شده است حفظ دانش را در آموزش مهندسی بهبود می بخشد.در این مدل، دانش‌آموزان به طور مستقل مطالب نظری را مرور می‌کنند و زمان کلاس به حل مسائل از طریق مطالعات موردی اختصاص می‌یابد.
مقیاس‌بندی برای شرکت‌کنندگان چند رشته‌ای: ما پذیرش هوش مصنوعی شامل همکاری در رشته‌های مختلف، از جمله پزشکان و متخصصان بهداشتی وابسته با سطوح مختلف آموزش را در نظر می‌گیریم.بنابراین، ممکن است نیاز باشد که برنامه های درسی با مشورت با اعضای هیئت علمی بخش های مختلف تدوین شود تا محتوای آنها با حوزه های مختلف مراقبت های بهداشتی تطبیق داده شود.
هوش مصنوعی یک فناوری پیشرفته است و مفاهیم اصلی آن مربوط به ریاضیات و علوم کامپیوتر است.آموزش پرسنل مراقبت های بهداشتی برای درک هوش مصنوعی چالش های منحصر به فردی را در انتخاب محتوا، ارتباط بالینی و روش های ارائه ارائه می دهد.ما امیدواریم که بینش‌های به‌دست‌آمده از کارگاه‌های آموزشی هوش مصنوعی به مربیان آینده کمک کند تا راه‌های نوآورانه را برای ادغام هوش مصنوعی در آموزش پزشکی بپذیرند.
اسکریپت پایتون مشارکتی Google منبع باز است و در آدرس زیر موجود است: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
پروبر، کی جی و خان، اس. بازاندیشی در آموزش پزشکی: فراخوانی برای اقدام.اکد.دارو.88، 1407-1410 (2013).
مک کوی، ال جی و غیره. دانشجویان پزشکی واقعاً باید در مورد هوش مصنوعی بدانند؟اعداد NPZhپزشکی 3، 1-3 (2020).
دوس سانتوس، DP، و همکاران.نگرش دانشجویان پزشکی نسبت به هوش مصنوعی: یک نظرسنجی چند مرکزییوروتابش - تشعشع.29، 1640–1646 (2019).
Fan, KY, Hu, R., and Singla, R. مقدمه ای بر یادگیری ماشینی برای دانشجویان پزشکی: یک پروژه آزمایشی.جی. مد.آموزش دهید.54، 1042–1043 (2020).
کوپرمن N و همکارانشناسایی کودکان در معرض خطر بسیار کم آسیب مغزی قابل توجه بالینی پس از آسیب سر: یک مطالعه کوهورت آینده نگر.Lancet 374, 1160-1170 (2009).
خیابان، WN، Wolberg، WH و Mangasarian، OL.استخراج ویژگی هسته ای برای تشخیص تومور پستانعلم پزشکی.پردازش تصویر.علم پزشکی.ویس1905، 861-870 (1993).
Chen, PHC, Liu, Y. and Peng, L. چگونه مدل های یادگیری ماشینی را برای مراقبت های بهداشتی توسعه دهیم.نات.مت.18، 410–414 (2019).
سلواراجو، RR و همکاران.Grad-cam: تفسیر بصری شبکه های عمیق از طریق محلی سازی مبتنی بر گرادیان.مجموعه مقالات کنفرانس بین المللی IEEE در بینایی کامپیوتر، 618–626 (2017).
Kumaravel B، Stewart K و Ilic D. توسعه و ارزیابی یک مدل مارپیچی برای ارزیابی شایستگی‌های پزشکی مبتنی بر شواهد با استفاده از OSCE در آموزش پزشکی در مقطع کارشناسی.BMK Medicine.آموزش دهید.21، 1-9 (2021).
یادگیری ماشینی و آموزش پزشکی Kolachalama VB و Garg PS.اعداد NPZhدارو.1، 1-3 (2018).
van Leeuwen، KG، Schalekamp، S.، Rutten، MJ، van Ginneken، B. and de Rooy، M. هوش مصنوعی در رادیولوژی: 100 محصول تجاری و شواهد علمی آنها.یوروتابش - تشعشع.31, 3797–3804 (2021).
توپول، EJ پزشکی با عملکرد بالا: همگرایی هوش مصنوعی و انساننات.دارو.25، 44-56 (2019).
Bede, E. et al.ارزیابی انسان محور یک سیستم یادگیری عمیق مستقر در کلینیک برای تشخیص رتینوپاتی دیابتی.مجموعه مقالات کنفرانس CHI 2020 در مورد عوامل انسانی در سیستم های محاسباتی (2020).
کر، بی. کلاس درس معکوس در آموزش مهندسی: بررسی پژوهشی.مجموعه مقالات کنفرانس بین المللی 2015 یادگیری مشارکتی تعاملی (2015).
نویسندگان از دانیل واکر، تیم سالکودین و پیتر زاندسترا از گروه تحقیقاتی تصویربرداری پزشکی و هوش مصنوعی در دانشگاه بریتیش کلمبیا برای حمایت و بودجه تشکر می‌کنند.
RH، PP، ZH، RS و MA مسئول توسعه محتوای آموزشی کارگاه بودند.RH و PP مسئول توسعه نمونه های برنامه نویسی بودند.KYF، OY، MT و PW مسئول سازماندهی لجستیکی پروژه و تجزیه و تحلیل کارگاه ها بودند.RH، OY، MT، RS مسئول ایجاد شکل ها و جداول بودند.RH، KYF، PP، ZH، OY، MY، PW، TL، MA، RS مسئول تهیه و ویرایش سند بودند.
Communication Medicine از کارولین مک گرگور، فابیو مورائس و آدیتیا بوراکاتی برای مشارکت در بررسی این اثر تشکر می کند.