از بازدید شما از Nature.com متشکریم. نسخه مرورگری که استفاده میکنید پشتیبانی محدودی از CSS دارد. برای بهترین نتیجه، توصیه میکنیم از نسخه جدیدتر مرورگر خود استفاده کنید (یا حالت سازگاری را در Internet Explorer غیرفعال کنید). در عین حال، برای اطمینان از پشتیبانی مداوم، سایت را بدون استایل یا جاوا اسکریپت نمایش میدهیم.
کاربردهای هوش مصنوعی بالینی (AI) به سرعت در حال رشد هستند، اما برنامههای درسی موجود در دانشکدههای پزشکی، آموزش محدودی را در این زمینه ارائه میدهند. در اینجا ما یک دوره آموزشی هوش مصنوعی را که برای دانشجویان پزشکی کانادایی توسعه داده و ارائه کردهایم، شرح میدهیم و توصیههایی برای آموزشهای آینده ارائه میدهیم.
هوش مصنوعی (AI) در پزشکی میتواند کارایی محل کار را بهبود بخشد و به تصمیمگیری بالینی کمک کند. برای هدایت ایمن استفاده از هوش مصنوعی، پزشکان باید درک درستی از هوش مصنوعی داشته باشند. بسیاری از نظرات، آموزش مفاهیم هوش مصنوعی1، مانند توضیح مدلهای هوش مصنوعی و فرآیندهای تأیید2 را توصیه میکنند. با این حال، برنامههای ساختاریافته کمی، به ویژه در سطح ملی، اجرا شدهاند. پینتو دوس سانتوس و همکاران.3. از 263 دانشجوی پزشکی نظرسنجی شد و 71٪ موافق بودند که به آموزش در هوش مصنوعی نیاز دارند. آموزش هوش مصنوعی به مخاطبان پزشکی نیازمند طراحی دقیقی است که مفاهیم فنی و غیرفنی را برای دانشجویانی که اغلب دانش قبلی گستردهای دارند، ترکیب کند. ما تجربه خود را در ارائه مجموعهای از کارگاههای هوش مصنوعی به سه گروه از دانشجویان پزشکی شرح میدهیم و توصیههایی برای آموزش پزشکی آینده در هوش مصنوعی ارائه میدهیم.
کارگاه پنج هفتهای «مقدمهای بر هوش مصنوعی در پزشکی» برای دانشجویان پزشکی، سه بار بین فوریه ۲۰۱۹ و آوریل ۲۰۲۱ برگزار شد. برنامه هر کارگاه، به همراه شرح مختصری از تغییرات دوره، در شکل ۱ نشان داده شده است. دوره ما سه هدف یادگیری اصلی دارد: دانشجویان نحوه پردازش دادهها در کاربردهای هوش مصنوعی را درک کنند، متون هوش مصنوعی را برای کاربردهای بالینی تجزیه و تحلیل کنند و از فرصتهای همکاری با مهندسان توسعهدهنده هوش مصنوعی بهرهمند شوند.
آبی موضوع سخنرانی و آبی روشن بخش پرسش و پاسخ تعاملی است. بخش خاکستری تمرکز بر مرور مختصر ادبیات دارد. بخشهای نارنجی مطالعات موردی منتخبی هستند که مدلها یا تکنیکهای هوش مصنوعی را توصیف میکنند. سبز یک دوره برنامهنویسی هدایتشده است که برای آموزش هوش مصنوعی برای حل مشکلات بالینی و ارزیابی مدلها طراحی شده است. محتوا و مدت زمان کارگاهها بر اساس ارزیابی نیازهای دانشجویان متفاوت است.
