Cảm ơn bạn đã ghé thăm Nature.com. Phiên bản của trình duyệt bạn đang sử dụng có hỗ trợ CSS giới hạn. Để có kết quả tốt nhất, chúng tôi khuyên bạn nên sử dụng phiên bản mới hơn của trình duyệt của bạn (hoặc tắt chế độ tương thích trong Internet Explorer). Trong thời gian chờ đợi, để đảm bảo hỗ trợ liên tục, chúng tôi sẽ hiển thị trang web mà không có kiểu dáng hoặc javascript.
Các ứng dụng của trí tuệ nhân tạo lâm sàng (AI) đang phát triển nhanh chóng, nhưng chương trình giảng dạy trường y hiện tại cung cấp giảng dạy hạn chế bao gồm lĩnh vực này. Ở đây chúng tôi mô tả một khóa đào tạo trí tuệ nhân tạo mà chúng tôi đã phát triển và giao cho sinh viên y khoa Canada và đưa ra khuyến nghị cho đào tạo trong tương lai.
Trí tuệ nhân tạo (AI) trong y học có thể cải thiện hiệu quả tại nơi làm việc và hỗ trợ ra quyết định lâm sàng. Để hướng dẫn một cách an toàn việc sử dụng trí tuệ nhân tạo, các bác sĩ phải có một số hiểu biết về trí tuệ nhân tạo. Nhiều ý kiến ủng hộ việc dạy các khái niệm AI1, chẳng hạn như giải thích các mô hình AI và quy trình xác minh2. Tuy nhiên, một số kế hoạch có cấu trúc đã được thực hiện, đặc biệt là ở cấp quốc gia. Pinto dos Santos et al.3. 263 sinh viên y khoa đã được khảo sát và 71% đồng ý rằng họ cần đào tạo về trí tuệ nhân tạo. Dạy trí tuệ nhân tạo cho khán giả y tế đòi hỏi thiết kế cẩn thận kết hợp các khái niệm kỹ thuật và phi kỹ thuật cho những sinh viên thường có kiến thức trước. Chúng tôi mô tả kinh nghiệm của chúng tôi cung cấp một loạt các hội thảo AI cho ba nhóm sinh viên y khoa và đưa ra khuyến nghị cho giáo dục y tế trong tương lai trong AI.
Giới thiệu năm tuần của chúng tôi về trí tuệ nhân tạo trong hội thảo y học cho sinh viên y khoa đã được tổ chức ba lần trong khoảng thời gian từ tháng 2 năm 2019 đến tháng 4 năm 2021. Ba mục tiêu học tập chính: Học sinh hiểu cách xử lý dữ liệu trong các ứng dụng trí tuệ nhân tạo, phân tích tài liệu trí tuệ nhân tạo cho các ứng dụng lâm sàng và tận dụng cơ hội hợp tác với các kỹ sư phát triển trí tuệ nhân tạo.
Màu xanh là chủ đề của bài giảng và màu xanh nhạt là thời gian câu hỏi và trả lời tương tác. Phần màu xám là trọng tâm của đánh giá văn học ngắn gọn. Các phần màu cam được lựa chọn nghiên cứu trường hợp mô tả các mô hình hoặc kỹ thuật trí tuệ nhân tạo. Green là một khóa học lập trình hướng dẫn được thiết kế để dạy trí tuệ nhân tạo để giải quyết các vấn đề lâm sàng và đánh giá các mô hình. Nội dung và thời gian của các hội thảo khác nhau dựa trên đánh giá nhu cầu của học sinh.
