Eskerrik asko Nature.com bisitatzeagatik.Erabiltzen ari zaren arakatzailearen bertsioak CSS laguntza mugatua du.Emaitza onenak lortzeko, zure arakatzailearen bertsio berriagoa erabiltzea gomendatzen dugu (edo Internet Explorer-en bateragarritasun modua desaktibatzea).Bitartean, etengabeko laguntza bermatzeko, gunea estilorik edo JavaScript gabe erakusten ari gara.
Adimen artifizial klinikoaren (AI) aplikazioak azkar hazten ari dira, baina lehendik dauden medikuntza-eskoletako curriculumek arlo hau hartzen duten irakaskuntza mugatua eskaintzen dute.Hemen garatu eta Kanadako medikuntzako ikasleei eskainitako adimen artifizialaren prestakuntza-ikastaro bat deskribatzen dugu eta etorkizuneko prestakuntzarako gomendioak egiten ditugu.
Adimen artifizialak (AI) medikuntzan lantokian eraginkortasuna hobetu eta erabaki klinikoak hartzen lagun dezake.Adimen artifizialaren erabilera segurtasunez gidatzeko, medikuek adimen artifiziala nolabaiteko ulermena izan behar dute.Iruzkin askok AI kontzeptuak1 irakastea defendatzen dute, hala nola AI ereduak eta egiaztapen-prozesuak azaltzea2.Hala ere, plan egituratu gutxi ezarri dira, batez ere nazio mailan.Pinto dos Santos et al.3.Medikuntzako 263 ikasleri inkesta egin zitzaien eta %71k adimen artifizialean trebakuntza behar zutela ados zegoen.Adimen artifiziala entzule mediko bati irakasteko diseinu zaindua eskatzen du, kontzeptu teknikoak eta ez-teknikoak uztartzen dituena, askotan aldez aurretiko ezagutza zabala duten ikasleentzat.Gure esperientzia deskribatzen dugu AI tailer batzuk ematen medikuntza ikasleen hiru talderi eta gomendioak ematen dizkiegu AIren etorkizuneko medikuntza hezkuntzarako.
2019ko otsaila eta 2021eko apirila bitartean hiru aldiz egin zen Medikuntzako Adimen Artifizialaren Sarrera Tailerra Medikuntzako bost asteko tailerra. hiru ikaskuntza helburu nagusi: ikasleek adimen artifizialaren aplikazioetan datuak nola prozesatzen diren ulertzea, aplikazio klinikoetarako adimen artifizialaren literatura aztertzea eta adimen artifiziala garatzen duten ingeniariekin elkarlanean aritzeko aukerak aprobetxatzea.
Urdina da hitzaldiaren gaia eta urdin argia galdera-erantzun aldi interaktiboa da.Atal grisa da literatura berrikuspen laburren ardatza.Atal laranjak adimen artifizialaren ereduak edo teknikak deskribatzen dituzten kasu praktikoak dira.Green programazio gidatuko ikastaro bat da, adimen artifiziala arazo klinikoak konpontzen eta ereduak ebaluatzen irakasteko diseinatua.Tailerren edukia eta iraupena ikasleen beharren ebaluazioaren arabera aldatzen da.
Lehenengo tailerra British Columbiako Unibertsitatean egin zen 2019ko otsailetik apirilera, eta 8 parte-hartzaileek iritzi positiboa eman zuten4.COVID-19 dela eta, bigarren tailerra ia 2020ko urrian-azaroan egin zen, Kanadako 8 medikuntza-eskoletako 222 mediku eta 3 egoiliarrekin izena eman zuten.Aurkezpen diapositibak eta kodea sarbide irekiko gune batera igo dira (http://ubcaimed.github.io).Lehenengo errepikapenaren funtsezko iritzia hitzaldiak biziegiak zirela eta materiala teorikoegia izan zen.Kanadako sei ordu-eremu ezberdinei zerbitzua emateak erronka gehigarriak dakartza.Horrela, bigarren tailerrak saio bakoitza ordu 1era laburtu zuen, ikastaroaren materiala sinplifikatu zuen, kasu praktiko gehiago gehitu zituen eta parte-hartzaileek kode zatiak gutxien arazketarekin osatzeko aukera ematen zuten programak sortu zituen (1. koadroa).Bigarren iterazioko iritzi gakoak programazio-ariketei buruzko iritzi positiboak eta ikaskuntza automatikoko proiektu baten plangintza erakusteko eskaera izan ziren.Hori dela eta, gure hirugarren tailerrean, 2021eko martxoan-apirilean ia 126 mediku ikaslerentzat egin zen, kodeketa-ariketa interaktiboagoak eta proiektuen iritzi-saio gehiago sartu genituen tailer-kontzeptuak proiektuetan erabiltzeak duen eragina erakusteko.
