دیدگاه کانادایی در مورد آموزش هوش مصنوعی به دانشجویان پزشکی

با تشکر از شما برای بازدید از Nature.com. نسخه مرورگر مورد استفاده شما از CSS محدود است. برای بهترین نتیجه ، توصیه می کنیم از نسخه جدیدتر مرورگر خود (یا خاموش کردن حالت سازگاری در اینترنت اکسپلورر) استفاده کنید. در ضمن ، برای اطمینان از پشتیبانی مداوم ، ما سایت را بدون یک ظاهر طراحی شده 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 پوشش می دهد که این منطقه را پوشش می دهد. در اینجا ما یک دوره آموزش هوش مصنوعی را که ما به دانشجویان پزشکی کانادا توسعه داده و تحویل داده ایم ، توصیف می کنیم و توصیه هایی را برای آموزش های آینده ارائه می دهیم.
هوش مصنوعی (AI) در پزشکی می تواند کارایی در محل کار را بهبود بخشد و به تصمیم گیری بالینی کمک کند. برای هدایت ایمن استفاده از هوش مصنوعی ، پزشکان باید از هوش مصنوعی درک کنند. بسیاری از نظرات از تدریس مفاهیم AI ، مانند توضیح مدل های هوش مصنوعی و فرآیندهای تأیید 2 دفاع می کنند. با این حال ، چند برنامه ساختاری به ویژه در سطح ملی اجرا شده است. Pinto dos Santos et al.3. 263 دانشجوی پزشکی مورد بررسی قرار گرفتند و 71 ٪ موافقت كردند كه آنها به آموزش هوش مصنوعی نیاز دارند. آموزش هوش مصنوعی به مخاطبان پزشکی نیاز به طراحی دقیق دارد که ترکیبی از مفاهیم فنی و غیر فنی برای دانش آموزانی است که اغلب دانش قبلی گسترده دارند. ما تجربه خود را برای ارائه یک سری کارگاه های هوش مصنوعی به سه گروه از دانشجویان پزشکی توصیف می کنیم و توصیه هایی را برای آموزش پزشکی آینده در هوش مصنوعی ارائه می دهیم.
معرفی پنج هفته ای ما در کارگاه پزشکی هوش مصنوعی در پزشکی برای دانشجویان پزشکی بین فوریه 2019 و آوریل 2021 سه بار برگزار شد. برنامه ای برای هر کارگاه ، با شرح مختصری از تغییرات در دوره ، در شکل 1 نشان داده شده است. سه هدف یادگیری اولیه: دانش آموزان می فهمند که چگونه داده ها در برنامه های هوش مصنوعی پردازش می شوند ، ادبیات هوش مصنوعی را برای کاربردهای بالینی تجزیه و تحلیل می کنند و از فرصت هایی برای همکاری با مهندسین توسعه هوش مصنوعی استفاده می کنند.
آبی موضوع سخنرانی است و آبی روشن دوره سؤال تعاملی و پاسخ است. بخش خاکستری تمرکز بررسی مختصر ادبیات است. بخش های نارنجی مطالعات موردی انتخاب شده اند که مدل ها یا تکنیک های هوش مصنوعی را توصیف می کنند. گرین یک دوره برنامه نویسی هدایت شده است که برای آموزش هوش مصنوعی برای حل مشکلات بالینی و ارزیابی مدل ها طراحی شده است. محتوای و مدت زمان کارگاه ها بر اساس ارزیابی نیازهای دانشجویی متفاوت است.
