Cảm ơn bạn đã ghé thăm Nature.com. Phiên bản trình duyệt bạn đang sử dụng có hỗ trợ CSS hạn chế. Để có kết quả tốt nhất, chúng tôi khuyên bạn nên sử dụng phiên bản trình duyệt mới hơn (hoặc tắt chế độ tương thích trong Internet Explorer). Trong thời gian chờ đợi, để đảm bảo hỗ trợ liên tục, chúng tôi đang hiển thị trang web mà không có kiểu dáng hoặc JavaScript.
Ứng dụng trí tuệ nhân tạo (AI) trong lâm sàng đang phát triển nhanh chóng, nhưng chương trình giảng dạy hiện tại của các trường y khoa lại cung cấp nội dung hạn chế về lĩnh vực này. Bài viết này mô tả một khóa đào tạo về trí tuệ nhân tạo mà chúng tôi đã phát triển và giảng dạy cho sinh viên y khoa Canada, đồng thời đưa ra các khuyến nghị cho việc đào tạo trong tương lai.
Trí tuệ nhân tạo (AI) trong y học có thể cải thiện hiệu quả công việc và hỗ trợ ra quyết định lâm sàng. Để hướng dẫn sử dụng trí tuệ nhân tạo một cách an toàn, các bác sĩ cần phải có hiểu biết nhất định về trí tuệ nhân tạo. Nhiều ý kiến ủng hộ việc giảng dạy các khái niệm về AI1, chẳng hạn như giải thích các mô hình AI và quy trình xác minh2. Tuy nhiên, rất ít kế hoạch có cấu trúc đã được thực hiện, đặc biệt là ở cấp quốc gia. Pinto dos Santos và cộng sự3 đã khảo sát 263 sinh viên y khoa và 71% đồng ý rằng họ cần được đào tạo về trí tuệ nhân tạo. Việc giảng dạy trí tuệ nhân tạo cho đối tượng y khoa 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 nền tảng sâu rộng. Chúng tôi mô tả kinh nghiệm của mình trong việc tổ chức một loạt các hội thảo về AI cho ba nhóm sinh viên y khoa và đưa ra các khuyến nghị cho giáo dục y khoa trong tương lai về AI.
Khóa học giới thiệu về Trí tuệ Nhân tạo trong Y học kéo dài năm tuần dành cho sinh viên y khoa đã được tổ chức ba lần từ tháng 2 năm 2019 đến tháng 4 năm 2021. Lịch trình của mỗi khóa học, cùng với mô tả ngắn gọn về những thay đổi trong khóa học, được thể hiện trong Hình 1. Khóa học của chúng tôi có ba mục tiêu học tập chính: sinh viên hiểu cách dữ liệu được xử lý trong các ứng dụng trí tuệ nhân tạo, phân tích tài liệu về trí tuệ nhân tạo cho các ứng dụng lâm sàng và tận dụng các cơ hội hợp tác với các kỹ sư phát triển trí tuệ nhân tạo.
Phần màu xanh dương là chủ đề của bài giảng và màu xanh nhạt là phần hỏi đáp tương tác. Phần màu xám tập trung vào phần tổng quan tài liệu ngắn gọn. Các phần màu cam là các nghiên cứu trường hợp được chọn lọc mô tả các mô hình hoặc kỹ thuật trí tuệ nhân tạo. Phần màu xanh lá cây là khóa học lập trình có hướng dẫn được thiết kế để dạy trí tuệ nhân tạo giải quyết các vấn đề lâm sàng và đánh giá các mô hình. Nội dung và thời lượng của các buổi hội thảo thay đổi dựa trên đánh giá nhu cầu của sinh viên.