Datuen analisia: datuen eredu esanguratsuak identifikatzen dituen estatistikaren azterketa-eremua, datu-ereduak aztertuz, prozesatu eta komunikatuz.
Data meatzaritza: datuak identifikatzeko eta ateratzeko prozesua.Adimen artifizialaren testuinguruan, hau handia izan ohi da, lagin bakoitzeko aldagai anitzekin.
Dimentsio-murrizketa: ezaugarri indibidual asko dituzten datuak ezaugarri gutxiagotan eraldatzeko prozesua, jatorrizko datu multzoaren propietate garrantzitsuak mantenduz.
Ezaugarriak (adimen artifizialaren testuinguruan): lagin baten propietate neurgarriak.Askotan erabiltzen da "jabetza" edo "aldagaia"rekin.
Gradienteen Aktibazio Mapa: Adimen artifizialeko ereduak (batez ere sare neuronal konboluzionalak) interpretatzeko erabiltzen den teknika, sarearen azken zatia optimizatzeko prozesua aztertzen duena, oso prediktiboak diren datu edo irudien eskualdeak identifikatzeko.
Eredu estandarra: lehendik dagoen AI eredua, aldez aurretik trebatu dena, antzeko zereginak egiteko.
Testing (adimen artifizialaren testuinguruan): eredu batek zeregin bat nola egiten duen behatzea aurretik aurkitu ez dituen datuak erabiliz.
Prestakuntza (adimen artifizialaren testuinguruan): Eredu bati datuekin eta emaitzekin hornitzea, ereduak bere barne-parametroak doi ditzan, datu berriak erabiliz zereginak egiteko duen gaitasuna optimizatzeko.
Bektorea: datu-matrizea.Ikaskuntza automatikoan, array-elementu bakoitza laginaren ezaugarri bakarra izan ohi da.
1. taulan 2021eko apirileko azken ikastaroak zerrendatzen dira, gai bakoitzerako zuzendutako ikaskuntza-helburuak barne.Tailer hau maila teknikoan hasi berri direnentzat da eta ez du inolako ezagutza matematikorik behar graduko medikuntzako lehen urteaz gain.Ikastaroa Medikuntzako 6 ikaslek eta ingeniaritzako goi-mailako 3 irakaslek garatu dute.Ingeniariak adimen artifizialaren teoria garatzen ari dira irakasteko, eta medikuntzako ikasleak klinikoki garrantzitsua den materiala ikasten ari dira.
Tailerretan hitzaldiak, kasu praktikoak eta programazio gidatua daude.Lehenengo hitzaldian, bioestatistikan datuen analisiaren kontzeptu hautatuak berrikusten ditugu, besteak beste, datuen bistaratzea, erregresio logistikoa eta estatistika deskribatzaile eta induktiboaren alderaketa.Datuen analisia adimen artifizialaren oinarria den arren, datu-meatzaritza, esangura-probak edo bistaratze interaktiboa bezalako gaiak baztertzen ditugu.Hori denbora-mugengatik izan zen eta, gainera, graduko ikasle batzuek bioestatistikan aldez aurretiko prestakuntza zutelako eta ikaskuntza automatikoko gai bereziagoak landu nahi zirelako.Ondorengo hitzaldiak metodo modernoak aurkezten ditu eta AI arazoen formulazioa, AI ereduen abantailak eta mugak eta ereduen probak eztabaidatzen ditu.Hitzaldiak lehendik dauden adimen artifizialeko gailuei buruzko literatura eta ikerketa praktikoekin osatzen dira.Galdera klinikoei aurre egiteko eredu baten eraginkortasuna eta bideragarritasuna ebaluatzeko beharrezkoak diren trebetasunak azpimarratzen ditugu, besteak beste, dauden adimen artifizialaren gailuen mugak ulertzea.Esaterako, Kupperman et al.-ek 5 pediatriako buruko lesioen jarraibideak interpretatzeko eskatu diegu, 5 adimen artifizialaren erabaki-zuhaitz algoritmo bat ezarri baitzuen CT eskaneatzea erabilgarria izango zen medikuaren azterketan oinarrituta zehazteko.Azpimarratzen dugu hau medikuek interpreta ditzaten analisi iragarleak eskaintzen dituen AIaren adibide arrunta dela, medikuak ordezkatu beharrean.