اولین کارگاه از فوریه تا آوریل 2019 در دانشگاه بریتیش کلمبیا برگزار شد و همه 8 شرکت کننده بازخورد مثبت دادند. با توجه به Covid-19 ، دومین کارگاه در اکتبر-نوامبر 2020 به طور کامل برگزار شد که 222 دانشجوی پزشکی و 3 نفر از آنها از 8 دانشکده پزشکی کانادا ثبت نام کردند. اسلایدها و کد های ارائه در یک سایت دسترسی آزاد بارگذاری شده اند (http://ubcaimed.github.io). بازخورد کلیدی از اولین تکرار این بود که سخنرانی ها خیلی شدید بودند و مطالب بیش از حد نظری بودند. خدمت به شش منطقه زمانی مختلف کانادا چالش های دیگری را ایجاد می کند. بنابراین ، کارگاه دوم هر جلسه را به 1 ساعت کوتاه کرد ، مطالب درسی را ساده کرد ، مطالعات موردی بیشتری را اضافه کرد و برنامه های دیگ بخار ایجاد کرد که به شرکت کنندگان اجازه می داد قطعه های کد را با حداقل اشکال زدایی تکمیل کنند (کادر 1). بازخورد کلیدی از تکرار دوم شامل بازخورد مثبت در مورد تمرینات برنامه نویسی و درخواست نشان دادن برنامه ریزی برای یک پروژه یادگیری ماشین است. بنابراین ، در سومین کارگاه ما ، که تقریباً برای 126 دانشجوی پزشکی در مارس-آوریل 2021 برگزار شد ، ما شامل تمرینات برنامه نویسی تعاملی تر و جلسات بازخورد پروژه برای نشان دادن تأثیر استفاده از مفاهیم کارگاه بر روی پروژه ها بودیم.
تجزیه و تحلیل داده ها: یک زمینه مطالعه در آماری که با تجزیه و تحلیل ، پردازش و برقراری ارتباط الگوهای داده ، الگوهای معنی دار در داده ها را مشخص می کند.
داده کاوی: روند شناسایی و استخراج داده ها. در زمینه هوش مصنوعی ، این اغلب بزرگ است و متغیرهای مختلفی برای هر نمونه دارد.
کاهش ابعاد: فرایند تبدیل داده ها با بسیاری از ویژگی های فردی به ویژگی های کمتری ضمن حفظ خصوصیات مهم مجموعه داده های اصلی.
خصوصیات (در زمینه هوش مصنوعی): خصوصیات قابل اندازه گیری یک نمونه. اغلب به طور متناوب با "خاصیت" یا "متغیر" استفاده می شود.
نقشه فعال سازی گرادیان: تکنیکی که برای تفسیر مدل های هوش مصنوعی (به ویژه شبکه های عصبی حلقوی) استفاده می شود ، که روند بهینه سازی قسمت آخر شبکه را برای شناسایی مناطق داده یا تصاویر بسیار پیش بینی کننده تجزیه و تحلیل می کند.
مدل استاندارد: یک مدل هوش مصنوعی موجود که برای انجام کارهای مشابه از قبل آموزش دیده است.
آزمایش (در زمینه هوش مصنوعی): مشاهده نحوه انجام یک مدل با استفاده از داده هایی که قبلاً با آن روبرو نشده است.
آموزش (در زمینه هوش مصنوعی): ارائه یک مدل 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.
بردار: آرایه داده ها. در یادگیری ماشین ، هر عنصر آرایه معمولاً یک ویژگی منحصر به فرد نمونه است.
در جدول 1 آخرین دوره های مربوط به آوریل 2021 ، از جمله اهداف یادگیری هدفمند برای هر موضوع ذکر شده است. این کارگاه برای افراد جدید در سطح فنی در نظر گرفته شده است و به هیچ دانش ریاضی فراتر از سال اول یک مدرک پزشکی کارشناسی نیاز ندارد. این دوره توسط 6 دانشجوی پزشکی و 3 معلم با مدرک پیشرفته در مهندسی توسعه یافته است. مهندسان در حال توسعه تئوری هوش مصنوعی برای تدریس هستند و دانشجویان پزشکی از نظر بالینی در حال یادگیری هستند.
