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 được hỗ trợ liên tục, chúng tôi đang 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 của trường y hiện tại cung cấp việc giảng dạy còn hạn chế về lĩnh vực này.Ở đây chúng tôi mô tả một khóa đào tạo trí tuệ nhân tạo mà chúng tôi đã phát triển và cung cấp cho các sinh viên y khoa Canada cũng như đưa ra các đề xuất cho hoạt động đào tạo trong tương lai.
Trí tuệ nhân tạo (AI) trong y học có thể cải thiện hiệu quả làm việc và hỗ trợ đưa ra quyết định lâm sàng.Để hướng dẫn sử dụng trí tuệ nhân tạo một cách an toàn, các bác sĩ phải có hiểu biết nhất định 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, rất ít kế hoạch có cấu trúc đã được thực hiện, đặc biệt là ở cấp quốc gia.Pinto dos Santos và cộng sự3.263 sinh viên y khoa được khảo sát 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 tế đòi hỏi phải có thiết kế cẩn thận, kết hợp các khái niệm kỹ thuật và phi kỹ thuật cho những sinh viên thường có kiến thức sâu rộng.Chúng tôi mô tả kinh nghiệm của mình khi tổ chức một loạt hội thảo về AI cho ba nhóm sinh viên y khoa và đưa ra khuyến nghị về giáo dục y tế trong tương lai về AI.
Hội thảo Giới thiệu về Trí tuệ nhân tạo trong Y học kéo dài 5 tuần của chúng tôi dành cho sinh viên y khoa đã được tổ chức ba lần từ tháng 2 năm 2019 đến tháng 4 năm 2021. Lịch trình cho mỗi hội thảo, kèm theo mô tả ngắn gọn về những thay đổi đối với khóa học, được hiển thị trong Hình 1. Khóa học của chúng tôi có 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 về trí tuệ nhân tạo cho các ứng dụng lâm sàng và tận dụng cơ hội cộng tác với các kỹ sư phát triển trí tuệ nhân tạo.
Màu xanh lam là chủ đề của bài giảng và màu xanh nhạt là phần hỏi đáp tương tác.Phần màu xám là trọng tâm của phần đánh giá tài liệu ngắn gọn.Phần màu cam là các nghiên cứu điển hình được chọn lọc mô tả các mô hình hoặc kỹ thuật trí tuệ nhân tạo.Green là khóa học lập trình có hướng dẫn được thiết kế để dạy trí tuệ nhân tạo nhằm giải quyết các vấn đề lâm sàng và đánh giá các mô hình.Nội dung và thời lượng của các buổi hội thảo khác nhau tùy theo 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 dịch bệnh COVID-19, hội thảo thứ hai được tổ chức trực tuyến vào tháng 10-tháng 11 năm 2020, với 222 sinh viên y khoa và 3 cư dân từ 8 trường y Canada đăng ký.Các slide trình bày và mã đã được tải lên một trang truy cập mở (http://ubcaimed.github.io).Phản hồi chính từ lần lặp lại đầu tiên là các bài giảng quá nặng 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 thời lượng mỗi buổi xuống còn 1 giờ, đơn giản hóa tài liệu khóa học, bổ sung thêm nhiều nghiên cứu điển hình và tạo ra các chương trình soạn sẵn cho phép người tham gia hoàn thành các đoạn mã với mức độ sửa 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 thể hiện việc lập kế hoạch cho dự án học máy.Do đó, trong hội thảo thứ ba, được tổ chức trực tuyến cho 126 sinh viên y khoa vào tháng 3-tháng 4 năm 2021, chúng tôi đã đưa thêm nhiều bài tập mã hóa tương tác và các phiên 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 nhằm 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, con số này thường lớn, với nhiều biến cho mỗi mẫu.
Giảm kích thước: Quá trình chuyển đổi dữ liệu có nhiều tính năng riêng lẻ thành ít tính năng hơn mà vẫn giữ được các thuộc tính quan trọng của tập dữ liệu gốc.