Hội thảo đầu tiên được tổ chức tại Đại học British Columbia từ tháng 2 đến tháng 4 năm 2019 và tất cả 8 người tham gia đã đưa ra phản hồi tích cực4. Do Covid-19, hội thảo thứ hai được tổ chức hầu như vào tháng 10 đến tháng 11 năm 2020, với 222 sinh viên y khoa và 3 cư dân từ 8 trường y khoa Canada đăng ký. Các slide và mã trình bày đã được tải lên một trang web truy cập mở (http://ubcaimed.github.io). Phản hồi chính từ lần lặp đầu tiên là các bài giảng quá mãnh liệt và tài liệu quá lý thuyết. Phục vụ sáu múi giờ khác nhau của Canada đặt ra những thách thức bổ sung. Do đó, hội thảo thứ hai đã rút ngắn mỗi phiên xuống còn 1 giờ, đơn giản hóa tài liệu khóa học, thêm nhiều nghiên cứu trường hợp và tạo ra các chương trình nồi hơi cho phép người tham gia hoàn thành các đoạn mã với gỡ lỗi tối thiểu (Hộp 1). Phản hồi chính từ lần lặp thứ hai bao gồm phản hồi tích cực về các bài tập lập trình và yêu cầu chứng minh lập kế hoạch cho một dự án học máy. Do đó, trong hội thảo thứ ba của chúng tôi, đã tổ chức hầu như cho 126 sinh viên y khoa vào tháng 3 đến tháng 4 năm 2021, chúng tôi đã bao gồm các bài tập mã hóa tương tác nhiều hơn và các buổi phản hồi dự án để chứng minh tác động của việc sử dụng các khái niệm hội thảo đối với các dự án.
Phân tích dữ liệu: Một lĩnh vực nghiên cứu về thống kê xác định các mẫu có ý nghĩa trong dữ liệu bằng cách phân tích, xử lý và truyền đạt các mẫu dữ liệu.
Khai thác dữ liệu: Quá trình xác định và trích xuất dữ liệu. Trong bối cảnh trí tuệ nhân tạo, điều này thường lớn, với nhiều biến cho mỗi mẫu.
Giảm kích thước: Quá trình chuyển đổi dữ liệu với nhiều tính năng riêng lẻ thành ít tính năng hơn trong khi bảo tồn các thuộc tính quan trọng của tập dữ liệu gốc.
Đặc điểm (trong bối cảnh trí tuệ nhân tạo): Các thuộc tính có thể đo lường của một mẫu. Thường được sử dụng thay thế cho các thuộc tính của người dùng hoặc biến biến thành.
Bản đồ kích hoạt gradient: Một kỹ thuật được sử dụng để giải thích các mô hình trí tuệ nhân tạo (đặc biệt là mạng thần kinh tích chập), phân tích quá trình tối ưu hóa phần cuối của mạng để xác định các vùng dữ liệu hoặc hình ảnh có khả năng dự đoán cao.
Mô hình tiêu chuẩn: Một mô hình AI hiện có đã được đào tạo trước để thực hiện các nhiệm vụ tương tự.
Kiểm tra (trong bối cảnh trí tuệ nhân tạo): Quan sát cách mô hình thực hiện một nhiệm vụ sử dụng dữ liệu mà nó chưa gặp phải trước đây.
Đào tạo (trong bối cảnh trí tuệ nhân tạo): Cung cấp một mô hình dữ liệu và kết quả để mô hình điều chỉnh các tham số bên trong của nó để tối ưu hóa khả năng thực hiện các tác vụ bằng dữ liệu mới.
Vector: Mảng dữ liệu. Trong học máy, mỗi phần tử mảng thường là một tính năng duy nhất của mẫu.
Bảng 1 liệt kê các khóa học mới nhất cho tháng 4 năm 2021, bao gồm các mục tiêu học tập được nhắm mục tiêu cho từng chủ đề. Hội thảo này dành cho những người mới ở cấp độ kỹ thuật và không yêu cầu bất kỳ kiến thức toán học nào ngoài năm đầu tiên của bằng y khoa đại học. Khóa học được phát triển bởi 6 sinh viên y khoa và 3 giáo viên có bằng cấp nâng cao về kỹ thuật. Các kỹ sư đang phát triển lý thuyết trí tuệ nhân tạo để giảng dạy, và sinh viên y khoa đang học các tài liệu liên quan đến lâm sàng.