اولین کارگاه از فوریه تا آوریل ۲۰۱۹ در دانشگاه بریتیش کلمبیا برگزار شد و هر ۸ شرکتکننده بازخورد مثبتی ارائه دادند۴. به دلیل کووید-۱۹، کارگاه دوم به صورت مجازی در اکتبر-نوامبر ۲۰۲۰ برگزار شد و ۲۲۲ دانشجوی پزشکی و ۳ رزیدنت از ۸ دانشکده پزشکی کانادا در آن ثبت نام کردند. اسلایدهای ارائه و کد در یک سایت دسترسی آزاد (http://ubcaimed.github.io) بارگذاری شده است. بازخورد کلیدی از اولین دوره این بود که سخنرانیها بیش از حد فشرده و مطالب بیش از حد نظری بودند. ارائه خدمات به شش منطقه زمانی مختلف کانادا چالشهای بیشتری را ایجاد میکند. بنابراین، کارگاه دوم هر جلسه را به ۱ ساعت کاهش داد، مطالب دوره را ساده کرد، مطالعات موردی بیشتری اضافه کرد و برنامههای تکراری ایجاد کرد که به شرکتکنندگان اجازه میداد قطعه کدهایی را با حداقل اشکالزدایی تکمیل کنند (کادر ۱). بازخورد کلیدی از دومین دوره شامل بازخورد مثبت در مورد تمرینهای برنامهنویسی و درخواست برای نشان دادن برنامهریزی برای یک پروژه یادگیری ماشین بود. بنابراین، در سومین کارگاه ما که به صورت مجازی برای ۱۲۶ دانشجوی پزشکی در مارس-آوریل ۲۰۲۱ برگزار شد، تمرینهای کدنویسی تعاملی بیشتر و جلسات بازخورد پروژه را برای نشان دادن تأثیر استفاده از مفاهیم کارگاه بر پروژهها در نظر گرفتیم.
تحلیل دادهها: حوزهای از مطالعات آماری که با تحلیل، پردازش و انتقال الگوهای داده، الگوهای معنادار در دادهها را شناسایی میکند.
دادهکاوی: فرآیند شناسایی و استخراج دادهها. در زمینه هوش مصنوعی، این فرآیند اغلب بزرگ است و متغیرهای متعددی برای هر نمونه دارد.
کاهش ابعاد: فرآیند تبدیل دادههایی با ویژگیهای منفرد زیاد به ویژگیهای کمتر، ضمن حفظ ویژگیهای مهم مجموعه دادههای اصلی.
ویژگیها (در زمینه هوش مصنوعی): ویژگیهای قابل اندازهگیری یک نمونه. اغلب به جای «ویژگی» یا «متغیر» به کار میرود.
نقشه فعالسازی گرادیان: تکنیکی که برای تفسیر مدلهای هوش مصنوعی (بهویژه شبکههای عصبی کانولوشن) استفاده میشود، که فرآیند بهینهسازی آخرین بخش شبکه را برای شناسایی مناطقی از دادهها یا تصاویر که قدرت پیشبینی بالایی دارند، تجزیه و تحلیل میکند.
مدل استاندارد: یک مدل هوش مصنوعی موجود که برای انجام وظایف مشابه از قبل آموزش دیده است.
آزمایش (در زمینه هوش مصنوعی): مشاهده چگونگی انجام یک کار توسط یک مدل با استفاده از دادههایی که قبلاً با آنها مواجه نشده است.
آموزش (در زمینه هوش مصنوعی): ارائه دادهها و نتایج به یک مدل به گونهای که مدل پارامترهای داخلی خود را تنظیم کند تا توانایی خود را در انجام وظایف با استفاده از دادههای جدید بهینه کند.
بردار: آرایهای از دادهها. در یادگیری ماشین، هر عنصر آرایه معمولاً یک ویژگی منحصر به فرد از نمونه است.
جدول ۱ جدیدترین دورههای آموزشی برای آوریل ۲۰۲۱، شامل اهداف یادگیری هدفمند برای هر موضوع را فهرست میکند. این کارگاه برای افراد تازه وارد به سطح فنی در نظر گرفته شده است و نیازی به دانش ریاضی فراتر از سال اول مدرک پزشکی کارشناسی ندارد. این دوره توسط ۶ دانشجوی پزشکی و ۳ معلم با مدارک پیشرفته در مهندسی توسعه داده شده است. مهندسان در حال توسعه نظریه هوش مصنوعی برای تدریس هستند و دانشجویان پزشکی در حال یادگیری مطالب مرتبط با بالینی هستند.