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 đều đưa ra phản hồi tích cực4. Do COVID-19, hội thảo thứ hai được tổ chức trực tuyến vào tháng 10-11 năm 2020, với sự đăng ký của 222 sinh viên y khoa và 3 bác sĩ nội trú đến từ 8 trường y khoa Canada. Các slide thuyết trình và mã nguồn đã được tải lên một trang web truy cập mở (http://ubcaimed.github.io). Phản hồi chính từ lần tổ chức đầu tiên là các bài giảng quá chuyên sâu và tài liệu quá lý thuyết. Việc 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 buổi học xuống còn 1 giờ, đơn giản hóa tài liệu khóa học, bổ sung thêm các nghiên cứu trường hợp và tạo ra các chương trình mẫu cho phép người tham gia hoàn thành các đoạn mã với việc gỡ lỗi tối thiểu (Bảng 1). Phản hồi chính từ lần tổ chức thứ hai bao gồm phản hồi tích cực về các bài tập lập trình và yêu cầu trình bày kế hoạch cho một dự án học máy. Do đó, trong hội thảo thứ ba của chúng tôi, được tổ chức trực tuyến cho 126 sinh viên y khoa vào tháng 3-4 năm 2021, chúng tôi đã đưa thêm các bài tập lập trình tương tác và các buổi phản hồi dự án để chứng minh tác động của việc sử dụng các khái niệm hội thảo vào các dự án.
Phân tích dữ liệu: Một lĩnh vực nghiên cứu trong thống kê nhằm xác định các mô hình có ý nghĩa trong dữ liệu bằng cách phân tích, xử lý và truyền đạt các mô hình dữ liệu.
Khai thác dữ liệu: quá trình xác định và trích xuất dữ liệu. Trong bối cảnh trí tuệ nhân tạo, quá trình này thường có quy mô lớn, với nhiều biến số cho mỗi mẫu.
Giảm chiều dữ liệu: Là quá trình chuyển đổi dữ liệu có nhiều đặc trưng riêng lẻ thành ít đặc trưng hơn trong khi vẫn bảo toàn 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 được của một mẫu. Thường được sử dụng thay thế cho "thuộc tính" hoặc "biến số".
Bản đồ kích hoạt gradient: Một kỹ thuật được sử dụng để diễn giải các mô hình trí tuệ nhân tạo (đặc biệt là mạng nơ-ron tích chập), phân tích quá trình tối ưu hóa phần cuối cùng của mạng để xác định các vùng dữ liệu hoặc hình ảnh có khả năng dự đoán cao.
Mô hình chuẩn: Một mô hình AI hiện có đã được huấn luyện trước để thực hiện các nhiệm vụ tương tự.
Kiểm thử (trong bối cảnh trí tuệ nhân tạo): quan sát cách một mô hình thực hiện một nhiệm vụ bằng cách sử dụng dữ liệu mà nó chưa từng gặp trước đây.
Huấn luyện (trong bối cảnh trí tuệ nhân tạo): Cung cấp dữ liệu và kết quả cho mô hình để mô hình điều chỉnh các tham số nội bộ nhằm tối ưu hóa khả năng thực hiện nhiệm vụ bằng cách sử dụng dữ liệu mới.
Vector: mảng dữ liệu. Trong học máy, mỗi phần tử trong mảng thường là một đặc trưng 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 cụ thể cho từng chủ đề. Hội thảo này dành cho những người mới làm quen với trình độ kỹ thuật và không yêu cầu bất kỳ kiến thức toán học nào vượt quá năm đầu tiên của chương trình cử nhân y khoa. Khóa học được phát triển bởi 6 sinh viên y khoa và 3 giảng viên có bằng cấp 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 có liên quan đến lâm sàng.
Các buổi hội thảo bao gồm bài giảng, nghiên cứu trường hợp và lập trình có hướng dẫn. Trong bài giảng đầu tiên, chúng tôi xem xét lại một số khái niệm chọn lọc về phân tích dữ liệu trong thống kê sinh học, bao gồm trực quan hóa dữ liệu, hồi quy logistic và so sánh thống kê mô tả và thống kê quy nạp. 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, kiểm định ý nghĩa thống kê hoặc trực quan hóa tương tác. Điều này là do hạn chế về thời gian và cũng vì một số sinh viên đại học đã được đào tạo trước đó về thống kê sinh học và muốn tìm hiểu thêm 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 bài toán AI, ưu điểm và hạn chế của các mô hình AI, và kiểm thử mô hình. Các bài giảng được bổ sung bằng tài liệu và nghiên cứu thực tiễn về các thiết bị trí tuệ nhân tạo hiện có. Chúng tôi nhấn mạnh các kỹ năng cần thiết để đánh giá hiệu quả và tính khả thi của một mô hình nhằm giải quyết các câu hỏi lâm sàng, bao gồm cả việc hiểu rõ những hạn chế của các thiết bị trí tuệ nhân tạo hiện có. Ví dụ, chúng tôi yêu cầu sinh viên diễn giải các hướng dẫn về chấn thương đầu ở trẻ em do Kupperman và cộng sự đề xuất,5 trong đó triển khai thuật toán cây quyết định trí tuệ nhân tạo để xác định xem chụp CT có hữu ích hay không dựa trên kết quả khám của bác sĩ. Chúng tôi nhấn mạnh rằng đây là một ví dụ phổ biến về việc trí tuệ nhân tạo cung cấp phân tích dự đoán để các bác sĩ diễn giải, chứ không phải thay thế các bác sĩ.