Hội thảo bao gồm các bài giảng, nghiên cứu trường hợp và lập trình hướng dẫn. Trong bài giảng đầu tiên, chúng tôi xem xét các khái niệm được chọn về phân tích dữ liệu trong sinh học, bao gồm trực quan hóa dữ liệu, hồi quy logistic và so sánh các thống kê mô tả và cảm ứng. Mặc dù phân tích dữ liệu là nền tảng của trí tuệ nhân tạo, chúng tôi loại trừ các chủ đề như khai thác dữ liệu, thử nghiệm ý nghĩa hoặc trực quan hóa tương tác. Điều này là do hạn chế về thời gian và cũng bởi vì một số sinh viên đại học đã được đào tạo trước đây về sinh học và muốn bao gồm các chủ đề học máy độc đáo hơn. Bài giảng tiếp theo giới thiệu các phương pháp hiện đại và thảo luận về việc xây dựng vấn đề AI, lợi thế và hạn chế của các mô hình AI và thử nghiệm mô hình. Các bài giảng được bổ sung bởi văn học và nghiên cứu thực tế về các thiết bị trí tuệ nhân tạo hiện có. Chúng tôi nhấn mạnh các kỹ năng cần thiết để đánh giá tính hiệu quả và tính khả thi của một mô hình để giải quyết các câu hỏi lâm sàng, bao gồm hiểu những hạn chế của các thiết bị trí tuệ nhân tạo hiện có. Ví dụ, chúng tôi đã yêu cầu sinh viên giải thích các hướng dẫn chấn thương đầu ở trẻ em được đề xuất bởi Kupperman và cộng sự, 5 đã thực hiện một thuật toán cây quyết định trí tuệ nhân tạo để xác định xem việc quét CT có hữu ích dựa trên kiểm tra của bác sĩ hay không. Chúng tôi nhấn mạnh rằng đây là một ví dụ phổ biến về AI cung cấp phân tích dự đoán cho các bác sĩ để giải thích, thay vì thay thế các bác sĩ.
Trong các ví dụ lập trình bootstrap nguồn mở có sẵn (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), chúng tôi chứng minh cách thực hiện phân tích dữ liệu khám phá, giảm kích thước, tải mô hình chuẩn và đào tạo . và thử nghiệm. Chúng tôi sử dụng máy tính xách tay Google Collaboratory (Google LLC, Mountain View, CA), cho phép mã Python được thực thi từ trình duyệt web. Trong hình. Hình 2 cung cấp một ví dụ về một bài tập lập trình. Bài tập này liên quan đến việc dự đoán các khối u ác tính bằng cách sử dụng bộ dữ liệu hình ảnh vú mở Wisconsin và thuật toán cây quyết định.
Trình bày các chương trình trong suốt cả tuần về các chủ đề liên quan và chọn các ví dụ từ các ứng dụng AI được xuất bản. Các yếu tố lập trình chỉ được bao gồm nếu chúng được coi là có liên quan để cung cấp cái nhìn sâu sắc về thực hành lâm sàng trong tương lai, chẳng hạn như cách đánh giá các mô hình để xác định xem chúng có sẵn sàng sử dụng trong các thử nghiệm lâm sàng hay không. Những ví dụ này lên đến đỉnh điểm trong một ứng dụng từ đầu đến cuối chính thức, phân loại các khối u là lành tính hoặc ác tính dựa trên các thông số hình ảnh y tế.
Sự không đồng nhất của kiến thức trước. Những người tham gia của chúng tôi khác nhau về trình độ kiến thức toán học của họ. Ví dụ, các sinh viên có nền tảng kỹ thuật tiên tiến đang tìm kiếm nhiều tài liệu chuyên sâu hơn, chẳng hạn như cách thực hiện các biến đổi Fourier của riêng họ. Tuy nhiên, việc thảo luận về thuật toán Fourier trong lớp là không thể vì nó đòi hỏi kiến thức chuyên sâu về xử lý tín hiệu.