کارگاهها شامل سخنرانیها، مطالعات موردی و برنامهنویسی هدایتشده هستند. در اولین سخنرانی، مفاهیم منتخبی از تحلیل دادهها در آمار زیستی، از جمله مصورسازی دادهها، رگرسیون لجستیک و مقایسه آمار توصیفی و استقرایی را مرور میکنیم. اگرچه تحلیل دادهها پایه و اساس هوش مصنوعی است، اما مباحثی مانند دادهکاوی، آزمون معناداری یا مصورسازی تعاملی را حذف میکنیم. این امر به دلیل محدودیتهای زمانی و همچنین به این دلیل بود که برخی از دانشجویان کارشناسی آموزش قبلی در آمار زیستی داشتند و میخواستند مباحث منحصر به فردتری در یادگیری ماشین را پوشش دهند. سخنرانی بعدی روشهای مدرن را معرفی میکند و در مورد فرمولبندی مسئله هوش مصنوعی، مزایا و محدودیتهای مدلهای هوش مصنوعی و آزمایش مدل بحث میکند. سخنرانیها با ادبیات و تحقیقات عملی در مورد دستگاههای هوش مصنوعی موجود تکمیل میشوند. ما بر مهارتهای لازم برای ارزیابی اثربخشی و امکانسنجی یک مدل برای پرداختن به سوالات بالینی، از جمله درک محدودیتهای دستگاههای هوش مصنوعی موجود، تأکید میکنیم. به عنوان مثال، از دانشجویان خواستیم تا دستورالعملهای آسیب سر کودکان را که توسط کوپرمن و همکاران 5 ارائه شده است، تفسیر کنند. در این دستورالعملها یک الگوریتم درخت تصمیمگیری هوش مصنوعی پیادهسازی شده است تا مشخص شود که آیا سیتیاسکن بر اساس معاینه پزشک مفید خواهد بود یا خیر. ما تأکید میکنیم که این یک نمونه رایج از هوش مصنوعی است که تجزیه و تحلیلهای پیشبینیکننده را برای تفسیر پزشکان ارائه میدهد، نه اینکه جایگزین پزشکان شود.
در مثالهای برنامهنویسی بوتاسترپ متنباز موجود (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples)، نحوه انجام تحلیل اکتشافی دادهها، کاهش ابعاد، بارگذاری مدل استاندارد و آموزش و آزمایش را نشان میدهیم. ما از دفترچههای Google Colaboratory (Google LLC، مانتین ویو، کالیفرنیا) استفاده میکنیم که امکان اجرای کد پایتون را از یک مرورگر وب فراهم میکنند. در شکل 2، مثالی از یک تمرین برنامهنویسی ارائه شده است. این تمرین شامل پیشبینی بدخیمیها با استفاده از مجموعه دادههای تصویربرداری باز پستان ویسکانسین 6 و یک الگوریتم درخت تصمیمگیری است.
در طول هفته برنامههایی را در مورد موضوعات مرتبط ارائه دهید و نمونههایی از برنامههای کاربردی هوش مصنوعی منتشر شده را انتخاب کنید. عناصر برنامهنویسی فقط در صورتی گنجانده میشوند که برای ارائه بینش در مورد عملکرد بالینی آینده مرتبط تلقی شوند، مانند نحوه ارزیابی مدلها برای تعیین اینکه آیا آنها برای استفاده در آزمایشات بالینی آماده هستند یا خیر. این مثالها در یک برنامه کاربردی کامل و جامع به پایان میرسند که تومورها را بر اساس پارامترهای تصویر پزشکی به عنوان خوشخیم یا بدخیم طبقهبندی میکند.
ناهمگونی دانش قبلی. شرکتکنندگان ما از نظر سطح دانش ریاضی متفاوت بودند. به عنوان مثال، دانشجویانی با پیشینه مهندسی پیشرفته به دنبال مطالب عمیقتری مانند نحوه انجام تبدیل فوریه خود هستند. با این حال، بحث در مورد الگوریتم فوریه در کلاس امکانپذیر نیست زیرا نیاز به دانش عمیق در پردازش سیگنال دارد.