کارگاه های آموزشی شامل سخنرانی ها ، مطالعات موردی و برنامه نویسی هدایت شده است. در اولین سخنرانی ، ما مفاهیم منتخب تجزیه و تحلیل داده ها را در زیست شناسی ، از جمله تجسم داده ها ، رگرسیون لجستیک و مقایسه آمار توصیفی و استقرایی بررسی می کنیم. اگرچه تجزیه و تحلیل داده ها پایه و اساس هوش مصنوعی است ، ما مباحثی مانند داده کاوی ، آزمایش اهمیت یا تجسم تعاملی را حذف می کنیم. این امر به دلیل محدودیت زمانی و همچنین به این دلیل بود که برخی از دانشجویان مقطع کارشناسی ارشد آموزش قبلی در زمینه زیست شناسی داشتند و می خواستند مباحث یادگیری ماشین منحصر به فرد تری را پوشش دهند. سخنرانی بعدی روشهای مدرن را معرفی می کند و در مورد فرمولاسیون مشکل هوش مصنوعی ، مزایا و محدودیت های مدل های AI و آزمایش مدل بحث می کند. این سخنرانی ها با ادبیات و تحقیقات عملی در مورد دستگاه های هوش مصنوعی موجود تکمیل می شوند. ما بر مهارتهای مورد نیاز برای ارزیابی اثربخشی و امکان سنجی یک مدل برای پرداختن به سؤالات بالینی ، از جمله درک محدودیت های دستگاههای هوش مصنوعی موجود تأکید می کنیم. به عنوان مثال ، ما از دانش آموزان خواسته ایم تا دستورالعمل های آسیب دیدگی در سر کودکان را که توسط کوپرمن و همکاران ، 5 پیشنهاد شده است ، تفسیر کنند که یک الگوریتم درخت تصمیم گیری هوش مصنوعی را برای تعیین اینکه آیا یک سی تی اسکن بر اساس معاینه پزشک مفید است ، اجرا کردند. ما تأکید می کنیم که این یک نمونه مشترک از هوش مصنوعی است که تجزیه و تحلیل پیش بینی کننده پزشکان را به جای جایگزینی پزشکان ارائه می دهد.
در نمونه های برنامه نویسی Bootstrap منبع باز موجود (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) ، ما نشان می دهیم که چگونه می توان تجزیه و تحلیل داده های اکتشافی ، کاهش ابعاد ، بارگیری مدل استاندارد و آموزش را انجام داد. بشر و آزمایش ما از نوت بوک های Google Colaboratory (Google LLC ، Mountain View ، CA) استفاده می کنیم که به کد پایتون اجازه می دهد تا از یک مرورگر وب اجرا شود. در شکل 2 نمونه ای از یک تمرین برنامه نویسی را ارائه می دهد. این تمرین شامل پیش بینی بدخیمی با استفاده از مجموعه داده های تصویربرداری پستان باز ویسکانسین و الگوریتم درخت تصمیم گیری است.
برنامه های ارائه شده در طول هفته در مورد موضوعات مرتبط و نمونه هایی از برنامه های AI منتشر شده را انتخاب کنید. عناصر برنامه نویسی فقط در صورتی شامل می شوند که به ارائه بینش در مورد عمل بالینی آینده ، مانند نحوه ارزیابی مدل ها برای تعیین اینکه آیا آنها برای استفاده در آزمایشات بالینی آماده هستند ، مرتبط باشد. این مثالها به یک برنامه تمام عیار پایان به پایان می رسد که تومورها را بر اساس پارامترهای تصویر پزشکی طبقه بندی می کند.
ناهمگونی دانش قبلی. شرکت کنندگان ما در سطح دانش ریاضی خود متفاوت بودند. به عنوان مثال ، دانش آموزان با پیشینه مهندسی پیشرفته به دنبال مطالب عمیق تر هستند ، مانند نحوه انجام تبدیل های فوریه خود. با این حال ، بحث در مورد الگوریتم فوریه در کلاس امکان پذیر نیست زیرا به دانش عمیق در مورد پردازش سیگنال نیاز دارد.