Đặc điểm (trong bối cảnh trí tuệ nhân tạo): các đặc tính có thể đo lường được của một mẫu.Thường được sử dụng thay thế cho nhau với “thuộc tính” hoặc “biến”.
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 thần kinh tích chập), giúp phân tích quá trình tối ưu hóa phần cuối của mạng để xác định các vùng dữ liệu hoặc hình ảnh có tính 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.
Thử nghiệm (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 đó.
Đào tạo (trong bối cảnh trí tuệ nhân tạo): Cung cấp cho mô hình dữ liệu và kết quả để mô hình điều chỉnh các tham số bên trong nhằm tối ưu hóa khả năng thực hiện các tác vụ bằng cách sử dụng dữ liệu mới.
Vector: mảng dữ liệu.Trong học máy, mỗi phần tử mảng thường là một đặc điểm riêng của mẫu.
Bảng 1 liệt kê các khóa học mới nhất cho tháng 4 năm 2021, bao gồm các mục tiêu học tập có mục tiêu cho từng chủ đề.Hội thảo này dành cho những người mới tiếp cận trình 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 trình độ 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 điển hình và lập trình có hướng dẫn.Trong bài giảng đầu tiên, chúng tôi xem xét các 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 nhưng chúng tôi loại trừ các chủ đề như khai thác dữ liệu, kiểm tra mức ý nghĩa 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 về thống kê sinh học và muốn đề cập đến 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 cũng như thử nghiệm mô hình.Các bài giảng được bổ sung bằng tài liệu 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 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 học sinh giải thích các hướng dẫn về chấn thương đầu ở trẻ em do Kupperman và cộng sự đề xuất, trong đó triển khai thuật toán cây quyết định trí tuệ nhân tạo để xác định xem liệu 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 AI cung cấp phân tích dự đoán để bác sĩ giải thích thay vì thay thế 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 trình bày cách thực hiện phân tích dữ liệu khám phá, giảm kích thước, tải mô hình tiêu chuẩn và đào tạo .và thử nghiệm.Chúng tôi sử dụng sổ ghi chép Google Colaboratory (Google LLC, Mountain View, CA), cho phép thực thi mã Python từ trình duyệt web.Trong Hình. 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 trong tuần về các chủ đề liên quan và chọn lọc các ví dụ từ các ứng dụng AI đã xuất bản.Các yếu tố lập trình chỉ được đưa vào nếu chúng được coi là phù hợp 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 đã sẵn sàng để sử dụng trong các thử nghiệm lâm sàng hay chưa.Những ví dụ này đạt đến đỉnh cao trong một ứng dụng hoàn thiện chính thức nhằm phân loại khối u là lành tính hay ác tính dựa trên các thông số hình ảnh y tế.
Tính không đồng nhất của kiến thức trước đó.Những người tham gia của chúng tôi có trình độ kiến thức toán học khác nhau.Ví dụ: những sinh viên có nền tảng kỹ thuật nâng cao đang tìm kiếm tài liệu chuyên sâu hơn, chẳng hạn như cách thực hiện các phép biến đổi Fourier của riêng họ.Tuy nhiên, việc thảo luận về thuật toán Fourier trên lớp là không thể vì nó đòi hỏi kiến thức chuyên sâu về xử lý tín hiệu.
Dòng tham dự đi ra.Tỷ lệ tham dự các cuộc họp tiếp theo giảm, đặc biệt là ở các hình thức 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 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 trải rộng trên nhiều lĩnh vực phụ nên việc lựa chọn các khái niệm cốt lõi có chiều sâu và chiều rộng phù 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 đề cập đến quá trình tiền xử lý dữ liệu, xây dựng mô hình và xác thực, nhưng chúng tôi không đề cập đến 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 chỉ đạo của chúng tôi là cải thiện khả năng đọc viết chứ không phải kỹ năng.Ví dụ, hiểu cách một mô hình xử lý các tính năng đầu vào là quan trọng đối với khả năng diễn giải.Một cách để thực hiện điều này là sử dụng bản đồ kích hoạt độ dốc, bản đồ này có thể trực quan hóa vùng dữ liệu nào có thể dự đoán được.Tuy nhiên, điều này đòi hỏi phép tính đa biến và không thể áp dụng được8.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 một ý nghĩa, ví dụ: trong dịch tễ học, “đặc điểm” được mô tả là “biến” hoặc “thuộc tính”.