Dòng chảy tham dự. Tham dự các cuộc họp tiếp theo đã giảm, đặc biệt là ở các định dạng trực tuyến. Một giải pháp có thể là theo dõi sự tham dự và cung cấp chứng chỉ hoàn thành. Các trường y được biết là công nhận bảng điểm của các hoạt động học tập ngoại khóa của học sinh, có thể khuyến khích sinh viên theo đuổi bằng cấp.
Thiết kế khóa học: Bởi vì AI kéo dài rất nhiều trường con, việc chọn các khái niệm cốt lõi về độ sâu và chiều rộng thích hợp có thể là một thách thức. Ví dụ, tính liên tục của việc sử dụng các công cụ AI từ phòng thí nghiệm đến phòng khám là một chủ đề quan trọng. Mặc dù chúng tôi bao gồm tiền xử lý dữ liệu, xây dựng mô hình và xác thực, chúng tôi không bao gồm các chủ đề như phân tích dữ liệu lớn, trực quan hóa tương tác hoặc thực hiện các thử nghiệm lâm sàng AI, thay vào đó chúng tôi tập trung vào các khái niệm AI độc đáo nhất. Nguyên tắc hướng dẫn của chúng tôi là cải thiện việc biết chữ, không phải kỹ năng. Ví dụ, hiểu làm thế nào một mô hình xử lý các tính năng đầu vào là quan trọng đối với khả năng diễn giải. Một cách để làm điều này là sử dụng các bản đồ kích hoạt gradient, có thể trực quan hóa các vùng nào của dữ liệu có thể dự đoán được. Tuy nhiên, điều này đòi hỏi tính toán đa biến và không thể được giới thiệu8. Phát triển một thuật ngữ phổ biến là một thách thức vì chúng tôi đã cố gắng giải thích cách làm việc với dữ liệu như các vectơ mà không có chủ nghĩa hình thức toán học. Lưu ý rằng các thuật ngữ khác nhau có cùng một nghĩa, ví dụ, trong dịch tễ học, một đặc tính của người Viking được mô tả như là một biến số biến đổi hoặc thuộc tính của người Hồi giáo.
Duy trì kiến thức. Bởi vì ứng dụng của AI bị hạn chế, mức độ mà người tham gia giữ lại kiến thức vẫn được nhìn thấy. Chương trình giảng dạy của trường y thường dựa vào sự lặp lại khoảng cách để củng cố kiến thức trong quá trình xoay vòng thực tế, 9 cũng có thể được áp dụng cho giáo dục AI.
Chuyên nghiệp quan trọng hơn việc biết chữ. Độ sâu của vật liệu được thiết kế mà không có sự nghiêm ngặt về toán học, đó là một vấn đề khi ra mắt các khóa học lâm sàng về trí tuệ nhân tạo. Trong các ví dụ lập trình, chúng tôi sử dụng chương trình mẫu cho phép người tham gia điền vào các trường và chạy phần mềm mà không phải tìm ra cách thiết lập môi trường lập trình hoàn chỉnh.
Mối quan tâm về trí tuệ nhân tạo được giải quyết: Có mối quan tâm rộng rãi rằng trí tuệ nhân tạo có thể thay thế một số nhiệm vụ lâm sàng3. Để giải quyết vấn đề này, chúng tôi giải thích những hạn chế của AI, bao gồm cả thực tế là hầu hết tất cả các công nghệ AI được phê duyệt bởi các cơ quan quản lý yêu cầu giám sát bác sĩ11. Chúng tôi cũng nhấn mạnh tầm quan trọng của sự thiên vị vì các thuật toán dễ bị sai lệch, đặc biệt nếu tập dữ liệu không đa dạng12. Do đó, một nhóm nhỏ nhất định có thể được mô hình hóa không chính xác, dẫn đến các quyết định lâm sàng không công bằng.
Tài nguyên có sẵn công khai: Chúng tôi đã tạo ra các tài nguyên có sẵn công khai, bao gồm các bài giảng và mã. Mặc dù quyền truy cập vào nội dung đồng bộ bị hạn chế do múi giờ, nội dung nguồn mở là một phương pháp thuận tiện cho việc học không đồng bộ vì chuyên môn của AI không có sẵn ở tất cả các trường y.