جریان خروجی. حضور در جلسات پیگیری ، به ویژه در قالب های آنلاین کاهش یافته است. یک راه حل ممکن است برای ردیابی حضور و ارائه گواهی تکمیل باشد. دانشکده های پزشکی شناخته شده اند که رونوشت فعالیتهای دانشگاهی فوق برنامه دانش آموزان را به رسمیت می شناسند ، که می تواند دانشجویان را به دنبال مدرک ترغیب کند.
طراحی دوره: از آنجا که هوش مصنوعی بسیاری از زیرزمین ها را شامل می شود ، انتخاب مفاهیم اصلی از عمق و وسعت مناسب می تواند چالش برانگیز باشد. به عنوان مثال ، استمرار استفاده از ابزارهای AI از آزمایشگاه به کلینیک یک موضوع مهم است. در حالی که ما پیش پردازش داده ها ، ساخت مدل و اعتبار سنجی را پوشش می دهیم ، ما موضوعاتی مانند تجزیه و تحلیل داده های بزرگ ، تجسم تعاملی یا انجام آزمایشات بالینی هوش مصنوعی را در بر نمی گیریم ، در عوض ما روی منحصر به فرد ترین مفاهیم هوش مصنوعی تمرکز می کنیم. اصل هدایت ما بهبود سواد است نه مهارت. به عنوان مثال ، درک چگونگی پردازش یک مدل از ویژگی های ورودی برای تفسیر مهم است. یکی از راه های انجام این کار استفاده از نقشه های فعال سازی شیب است که می تواند تجسم کند که کدام مناطق از داده ها قابل پیش بینی هستند. با این حال ، این نیاز به حساب چند متغیره دارد و نمی تواند معرفی شود. ایجاد یک اصطلاحات مشترک چالش برانگیز بود زیرا ما در تلاش بودیم نحوه کار با داده ها را به عنوان بردارهای بدون فرمالیسم ریاضی توضیح دهیم. توجه داشته باشید که اصطلاحات مختلف معنای یکسانی دارند ، به عنوان مثال ، در اپیدمیولوژی ، "ویژگی" به عنوان "متغیر" یا "ویژگی" توصیف می شود.
حفظ دانش از آنجا که کاربرد هوش مصنوعی محدود است ، میزان حفظ دانش شرکت کنندگان همچنان هنوز دیده می شود. برنامه های درسی دانشکده پزشکی اغلب برای تقویت دانش در طول چرخش های عملی ، به تکرار فاصله متکی هستند ، 9 که می تواند برای آموزش هوش مصنوعی نیز استفاده شود.
حرفه ای بودن از سواد مهمتر است. عمق مواد بدون سخت گیری ریاضی طراحی شده است ، که هنگام راه اندازی دوره های بالینی در هوش مصنوعی ، مشکلی بود. در مثالهای برنامه نویسی ، ما از یک برنامه الگوی استفاده می کنیم که به شرکت کنندگان امکان می دهد زمینه ها را پر کرده و نرم افزار را بدون نیاز به نحوه تنظیم یک محیط برنامه نویسی کامل اجرا کنند.
نگرانی در مورد هوش مصنوعی مورد توجه: نگرانی گسترده ای وجود دارد که هوش مصنوعی می تواند جایگزین برخی از وظایف بالینی شود. برای پرداختن به این موضوع ، ما محدودیت های هوش مصنوعی را توضیح می دهیم ، از جمله این واقعیت که تقریباً تمام فن آوری های هوش مصنوعی که توسط تنظیم کننده ها تأیید شده اند ، نیاز به نظارت پزشک دارند. ما همچنین بر اهمیت تعصب تأکید می کنیم زیرا الگوریتم ها مستعد تعصب هستند ، به خصوص اگر مجموعه داده متنوع نباشد. در نتیجه ، یک زیر گروه خاص ممکن است نادرست مدل شود و منجر به تصمیمات بالینی ناعادلانه شود.