خروج شرکتکنندگان. حضور در جلسات پیگیری، به ویژه در قالبهای آنلاین، کاهش یافته است. یک راه حل میتواند پیگیری حضور و غیاب و ارائه گواهی پایان دوره باشد. دانشکدههای پزشکی به رسمیت شناختن ریزنمرات فعالیتهای تحصیلی فوق برنامه دانشجویان معروف هستند که میتواند دانشجویان را به ادامه تحصیل تشویق کند.
طراحی دوره: از آنجا که هوش مصنوعی زیرشاخههای بسیار زیادی را در بر میگیرد، انتخاب مفاهیم اصلی با عمق و وسعت مناسب میتواند چالش برانگیز باشد. به عنوان مثال، تداوم استفاده از ابزارهای هوش مصنوعی از آزمایشگاه تا کلینیک موضوع مهمی است. در حالی که ما پیشپردازش دادهها، ساخت مدل و اعتبارسنجی را پوشش میدهیم، موضوعاتی مانند تجزیه و تحلیل کلان داده، تجسم تعاملی یا انجام آزمایشهای بالینی هوش مصنوعی را شامل نمیشویم، در عوض بر منحصر به فردترین مفاهیم هوش مصنوعی تمرکز میکنیم. اصل راهنمای ما بهبود سواد است، نه مهارتها. به عنوان مثال، درک چگونگی پردازش ویژگیهای ورودی توسط یک مدل برای تفسیرپذیری مهم است. یک راه برای انجام این کار استفاده از نقشههای فعالسازی گرادیان است که میتواند مناطقی از دادهها را که قابل پیشبینی هستند، تجسم کند. با این حال، این امر نیاز به محاسبات چند متغیره دارد و نمیتوان آن را معرفی کرد.8 توسعه یک اصطلاح مشترک چالش برانگیز بود زیرا ما سعی داشتیم نحوه کار با دادهها به عنوان بردارها را بدون فرمالیسم ریاضی توضیح دهیم. توجه داشته باشید که اصطلاحات مختلف معنای یکسانی دارند، به عنوان مثال، در اپیدمیولوژی، یک "ویژگی" به عنوان "متغیر" یا "ویژگی" توصیف میشود.
حفظ دانش. از آنجا که کاربرد هوش مصنوعی محدود است، میزان حفظ دانش توسط شرکتکنندگان هنوز مشخص نیست. برنامههای درسی دانشکدههای پزشکی اغلب برای تقویت دانش در طول دورههای عملی، بر تکرار با فاصله زمانی تکیه دارند،9 که میتواند در آموزش هوش مصنوعی نیز اعمال شود.
حرفهای بودن از سواد مهمتر است. عمق مطالب بدون دقت ریاضی طراحی شده است، که این موضوع هنگام راهاندازی دورههای بالینی در هوش مصنوعی مشکلساز بود. در مثالهای برنامهنویسی، ما از یک برنامه الگو استفاده میکنیم که به شرکتکنندگان اجازه میدهد فیلدها را پر کنند و نرمافزار را اجرا کنند، بدون اینکه مجبور باشند نحوه راهاندازی یک محیط برنامهنویسی کامل را بفهمند.
نگرانیهای مربوط به هوش مصنوعی مورد توجه قرار گرفت: نگرانی گستردهای وجود دارد مبنی بر اینکه هوش مصنوعی میتواند جایگزین برخی از وظایف بالینی شود3. برای پرداختن به این موضوع، محدودیتهای هوش مصنوعی را توضیح میدهیم، از جمله این واقعیت که تقریباً همه فناوریهای هوش مصنوعی که توسط نهادهای نظارتی تأیید شدهاند، نیاز به نظارت پزشک دارند11. ما همچنین بر اهمیت سوگیری تأکید میکنیم زیرا الگوریتمها مستعد سوگیری هستند، به خصوص اگر مجموعه دادهها متنوع نباشد12. در نتیجه، ممکن است یک زیرگروه خاص به طور نادرست مدلسازی شود و منجر به تصمیمات بالینی ناعادلانه شود.