Trong các ví dụ lập trình bootstrap mã nguồn mở có sẵn (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), chúng tôi trình bày cách thực hiện phân tích dữ liệu thăm dò, giảm chiều dữ liệu, tải mô hình chuẩn, huấn luyện và kiểm thử. Chúng tôi sử dụng sổ tay Google Colaboratory (Google LLC, Mountain View, CA), cho phép thực thi mã Python từ trình duyệt web. Hình 2 cung cấp một ví dụ về 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 Wisconsin6 và thuật toán cây quyết định.
Trình bày các chương trình xuyên suốt tuần về các chủ đề liên quan và chọn lọc các ví dụ từ các ứng dụng AI đã được công bố. Các yếu tố lập trình chỉ được đưa vào nếu chúng được coi là có liên quan đến việc cung cấp hiểu biết sâu sắc về thực tiễn lâm sàng trong tương lai, chẳng hạn như cách đánh giá các mô hình để xác định xem chúng đã sẵn sàng để sử dụng trong các thử nghiệm lâm sàng hay chưa. Những ví dụ này đạt đến đỉnh điểm trong một ứng dụng hoàn chỉnh từ đầu đến cuối, phân loại khối u là lành tính hay ác tính dựa trên các thông số hình ảnh y tế.
Sự khác biệt về kiến thức nền tảng. Các học viên của chúng tôi có trình độ kiến thức toán học khác nhau. Ví dụ, sinh viên có nền tảng kỹ thuật cao cấp đang tìm kiếm tài liệu chuyên sâu hơn, chẳng hạn như cách thực hiện phép biến đổi Fourier. Tuy nhiên, việc thảo luận về thuật toán Fourier trong lớp học là không thể vì nó đòi hỏi kiến thức chuyên sâu về xử lý tín hiệu.
Tỷ lệ tham dự giảm. Số người tham dự các cuộc họp theo dõi giảm, đặc biệt là ở hình thức trực tuyến. Một giải pháp có thể là theo dõi sự tham dự và cấp giấy chứng nhận hoàn thành. Các trường y khoa được biết đến là công nhận bảng điểm các hoạt động học tập ngoại khóa của sinh viên, điều này có thể khuyến khích sinh viên theo đuổi bằng cấp.
Thiết kế khóa học: Vì AI bao gồm rất nhiều lĩnh vực con, việc lựa chọn các khái niệm cốt lõi với độ sâu và phạm vi phù hợp có thể là một thách thức. Ví dụ, tính liên tục trong việc sử dụng các công cụ AI từ phòng thí nghiệm đến phòng khám là một chủ đề quan trọng. Mặc dù chúng tôi đề cập đến tiền xử lý dữ liệu, xây dựng mô hình và xác thực, nhưng chúng tôi không bao gồm các chủ đề như phân tích dữ liệu lớn, trực quan hóa tương tác hoặc tiến hành 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 kiến thức, chứ không phải kỹ năng. Ví dụ, hiểu cách một mô hình xử lý các đặc trưng đầu vào là rất quan trọng đối với khả năng giải thích. Một cách để làm điều này là sử dụng bản đồ kích hoạt gradient, có thể trực quan hóa các vùng dữ liệu nào có thể dự đoán được. Tuy nhiên, điều này đòi hỏi phép tính đa biến và không thể được giới thiệu8. Việc phát triển một thuật ngữ chung là một thách thức vì chúng tôi đang cố gắng giải thích cách làm việc với dữ liệu dưới dạng vectơ mà không cần hình thức toán học. Lưu ý rằng các thuật ngữ khác nhau có cùng nghĩa, ví dụ, trong dịch tễ học, một “đặc điểm” được mô tả là một “biến” hoặc “thuộc tính”.