منابع در دسترس عموم هستند: ما منابع عمومی در دسترس ایجاد کرده ایم ، از جمله اسلایدهای سخنرانی و کد. اگرچه دسترسی به محتوای همزمان به دلیل مناطق زمانی محدود است ، اما محتوای منبع باز روشی مناسب برای یادگیری ناهمزمان است زیرا تخصص هوش مصنوعی در تمام مدارس پزشکی در دسترس نیست.
همکاری بین رشته ای: این کارگاه یک سرمایه گذاری مشترک است که توسط دانشجویان پزشکی برای برنامه ریزی دوره ها به همراه مهندسین آغاز می شود. این نشان دهنده فرصت های همکاری و شکاف دانش در هر دو زمینه است و به شرکت کنندگان این امکان را می دهد تا نقش بالقوه ای را که می توانند در آینده داشته باشند درک کنند.
صلاحیت های اصلی AI را تعریف کنید. تعریف لیستی از صلاحیت ها یک ساختار استاندارد را فراهم می کند که می تواند در برنامه های درسی پزشکی مبتنی بر شایستگی موجود ادغام شود. این کارگاه در حال حاضر از یادگیری سطوح هدف 2 (درک) ، 3 (برنامه) و 4 (تجزیه و تحلیل) طبقه بندی بلوم استفاده می کند. داشتن منابع در سطوح بالاتر طبقه بندی ، مانند ایجاد پروژه ، می تواند دانش را بیشتر تقویت کند. این امر مستلزم کار با کارشناسان بالینی است تا تعیین کند که چگونه می توان مباحث هوش مصنوعی را در جریان کار بالینی اعمال کرد و از آموزش مباحث تکراری که قبلاً در برنامه های درسی پزشکی استاندارد گنجانده شده است ، جلوگیری کند.
مطالعات موردی را با استفاده از هوش مصنوعی ایجاد کنید. مشابه نمونه های بالینی ، یادگیری مبتنی بر مورد می تواند با برجسته کردن ارتباط آنها با سؤالات بالینی ، مفاهیم انتزاعی را تقویت کند. به عنوان مثال ، یک مطالعه کارگاه آموزشی سیستم تشخیص دیابتی دیابتی مبتنی بر هوش مصنوعی Google 13 را برای شناسایی چالش ها در طول مسیر از آزمایشگاه به کلینیک ، مانند الزامات اعتبار سنجی خارجی و مسیرهای تصویب نظارتی ، تجزیه و تحلیل کرد.
از یادگیری تجربی استفاده کنید: مهارت های فنی نیاز به تمرین متمرکز و کاربرد مکرر برای تسلط ، مشابه تجربیات یادگیری چرخان کارآموزان بالینی دارد. یک راه حل بالقوه مدل کلاس درس است که برای بهبود حفظ دانش در آموزش مهندسی 14 گزارش شده است. در این مدل ، دانش آموزان مطالب نظری را به طور مستقل مرور می کنند و زمان کلاس از طریق مطالعات موردی به حل مشکلات اختصاص می یابد.
مقیاس گذاری برای شرکت کنندگان چند رشته ای: ما تصور می کنیم که پذیرش هوش مصنوعی شامل همکاری در چندین رشته ، از جمله پزشکان و متخصصان بهداشت متفقین با سطح آموزش های مختلف. بنابراین ، برنامه های درسی ممکن است با مشورت با دانشکده های بخش های مختلف برای تنظیم محتوای آنها به مناطق مختلف مراقبت های بهداشتی ، نیاز به تهیه داشته باشد.
هوش مصنوعی فناوری پیشرفته است و مفاهیم اصلی آن مربوط به ریاضیات و علوم کامپیوتر است. آموزش پرسنل بهداشت و درمان برای درک هوش مصنوعی چالش های منحصر به فردی در انتخاب محتوا ، ارتباط بالینی و روش های زایمان را ارائه می دهد. ما امیدواریم که بینش های بدست آمده از کارگاه های آموزشی AI در کارگاه های آموزشی به مربیان آینده کمک کند تا روشهای نوآورانه ای را برای ادغام هوش مصنوعی در آموزش پزشکی در آغوش بگیرند.