Duy trì kiến thức.Bởi vì việc ứng dụng AI còn hạn chế nên mức độ lưu giữ kiến thức của người tham gia vẫn còn phải xem xét.Chương trình giảng dạy của trường y thường dựa vào sự lặp lại ngắt quãng để củng cố kiến thức trong quá trình luân chuyển thực tế,9 điều này cũng có thể được áp dụng cho giáo dục AI.
Tính chuyên nghiệp quan trọng hơn trình độ học vấn.Độ sâu của tài liệu được thiết kế không có sự chặt chẽ về mặt toán học, đây là một vấn đề khi triển khai các khóa học lâm sàng về trí tuệ nhân tạo.Trong các ví dụ về lập trình, chúng tôi sử dụng chương trình mẫu cho phép người tham gia điền vào các trường và chạy phần mềm mà không cần phải tìm cách thiết lập môi trường lập trình hoàn chỉnh.
Giải quyết mối lo ngại về trí tuệ nhân tạo: Có mối lo ngại 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 thực tế là hầu hết tất cả 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 sai lệch 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 được cung cấp công khai: Chúng tôi đã tạo các tài nguyên có sẵn công khai, bao gồm các slide 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 phương pháp thuận tiện cho việc học không đồng bộ vì không có chuyên môn về AI ở tất cả các trường y.
Hợp tác liên ngành: Hội thảo này là một liên doanh do các sinh viên y khoa khởi xướng nhằm lên kế hoạch cho các khóa học cùng với các kỹ sư.Điều này thể hiện các cơ hội hợp tác và lỗ hổng 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.Việc xác định danh sách các năng lực cung cấp một cấu trúc tiêu chuẩn hóa có thể được tích hợp vào chương trình giảng dạy y tế dựa trên năng lực hiện có.Hội thảo này hiện sử dụng Mục tiêu Học tập Cấp độ 2 (Hiểu), 3 (Ứng dụng) và 4 (Phân tích) của Phân loại tư duy Bloom.Việc có các nguồn lực ở cấp độ phân loại cao hơn, chẳng hạn như tạo dự án, có thể củng cố kiến thức hơn nữa.Điều này đòi hỏi phải làm việc với các chuyên gia lâm sàng để xác định cách áp dụng các chủ đề AI vào quy trình làm việc lâm sàng và ngăn chặn việc giảng dạy các chủ đề lặp đi lặp lại đã có trong chương trình giảng dạy y khoa tiêu chuẩn.
Tạo nghiên cứu điển hình bằng AI.Tương tự như các ví dụ lâm sàng, học tập theo từng trường hợp có thể củng cố các khái niệm trừu tượng bằng cách làm nổi bật sự liên quan của chúng với các câu hỏi lâm sàng.Ví dụ: một nghiên cứu trong hội thảo đã phân tích hệ thống phát hiện bệnh võng mạc tiểu đường dựa trên AI 13 của Google để xác định những thách thức trong quá trình từ phòng thí nghiệm đến phòng khám, chẳng hạn như các yêu cầu xác nhận bên ngoài và lộ trình phê duyệt theo quy định.
Sử dụng phương pháp học tập qua trải nghiệm: Các kỹ năng kỹ thuật đòi hỏi phải thực hành tập trung và áp dụng nhiều lần để thành thạo, tương tự như trải nghiệm học tập luân phiên của các học viên lâm sàng.Một giải pháp tiềm năng là mô hình lớp học đảo ngược, được cho là có thể cải thiện khả năng ghi nhớ 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 trên lớp được dành để giải quyết vấn đề thông qua các nghiên cứu điển hình.