Khả năng ghi nhớ kiến thức. Do việc ứng dụng AI còn hạn chế, mức độ người tham gia ghi nhớ kiến thức vẫn cần được kiểm chứng. Chương trình giảng dạy của các trường y thường dựa vào phương pháp lặp lại có khoảng cách để củng cố kiến thức trong các đợt thực tập thực tế,9 phương pháp này cũng có thể được áp dụng cho giáo dục về AI.
Tính chuyên nghiệp quan trọng hơn trình độ học vấn. Nội dung tài liệu được thiết kế sao cho không quá chặt chẽ về mặt toán học, điều này từng là vấn đề khi triển khai các khóa học lâm sàng về trí tuệ nhân tạo. Trong các ví dụ lập trình, chúng tôi sử dụng một chương trình mẫu cho phép người tham gia điền vào các trường thông tin và chạy phần mềm mà không cần phải tự tìm hiểu cách thiết lập một môi trường lập trình hoàn chỉnh.
Những lo ngại về trí tuệ nhân tạo được giải đáp: Có nhiều lo ngại 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 các công nghệ AI được cơ quan quản lý phê duyệt đều yêu cầu sự giám sát của bác sĩ11. Chúng tôi cũng nhấn mạnh tầm quan trọng của sự thiên vị vì các thuật toán dễ bị thiên vị, 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 liệu được cung cấp công khai: Chúng tôi đã tạo ra các tài liệu công khai, bao gồm slide bài giảng và mã nguồn. Mặc dù việc truy cập nội dung học trực tiếp bị hạn chế do múi giờ, nhưng nội dung mã nguồn mở là một phương pháp thuận tiện cho việc học không đồng bộ vì không phải tất cả các trường y đều có chuyên môn về trí tuệ nhân tạo.
Hợp tác liên ngành: Hội thảo này là một dự án hợp tác do sinh viên y khoa khởi xướng nhằm cùng nhau lập kế hoạch các khóa học với các kỹ sư. Điều này cho thấy các cơ hội hợp tác và những khoảng trống kiến thức trong cả hai lĩnh vực, giúp người tham gia hiểu được vai trò tiềm năng mà họ có thể đóng góp trong tương lai.
Xác định các năng lực cốt lõi về Trí tuệ Nhân tạo (AI). Việc xác định danh sách các năng lực sẽ cung cấp một cấu trúc chuẩn hóa có thể được tích hợp vào chương trình giảng dạy y khoa dựa trên năng lực hiện có. Hội thảo này hiện đang sử dụng các cấp độ Mục tiêu Học tập 2 (Hiểu biết), 3 (Ứng dụng) và 4 (Phân tích) của Thang phân loại Bloom. Việc có các nguồn tài liệu ở các cấp độ phân loại cao hơn, chẳng hạn như tạo 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 các chủ đề về AI có thể được áp dụng vào quy trình làm việc lâm sàng và tránh việc giảng dạy các chủ đề trùng lặp đã có trong chương trình giảng dạy y khoa tiêu chuẩn.
Tạo các nghiên cứu trường hợp bằng cách 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 làm nổi bật sự liên quan của chúng đến 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 trên con đường từ phòng thí nghiệm đến phòng khám, chẳng hạn như các yêu cầu xác nhận bên ngoài và các con đường phê duyệt theo quy định.
Sử dụng phương pháp học tập trải nghiệm: Kỹ năng kỹ thuật đòi hỏi sự luyện tập tập trung và ứng dụng lặp đi lặp lại để thành thạo, tương tự như kinh nghiệm học tập luân phiên của các học viên lâm sàng. Một giải pháp tiềm năng là mô hình lớp học đảo ngược, được báo cáo là giúp cải thiện khả năng ghi nhớ kiến thức trong giáo dục kỹ thuật14. Trong mô hình này, sinh viên tự ôn tập tài liệu lý thuyết và thời gian trên lớp được dành để giải quyết vấn đề thông qua các nghiên cứu trường hợp.