Hợp tác liên ngành: Hội thảo này là một liên doanh do sinh viên y khoa khởi xướng để lên kế hoạch cho các khóa học cùng với các kỹ sư. Điều này thể hiện các cơ hội hợp tác và khoảng cách kiến thức trong cả hai lĩnh vực, cho phép người tham gia hiểu được vai trò tiềm năng mà họ có thể đóng góp trong tương lai.
Xác định năng lực cốt lõi của AI. Xác định danh sách các năng lực cung cấp một cấu trúc tiêu chuẩn có thể được tích hợp vào chương trình y tế dựa trên năng lực hiện có. Hội thảo này hiện đang sử dụng các cấp độ mục tiêu học tập 2 (hiểu), 3 (ứng dụng) và 4 (phân tích) về phân loại của Bloom. Có tài nguyên ở cấp độ phân loại cao hơn, chẳng hạn như tạo ra các dự án, có thể củng cố thêm kiến thức. Điều này đòi hỏi phải làm việc với các chuyên gia lâm sàng để xác định cách áp dụng các chủ đề AI cho quy trình công việc lâm sàng và ngăn chặn việc giảng dạy các chủ đề lặp đi lặp lại đã được đưa vào chương trình y tế tiêu chuẩn.
Tạo nghiên cứu trường hợp sử dụng AI. Tương tự như các ví dụ lâm sàng, học tập dựa trên trường hợp có thể củng cố các khái niệm trừu tượng bằng cách nêu bật sự liên quan của chúng với các câu hỏi lâm sàng. Ví dụ, một nghiên cứu hội thảo đã phân tích hệ thống phát hiện bệnh võng mạc tiểu đường dựa trên AI của Google 13 để xác định các thách thức dọc theo đường dẫn từ phòng thí nghiệm này sang phòng thí nghiệm khác, chẳng hạn như các yêu cầu xác nhận bên ngoài và con đường phê duyệt theo quy định.
Sử dụng học tập theo kinh nghiệm: Kỹ năng kỹ thuật đòi hỏi thực hành tập trung và ứng dụng lặp đi lặp lại để làm chủ, tương tự như kinh nghiệm học tập xoay vòng của các thực tập sinh lâm sàng. Một giải pháp tiềm năng là mô hình lớp học lật, đã được báo cáo để cải thiện khả năng duy trì kiến thức trong giáo dục kỹ thuật14. Trong mô hình này, sinh viên xem xét tài liệu lý thuyết một cách độc lập và thời gian học được dành để giải quyết các vấn đề thông qua các nghiên cứu trường hợp.
Mở rộng quy mô cho những người tham gia đa ngành: Chúng tôi hình dung việc áp dụng AI liên quan đến sự hợp tác giữa nhiều ngành, bao gồm các bác sĩ và các chuyên gia y tế đồng minh với mức độ đào tạo khác nhau. Do đó, chương trình giảng dạy có thể cần được phát triển khi tham khảo ý kiến của các giảng viên từ các bộ phận khác nhau để điều chỉnh nội dung của họ sang các lĩnh vực chăm sóc sức khỏe khác nhau.
Trí tuệ nhân tạo là công nghệ cao và các khái niệm cốt lõi của nó có liên quan đến toán học và khoa học máy tính. Đào tạo nhân viên chăm sóc sức khỏe để hiểu trí tuệ nhân tạo đưa ra những thách thức độc đáo trong lựa chọn nội dung, liên quan đến lâm sàng và phương pháp phân phối. Chúng tôi hy vọng rằng những hiểu biết có được từ các hội thảo AI trong giáo dục sẽ giúp các nhà giáo dục trong tương lai nắm lấy những cách sáng tạo để tích hợp AI vào giáo dục y tế.
Tập lệnh Python của Google colaboratory là nguồn mở và có sẵn tại: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG và Khan, S. Suy nghĩ lại về giáo dục y tế: Lời kêu gọi hành động. Akkad. thuốc. 88, 1407 Từ1410 (2013).