اسکریپت Python Colaboratory Google منبع باز و در دسترس است: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober ، KG and Khan ، S. Rethinking Medical آموزش پزشکی: فراخوانی به عمل. اکاد دارو. 88 ، 1407–1410 (2013).
مک کوی ، ال جی و غیره دانشجویان پزشکی واقعاً باید درباره هوش مصنوعی بدانند؟ اعداد NPZH. پزشکی 3 ، 1-3 (2020).
Dos Santos ، DP ، et al. نگرش دانشجویان پزشکی نسبت به هوش مصنوعی: یک بررسی چند مرکز. یورو تابش 29 ، 1640-1646 (2019).
Fan ، KY ، Hu ، R. ، and Singla ، R. مقدمه ای برای یادگیری ماشین برای دانشجویان پزشکی: یک پروژه آزمایشی. J. Med. آموزش 54 ، 1042-1043 (2020).
Cooperman N ، et al. شناسایی کودکان در معرض خطر بسیار کم از نظر بالینی قابل توجه مغز پس از آسیب دیدگی در 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 پستان. علم پزشکی. پردازش تصویر. علم پزشکی. ویس 1905 ، 861-870 (1993).
چن ، PHC ، لیو ، Y. و پنگ ، L. چگونه می توان مدل های یادگیری ماشین را برای مراقبت های بهداشتی توسعه داد. نات. مت 18 ، 410-414 (2019).
Selvaraju ، RR و همکاران. درجه-دوربین: تفسیر بصری از شبکه های عمیق از طریق محلی سازی مبتنی بر شیب. مجموعه مقالات کنفرانس بین المللی IEEE در مورد چشم انداز رایانه ، 618-626 (2017).
Kumaravel B ، Stewart K و ILIC D. توسعه و ارزیابی یک مدل مارپیچ برای ارزیابی شایستگی های پزشکی مبتنی بر شواهد با استفاده از سازمان امنیت و همکاری اروپا در آموزش پزشکی کارشناسی. پزشکی BMK. آموزش 21 ، 1-9 (2021).
Kolachalama VB و Garg PS یادگیری ماشین و آموزش پزشکی. اعداد NPZH. دارو. 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. یورو تابش 31 ، 3797-3804 (2021).
TOPOL ، EJ پزشکی با کارایی بالا: همگرایی هوش انسانی و مصنوعی. نات. دارو. 25 ، 44-56 (2019).
Bede ، E. et al. ارزیابی محور انسان از 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 ، ب. کلاس درس در آموزش مهندسی: یک بررسی تحقیق. مجموعه مقالات کنفرانس بین المللی 2015 در مورد یادگیری مشترک تعاملی (2015).
نویسندگان از دانیل واکر ، تیم سالکودین و پیتر زندسترا از خوشه تصویربرداری زیست پزشکی و خوشه تحقیقات هوش مصنوعی در دانشگاه بریتیش کلمبیا برای پشتیبانی و بودجه تشکر می کنند.
RH ، PP ، ZH ، RS و MA مسئول توسعه محتوای آموزش کارگاه بودند. RH و PP مسئول توسعه نمونه های برنامه نویسی بودند. KYF ، OY ، MT و PW مسئول سازمان لجستیکی پروژه و تجزیه و تحلیل کارگاه ها بودند. RH ، OY ، MT ، RS مسئول ایجاد ارقام و جداول بودند. RH ، KYF ، PP ، ZH ، OY ، MY ، PW ، TL ، MA ، RS مسئول تهیه و ویرایش سند بودند.
پزشکی ارتباطی از کارولین مک گرگور ، فابیو موراس و آدیتا بوراکاتی بخاطر مشارکت آنها در بررسی این کار تشکر می کنم.