Mở rộng quy mô cho người tham gia đa ngành: Chúng tôi hình dung việc ứng dụng AI sẽ bao gồm sự hợp tác giữa nhiều ngành, bao gồm các bác sĩ và các chuyên gia y tế liên quan với trình độ đào tạo khác nhau. Do đó, chương trình giảng dạy có thể cần được xây dựng dựa trên sự tham vấn với giảng viên từ các khoa khác nhau để điều chỉnh nội dung cho phù hợp với 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 liên quan đến toán học và khoa học máy tính. Việc đào tạo nhân viên y tế hiểu về trí tuệ nhân tạo đặt ra những thách thức riêng biệt trong việc lựa chọn nội dung, tính ứng dụng lâm sàng và phương pháp truyền đạt. Chúng tôi hy vọng rằng những hiểu biết thu được từ các hội thảo về Trí tuệ nhân tạo trong Giáo dục sẽ giúp các nhà giáo dục tương lai đón nhận những cách thức đổi mới để tích hợp trí tuệ nhân tạo vào giáo dục y khoa.
Tập lệnh Python của Google Colaboratory là mã 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 khoa: lời kêu gọi hành động. Y học Akkad. 88, 1407–1410 (2013).
McCoy, LG và cộng sự. Sinh viên y khoa thực sự cần biết gì về trí tuệ nhân tạo? Số NPZh. Y học 3, 1–3 (2020).
Dos Santos, DP, et al. Thái độ của sinh viên y khoa đối với trí tuệ nhân tạo: một khảo sát đa trung tâm. EURO. bức xạ. 29, 1640–1646 (2019).
Fan, KY, Hu, R., và Singla, R. Giới thiệu về máy học cho sinh viên y khoa: một dự án thí điểm. Tạp chí giảng dạy y khoa. 54, 1042–1043 (2020).
Cooperman N, et al. Xác định trẻ em có nguy cơ rất thấp bị tổn thương não nghiêm trọng về mặt lâm sàng sau chấn thương đầu: một nghiên cứu đoàn hệ tiến cứu. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH và Mangasarian, OL. Trích xuất đặc điểm hạt nhân để chẩn đoán khối u vú. Khoa học Y sinh. Xử lý hình ảnh. Khoa học Y sinh. Weiss. 1905, 861–870 (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, 410–414 (2019).
Selvaraju, RR và cộng sự. Grad-cam: Giải thích trực quan các mạng nơ-ron sâu thông qua định vị dựa trên gradient. Kỷ yếu Hội nghị Quốc tế IEEE về Thị giác Máy tính, 618–626 (2017).
Kumaravel B, Stewart K và Ilic D. Phát triển và đánh giá mô hình xoắn ốc để đánh giá năng lực y học dựa trên bằng chứng bằng cách sử dụng OSCE trong giáo dục y khoa bậc đại học. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB và Garg PS Học máy và giáo dục y khoa. Số NPZh. Y học. 1, 1–3 (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 chúng. EURO. bức xạ. 31, 3797–3804 (2021).
Topol, EJ. Y học hiệu suất cao: sự hội tụ của trí tuệ con người và trí tuệ nhân tạo. Y học tự nhiên. 25, 44–56 (2019).
Bede, E. và cộng sự. Đánh giá lấy con người làm trung tâm về một hệ thống học sâu được triển khai trong phòng khám để phát hiện bệnh võng mạc tiểu đường. Kỷ yếu Hội nghị CHI năm 2020 về các yếu tố con người trong hệ thống máy tính (2020).
Kerr, B. Lớp học đảo ngược trong giáo dục kỹ thuật: Tổng quan nghiên cứu. Kỷ yếu Hội nghị Quốc tế về Học tập Tương tác Hợp tác năm 2015 (2015).
Các tác giả xin cảm ơn Danielle Walker, Tim Salcudin và Peter Zandstra từ Nhóm nghiên cứu Hình ảnh Y sinh và Trí tuệ Nhân tạo tại Đại học British Columbia vì sự 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 tổ chức hậu cần dự án và phân tích các hội thảo. RH, OY, MT, RS chịu trách nhiệm tạo ra các hình ảnh và bảng biểu. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS chịu trách nhiệm soạn thảo và chỉnh sửa tài liệu.
Tạp chí Communication Medicine xin cảm ơn Carolyn McGregor, Fabio Moraes và Aditya Borakati vì những đóng góp của họ trong việc xem xét công trình này.
Thời gian đăng bài: 19/02/2024