Mở rộng quy mô cho những người tham gia đa ngành: Chúng tôi hình dung việc áp dụng AI liên quan đến sự cộng tác trên nhiều lĩnh vực, bao gồm các bác sĩ và chuyên gia y tế liên minh với các cấp độ đào tạo khác nhau.Do đó, chương trình giảng dạy có thể cần được phát triển với sự tham vấn của các giảng viên từ các khoa khác nhau để điều chỉnh nội dung của chúng 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.Đào tạo nhân viên chăm sóc sức khỏe để hiểu trí tuệ nhân tạo đặt ra những thách thức đặc biệt trong việc lựa chọn nội dung, mức độ phù hợp lâm sàng và phương pháp phân phối.Chúng tôi hy vọng rằng những hiểu biết sâu sắc thu được từ các hội thảo về AI trong Giáo dục sẽ giúp các nhà giáo dục tương lai nắm bắt những cách đổi mới để tích hợp AI vào giáo dục y tế.
Tập lệnh Python Colaboratory của Google 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 tế: lời kêu gọi hành động.Akkad.thuốc.88, 1407–1410 (2013).
McCoy, LG, v.v. Sinh viên y khoa thực sự cần biết gì về trí tuệ nhân tạo?số NPZh.Thuốc 3, 1–3 (2020).
Dos Santos, DP, và cộng sự.Thái độ của sinh viên y khoa đối với trí tuệ nhân tạo: một cuộc khảo sát đa trung tâm.EURO.sự bức xạ.29, 1640–1646 (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, 1042–1043 (2020).
Cooperman N, và cộng sự.Xác định trẻ em có nguy cơ rất thấp bị chấn thương sọ não có ý nghĩa lâm sàng sau chấn thương đầu: một nghiên cứu đoàn hệ tương lai.Lancet 374, 1160–1170 (2009).
Đường phố, WN, Wolberg, WH và Mangasarian, OL.Trích xuất tính năng hạt nhân để chẩn đoán khối u vú.Khoa học y sinh.Đang xử lý hình ảnh.Khoa học y sinh.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. và Peng, L. Cách 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: Diễn giải trực quan các mạng sâu thông qua bản địa hóa dựa trên độ dốc.Kỷ yếu của 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 sử dụng OSCE trong giáo dục y khoa đại học.Thuốc BMK.dạy bảo.21, 1–9 (2021).
Kolachalama VB và Garg PS Học máy và giáo dục y tế.số NPZh.thuốc.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.sự bức xạ.31, 3797–3804 (2021).
Topol, EJ Y học hiệu suất cao: sự hội tụ của trí tuệ con người và nhân tạo.Nat.thuốc.25, 44–56 (2019).
Bede, E. và cộng sự.Đánh giá lấy con người làm trung tâm về hệ thống học sâu được triển khai tại phòng khám để phát hiện bệnh võng mạc tiểu đường.Kỷ yếu Hội nghị CHI năm 2020 về yếu tố con người trong hệ thống máy tính (2020).
Kerr, B. Lớp học đảo ngược trong giáo dục kỹ thuật: Đánh giá nghiên cứu.Kỷ yếu Hội nghị quốc tế về học tập hợp tác tương tác năm 2015 (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 vì đã hỗ trợ và tài trợ.
RH, PP, ZH, RS và MA chịu trách nhiệm phát triển nội dung giảng dạy của 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 cho dự án và phân tích các buổi hội thảo.RH, OY, MT, RS chịu trách nhiệm tạo các số liệu và bảng biểu.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS chịu trách nhiệm soạn thảo và chỉnh sửa văn bản.
Y học Truyền thông cảm ơn Carolyn McGregor, Fabio Moraes và Aditya Borakati vì những đóng góp của họ trong việc đánh giá công trình này.
Thời gian đăng: Feb-19-2024