McCoy, LG, v.v ... Sinh viên y khoa thực sự cần biết gì về trí tuệ nhân tạo? Số NPZH. Y học 3, 1 trận3 (2020).
Dos Santos, DP, et al. Thái độ của sinh viên y khoa đối với trí tuệ nhân tạo: Một cuộc khảo sát đa trung tâm. EURO. bức xạ. 29, 1640 Từ1646 (2019).
Fan, KY, Hu, R. và Singla, R. Giới thiệu về Học máy cho sinh viên y khoa: Một dự án thí điểm. J. Med. dạy bảo. 54, 1042 bóng1043 (2020).
Cooperman N, et al. Xác định trẻ có nguy cơ bị chấn thương não rất thấp về mặt lâm sàng sau chấn thương đầu: Một nghiên cứu đoàn hệ tương lai. Lancet 374, 1160 Từ1170 (2009).
Đường phố, WN, Wolberg, WH và Mangasarian, Ol. Chiết xuất tính năng hạt nhân để chẩn đoán khối u vú. Khoa học y sinh. Xử lý hình ảnh. Khoa học y sinh. Weiss. 1905, 861 bóng870 (1993).
Chen, PHC, Liu, Y. và Peng, L. Làm thế nào để phát triển các mô hình học máy cho chăm sóc sức khỏe. Nat. Matt. 18, 410 bóng414 (2019).
Selvaraju, Rr et al. GRAD-CAM: Giải thích trực quan của các mạng sâu thông qua nội địa hóa dựa trên gradient. Thủ tục tố tụng của Hội nghị quốc tế IEEE về Tầm nhìn máy tính, 618 Từ626 (2017).
Kumaravel B, Stewart K và Ilic D. Phát triển và đánh giá một mô hình xoắn ốc để đánh giá năng lực y học dựa trên bằng chứng sử dụng OSCE trong giáo dục y khoa đại học. BMK Y học. dạy bảo. 21, 1 bóng9 (2021).
Kolachalama VB và Garg PS học tập và giáo dục y tế. Số NPZH. thuốc. 1, 1 bóng3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. và De Rooy, M. Trí tuệ nhân tạo trong X quang: 100 sản phẩm thương mại và bằng chứng khoa học của họ. EURO. bức xạ. 31, 3797 Từ3804 (2021).
Topol, EJ Y học hiệu suất cao: Sự hội tụ của trí tuệ nhân tạo và nhân tạo. Nat. thuốc. 25, 44 bóng56 (2019).
Bede, E. et al. Đánh giá tập trung vào con người của một hệ thống học tập sâu được triển khai trong phòng khám để phát hiện bệnh võng mạc tiểu đường. Kỷ yếu của Hội nghị Chi 2020 về các yếu tố con người trong các hệ thống điện toán (2020).
Kerr, B. Lớp học lật về Giáo dục Kỹ thuật: Một đánh giá nghiên cứu. Kỷ yếu của Hội nghị quốc tế 2015 về Học tập hợp tác tương tác (2015).
Các tác giả cảm ơn Danielle Walker, Tim Salcudin và Peter Zandstra từ cụm nghiên cứu trí tuệ nhân tạo và hình ảnh y sinh tại Đại học British Columbia để hỗ trợ và tài trợ.
RH, PP, ZH, RS và MA chịu trách nhiệm phát triển nội dung giảng dạy hội thảo. RH và PP chịu trách nhiệm phát triển các ví dụ lập trình. KYF, OY, MT và PW chịu trách nhiệm cho tổ chức hậu cần của dự án và phân tích các hội thảo. RH, OY, MT, RS chịu trách nhiệm tạo ra các số liệu và bảng. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS chịu trách nhiệm soạn thảo và chỉnh sửa tài liệu.
Y học truyền thông cảm ơn Carolyn McGregor, Fabio Moraes và Aditya Borakati vì những đóng góp của họ cho việc xem xét công việc này.
Thời gian đăng: Tháng 2-19-2024