منابع به صورت عمومی در دسترس هستند: ما منابع عمومی، از جمله اسلایدهای سخنرانی و کد را ایجاد کردهایم. اگرچه دسترسی به محتوای همزمان به دلیل مناطق زمانی محدود است، اما محتوای متنباز روشی مناسب برای یادگیری غیرهمزمان است زیرا تخصص هوش مصنوعی در همه دانشکدههای پزشکی در دسترس نیست.
همکاری بین رشتهای: این کارگاه یک سرمایهگذاری مشترک است که توسط دانشجویان پزشکی برای برنامهریزی دورهها به همراه مهندسان آغاز شده است. این کارگاه فرصتهای همکاری و شکافهای دانش در هر دو حوزه را نشان میدهد و به شرکتکنندگان این امکان را میدهد تا نقش بالقوهای را که میتوانند در آینده ایفا کنند، درک کنند.
تعریف شایستگیهای اصلی هوش مصنوعی. تعریف فهرستی از شایستگیها، ساختار استانداردی را فراهم میکند که میتواند در برنامههای درسی پزشکی مبتنی بر شایستگی موجود ادغام شود. این کارگاه در حال حاضر از سطوح هدف یادگیری ۲ (درک)، ۳ (کاربرد) و ۴ (تحلیل) طبقهبندی بلوم استفاده میکند. داشتن منابع در سطوح بالاتر طبقهبندی، مانند ایجاد پروژهها، میتواند دانش را بیشتر تقویت کند. این امر مستلزم همکاری با متخصصان بالینی برای تعیین چگونگی اعمال مباحث هوش مصنوعی در گردشهای کاری بالینی و جلوگیری از آموزش مباحث تکراری است که از قبل در برنامههای درسی پزشکی استاندارد گنجانده شدهاند.
با استفاده از هوش مصنوعی، مطالعات موردی ایجاد کنید. مشابه نمونههای 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 ۱۳ را برای شناسایی چالشهای موجود در مسیر آزمایشگاه تا کلینیک، مانند الزامات اعتبارسنجی خارجی و مسیرهای تأیید نظارتی، تجزیه و تحلیل کرد.
از یادگیری تجربی استفاده کنید: مهارتهای فنی نیاز به تمرین متمرکز و کاربرد مکرر برای تسلط دارند، مشابه تجربیات یادگیری چرخشی کارآموزان بالینی. یک راه حل بالقوه، مدل کلاس درس معکوس است که گزارش شده است که باعث بهبود حفظ دانش در آموزش مهندسی میشود14. در این مدل، دانشجویان مطالب نظری را به طور مستقل مرور میکنند و زمان کلاس به حل مسائل از طریق مطالعات موردی اختصاص مییابد.
مقیاسبندی برای شرکتکنندگان چندرشتهای: ما پیشبینی میکنیم که پذیرش هوش مصنوعی شامل همکاری بین رشتههای مختلف، از جمله پزشکان و متخصصان سلامت مرتبط با سطوح مختلف آموزش باشد. بنابراین، ممکن است لازم باشد برنامههای درسی با مشورت اساتید بخشهای مختلف تدوین شوند تا محتوای آنها با حوزههای مختلف مراقبتهای بهداشتی متناسب باشد.
هوش مصنوعی یک فناوری پیشرفته است و مفاهیم اصلی آن با ریاضیات و علوم کامپیوتر مرتبط است. آموزش پرسنل مراقبتهای بهداشتی برای درک هوش مصنوعی، چالشهای منحصر به فردی را در انتخاب محتوا، ارتباط بالینی و روشهای ارائه ارائه میدهد. ما امیدواریم که بینشهای به دست آمده از کارگاههای هوش مصنوعی در آموزش، به مربیان آینده کمک کند تا روشهای نوآورانهای را برای ادغام هوش مصنوعی در آموزش پزشکی بپذیرند.
اسکریپت پایتون Google Colaboratory متنباز است و در آدرس https://github.com/ubcaimed/ubcaimed.github.io/tree/master/ در دسترس است.
پروبر، کی. جی. و خان، اس. بازاندیشی آموزش پزشکی: فراخوانی برای اقدام. اکد. پزشکی. 88، 1407–1410 (2013).