Eskuragarri dauden kode irekiko bootstrap programazio adibideetan (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), esplorazio-datuen azterketa, dimentsio-murrizketa, eredu estandarraren karga eta prestakuntza nola egin erakusten dugu. .eta probak.Google Colaboratory koadernoak erabiltzen ditugu (Google LLC, Mountain View, CA), eta horri esker, Python kodea web arakatzaile batetik exekuta daiteke.Irudian 2. irudiak programazio ariketa baten adibidea eskaintzen du.Ariketa honek gaixotasun gaiztoak aurreikusten ditu Wisconsin Open Breast Imaging Dataset6 eta erabaki-zuhaitz algoritmo bat erabiliz.
Aurkeztu astean zehar lotutako gaiei buruzko programak eta hautatu argitaratutako AI aplikazioetatik adibideak.Programazio-elementuak etorkizuneko praktika klinikoari buruzko ikuspegia emateko garrantzitsuak ikusten badira soilik sartzen dira, adibidez, ereduak nola ebaluatu entsegu klinikoetan erabiltzeko prest dauden zehazteko.Adibide hauek tumoreak onberak edo gaiztoak gisa sailkatzen dituzten amaierako aplikazio oso batean amaitzen dira, mediku-irudiaren parametroetan oinarrituta.
Aurretiazko ezagutzaren heterogeneotasuna.Gure parte-hartzaileek matematika-ezagutza maila desberdina zuten.Esaterako, ingeniaritza aurreratua duten ikasleak material sakonagoa bilatzen ari dira, adibidez, beren Fourier-en transformazioak nola egin.Hala ere, Fourier algoritmoa klasean eztabaidatzea ezinezkoa da seinaleen prozesamenduari buruzko ezagutza sakona eskatzen duelako.
Asistentzia-irteera.Jarraipeneko bileretan parte hartzeak behera egin zuen, batez ere lineako formatuetan.Irtenbide bat asistentziaren jarraipena egitea eta amaitu izanaren ziurtagiria ematea izan daiteke.Medikuntza-eskolak ikasleen eskolaz kanpoko jarduera akademikoen transkripzioak aitortzen dituzte, eta horrek ikasleak titulu bat egitera bultza ditzakete.
Ikastaroen diseinua: IAk hainbeste azpieremu hartzen dituenez, sakontasun eta zabalera egokiko oinarrizko kontzeptuak hautatzea zaila izan daiteke.Adibidez, AI tresnen erabileraren jarraipena laborategitik klinikara gai garrantzitsua da.Datuen aurreprozesatzea, ereduen eraikuntza eta baliozkotzea lantzen ditugun arren, ez ditugu datu handien analitika, bistaratze interaktiboa edo AI saiakuntza klinikoak egitea bezalako gaiak sartzen, baizik eta AI kontzeptu berezienetan oinarritzen gara.Gure printzipio gidaria alfabetizazioa hobetzea da, ez trebetasunak.Adibidez, eredu batek sarrerako ezaugarriak nola prozesatzen dituen ulertzea garrantzitsua da interpretagarritasunerako.Horretarako modu bat gradienteen aktibazio mapak erabiltzea da, datuen zein eskualde aurreikus daitezkeen ikus dezaketenak.Hala ere, honek aldagai anitzeko kalkulua behar du eta ezin da sartu8.Terminologia komun bat garatzea erronka izan zen, datuekin nola lan egin bektore gisa formalismo matematikorik gabe azaltzen saiatzen ginelako.Kontuan izan termino ezberdinek esanahi bera dutela, adibidez, epidemiologian, "ezaugarri" bat "aldagai" edo "atributu" gisa deskribatzen da.
Ezagutza atxikitzea.AIren aplikazioa mugatua denez, parte-hartzaileek ezagutza zenbateraino atxikitzen duten ikusteko dago.Medikuntza-eskoletako curriculumak sarritan errepikapen tartekatuan oinarritzen dira txandaketa praktikoetan ezagutzak sendotzeko, AI hezkuntzan ere aplika daiteke.