مککوی، ال جی و غیره. دانشجویان پزشکی واقعاً چه چیزهایی باید در مورد هوش مصنوعی بدانند؟ اعداد NPZh. پزشکی ۳، ۱-۳ (۲۰۲۰).
دوس سانتوس، دی پی، و همکاران. نگرش دانشجویان پزشکی نسبت به هوش مصنوعی: یک نظرسنجی چند مرکزی. یورو. تابش. 29، 1640-1646 (2019).
فن، کی وای، هو، آر.، و سینگلا، آر. مقدمهای بر یادگیری ماشین برای دانشجویان پزشکی: یک پروژه آزمایشی. مجله پزشکی. 54، 1042–1043 (2020).
کوپرمن ن، و همکاران. شناسایی کودکانی که در معرض خطر بسیار پایین آسیب مغزی بالینی قابل توجه پس از آسیب سر هستند: یک مطالعه کوهورت آیندهنگر. لنست 374، 1160–1170 (2009).
استریت، دبلیو ان، ولبرگ، دبلیو اچ و مانگاساریان، او ال. استخراج ویژگیهای هستهای برای تشخیص تومور سینه. علوم زیستپزشکی. پردازش تصویر. علوم زیستپزشکی. وایس. 1905، 861–870 (1993).
چن، PHC، لیو، وای. و پنگ، ال. چگونه مدلهای یادگیری ماشینی را برای مراقبتهای بهداشتی توسعه دهیم. نات. مت. 18، 410–414 (2019).
سلواراجو، آر. آر. و همکاران. گراد-کم: تفسیر بصری شبکههای عمیق از طریق محلیسازی مبتنی بر گرادیان. مجموعه مقالات کنفرانس بینالمللی IEEE در زمینه بینایی کامپیوتر، 618-626 (2017).
کوماراول بی، استوارت کی و ایلیک دی. توسعه و ارزیابی یک مدل مارپیچی برای ارزیابی شایستگیهای پزشکی مبتنی بر شواهد با استفاده از OSCE در آموزش پزشکی دوره کارشناسی. BMK Medicine. teach. 21، 1-9 (2021).
کولاچالاما، ویبی و گارگ، پیاس. یادگیری ماشین و آموزش پزشکی. اعداد NPZh. پزشکی. 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 تشعشع 31, 3797–3804 (2021).
توپول، ای. جی. پزشکی با عملکرد بالا: همگرایی هوش انسانی و مصنوعی. مجله پزشکی ملی. 25، 44-56 (2019).
بید، ای. و همکاران. ارزیابی انسانمحور یک سیستم یادگیری عمیق مستقر در کلینیک برای تشخیص رتینوپاتی دیابتی. مجموعه مقالات کنفرانس CHI 2020 در مورد عوامل انسانی در سیستمهای محاسباتی (2020).
کر، ب. کلاس درس معکوس در آموزش مهندسی: یک بررسی پژوهشی. مجموعه مقالات کنفرانس بینالمللی یادگیری مشارکتی تعاملی 2015 (2015).
نویسندگان از دانیل واکر، تیم سالکودین و پیتر زاندسترا از گروه تحقیقاتی تصویربرداری زیستپزشکی و هوش مصنوعی در دانشگاه بریتیش کلمبیا برای حمایت و تأمین بودجه تشکر میکنند.
RH، PP، ZH، RS و MA مسئول توسعه محتوای آموزشی کارگاه بودند. RH و PP مسئول توسعه مثالهای برنامهنویسی بودند. KYF، OY، MT و PW مسئول سازماندهی لجستیکی پروژه و تجزیه و تحلیل کارگاهها بودند. RH، OY، MT، RS مسئول ایجاد شکلها و جداول بودند. RH، KYF، PP، ZH، OY، MY، PW، TL، MA، RS مسئول تهیه پیشنویس و ویرایش سند بودند.
مجلهی پزشکی ارتباطی از کارولین مکگرگور، فابیو مورائس و آدیتیا بوراکاتی به خاطر مشارکتشان در بررسی این اثر تشکر میکند.
زمان ارسال: ۱۹ فوریه ۲۰۲۴