Profesionaltasuna alfabetatzea baino garrantzitsuagoa da.Materialaren sakonera zorroztasun matematikorik gabe diseinatu da, eta hori arazo bat zen adimen artifizialeko ikastaro klinikoak abiaraztean.Programazio-adibideetan, txantiloi-programa bat erabiltzen dugu, parte-hartzaileek eremuak bete eta softwarea exekutatu ahal izateko programazio-ingurune osoa nola konfiguratu behar izan gabe.
Adimen artifizialaren inguruko kezkak jorratu dira: kezka zabala dago adimen artifizialak betebehar kliniko batzuk ordezkatu ditzakeelako3.Arazo honi aurre egiteko, AIaren mugak azaltzen ditugu, besteak beste, erregulatzaileek onartutako AI teknologia ia guztiek medikuaren gainbegiratzea eskatzen dutela11.Alborapenaren garrantzia ere azpimarratzen dugu, algoritmoek alborapenerako joera dutelako, batez ere datu multzoa anitza ez bada12.Ondorioz, azpitalde jakin bat gaizki modelatu daiteke, eta bidegabeko erabaki klinikoak sor ditzake.
Baliabideak publikoki eskuragarri daude: publikoki eskuragarri dauden baliabideak sortu ditugu, hitzaldien diapositibak eta kodea barne.Eduki sinkronorako sarbidea ordu-eremuengatik mugatua den arren, kode irekiko edukia ikaskuntza asinkronorako metodo erosoa da, AI esperientzia ez baitago eskuragarri medikuntza-eskola guztietan.
Diziplinarteko lankidetza: Tailer hau medikuntza-ikasleek ingeniariekin batera ikastaroak planifikatzeko abian jarritako joint venture bat da.Horrek lankidetza-aukerak eta ezagutza-hutsuneak erakusten ditu bi arloetan, parte-hartzaileek etorkizunean lagundu dezaketen eginkizuna uler dezaten.
Definitu AI oinarrizko gaitasunak.Gaitasunen zerrenda zehazteak egitura estandarizatu bat eskaintzen du, lehendik dauden konpetentzietan oinarritutako medikuntza-curriculumetan integra daitekeena.Tailer honek Bloom-en Taxonomiaren 2. (ulermena), 3. (Aplikazioa) eta 4. (Analisia) Ikaskuntza Helburu Mailak erabiltzen ditu gaur egun.Sailkapen-maila altuagoetan baliabideak izateak, proiektuak sortzea adibidez, ezagutza gehiago indartu dezake.Horretarako, aditu klinikoekin lan egin behar da AI gaiak lan-fluxu klinikoetan nola aplika daitezkeen zehazteko eta medikuntza-curriculum estandarretan dagoeneko sartuta dauden gai errepikakorrak irakastea saihestea.
Sortu kasu praktikoak AI erabiliz.Adibide klinikoen antzera, kasuetan oinarritutako ikaskuntzak kontzeptu abstraktuak indartu ditzake galdera klinikoetarako duten garrantzia nabarmenduz.Adibidez, tailer-azterketa batek Google-ren AI-n oinarritutako erretinopatia diabetikoa detektatzeko sistema 13 aztertu zuen laborategitik klinikarako bidean dauden erronkak identifikatzeko, hala nola kanpoko baliozkotze-eskakizunak eta arauzko onarpen-bideak.
Erabili esperientziazko ikaskuntza: trebetasun teknikoak praktika bideratua eta behin eta berriz aplikatzea eskatzen du menderatzeko, praktikatzaile klinikoen txandakako ikaskuntza esperientzien antzera.Irtenbide potentzial bat flipped classroom eredua da, ingeniaritzako hezkuntzan ezagutzaren atxikipena hobetzen duela jakinarazi dena14.Eredu honetan, ikasleek material teorikoa modu independentean berrikusten dute eta klaseko denbora kasu praktikoen bidez problemak ebazteko bideratzen da.
Diziplina anitzeko parte-hartzaileentzako eskalatzea: AI-en adopzioa diziplina anitzetan lankidetzan aritzea aurreikusten dugu, prestakuntza-maila desberdina duten medikuak eta osasun-profesionalak barne.Hori dela eta, baliteke curriculumak garatu behar izatea sail ezberdinetako irakasleekin kontsultatuta, haien edukiak osasun-arlo desberdinetara egokitzeko.
Adimen artifiziala goi-teknologia da eta bere oinarrizko kontzeptuak matematikarekin eta informatikarekin lotuta daude.Adimen artifiziala ulertzeko osasun-langileak trebatzeak erronka bereziak ditu edukien aukeraketan, garrantzi klinikoan eta entrega metodoetan.Espero dugu AI Hezkuntzako tailerretatik lortutako ikuspegiek etorkizuneko hezitzaileei AI medikuntza hezkuntzan integratzeko modu berritzaileak hartzen lagunduko dietela.
Google Colaboratory Python script-a kode irekia da eta hemen eskuragarri dago: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG eta Khan, S. Medikuntza hezkuntza birplanteatzea: ekintzarako deia.Akkad.medikuntza.88, 1407–1410 (2013).
McCoy, LG eta abar. Zer jakin behar dute medikuntzako ikasleek adimen artifizialari buruz?NPZh zenbakiak.Medikuntza 3, 1–3 (2020).
Dos Santos, DP, et al.Medikuntzako ikasleek adimen artifizialarekiko jarrerak: zentro anitzeko inkesta.EUROA.erradiazioa.29, 1640–1646 (2019).
Fan, KY, Hu, R. eta Singla, R. Introduction to machine learning for Medical Students: a pilot project.J. Med.irakatsi.54, 1042–1043 (2020).
Cooperman N, et al.Buruko lesioaren ondoren garuneko lesio klinikoki esanguratsuak izateko arrisku oso txikia duten haurrak identifikatzea: kohorte-azterketa prospektiboa.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH eta Mangasarian, OL.Ezaugarri nuklearrak erauztea bularreko tumorearen diagnostikoa egiteko.Zientzia Biomedikoa.Irudien tratamendua.Zientzia Biomedikoa.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. eta Peng, L. How to develop machine learning models healthcare.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: Sare sakonen ikus-interpretazioa gradientean oinarritutako lokalizazioaren bidez.IEEE Computer Vision-en Nazioarteko Konferentziaren aktak, 618–626 (2017).
Kumaravel B, Stewart K eta Ilic D. Ebidentzian oinarritutako medikuntzako gaitasunak ebaluatzeko eredu espiral baten garapena eta ebaluazioa OSCE erabiliz graduko medikuntzako hezkuntzan.BMK Medikuntza.irakatsi.21, 1–9 (2021).
Kolachalama VB eta Garg PS Ikaskuntza automatikoa eta hezkuntza medikoa.NPZh zenbakiak.medikuntza.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. eta de Rooy, M. Artificial intelligence in radiology: 100 merkataritza produktu eta haien ebidentzia zientifikoak.EUROA.erradiazioa.31, 3797–3804 (2021).
Topol, EJ Errendimendu handiko medikuntza: giza eta adimen artifizialaren konbergentzia.Nat.medikuntza.25, 44–56 (2019).
Bede, E. et al.Erretinopatia diabetikoa detektatzeko klinikan zabaldutako ikaskuntza sakoneko sistema baten giza-zentratutako ebaluazioa.Sistema informatikoetako giza faktoreei buruzko CHI Konferentziaren 2020ko aktak (2020).
Kerr, B. The flipped classroom ingeniaritza hezkuntzan: ikerketa berrikuspena.2015eko Ikaskuntza Elkarreragile Elkarreragileari buruzko Nazioarteko Konferentziaren aktak (2015).
Egileek eskerrak ematen dizkie British Columbiako Unibertsitateko Irudi Biomedikoen eta Adimen Artifizialaren Ikerketa Klusterreko Danielle Walker, Tim Salcudin eta Peter Zandstrari laguntza eta finantzaketagatik.
RH, PP, ZH, RS eta MA arduratu ziren tailerreko irakaskuntza-edukiak garatzeaz.RH eta PP izan ziren programazio adibideak garatzeaz arduratu direnak.KYF, OY, MT eta PW proiektuaren antolaketa logistikoaz eta tailerren azterketaz arduratu ziren.RH, OY, MT, RS zifrak eta taulak sortzeaz arduratu ziren.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS izan ziren dokumentua idazteko eta editatzeko ardura.
Communication Medicine-k eskerrak eman dizkie Carolyn McGregor, Fabio Moraes eta Aditya Borakati lan honen berrikuspenari egindako ekarpenengatik.
Argitalpenaren ordua: 2024-02-19