Eskerrik asko natura 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 ziurtatzeko, gunea estiloa edo javascript gabe erakusten ari gara.
Adimen Artifizial Klinikoaren (AI) aplikazioak azkar hazten ari dira, baina lehendik dauden mediku eskola curriculumak ingurua estaltzen duen irakaskuntza mugatua eskaintzen du. Hemen, adimen artifizialeko prestakuntza ikastaro bat deskribatuko dugu Kanadako mediku ikasleei garatu eta entregatu genituen eta etorkizuneko prestakuntzarako gomendioak egiten ditugu.
Medikuntzan adimen artifizialak (AI) lantokiko eraginkortasuna hobetu dezake eta erabakiak hartzeko laguntza klinikoak hobetu ditzake. Adimen artifizialaren erabilera modu seguruan gidatzeko, medikuek adimen artifizialaren ulermena izan behar dute. Iruzkin askok AI kontzeptuak irakastea defendatzen dute1, hala nola, AI ereduak eta egiaztapen prozesuak azaltzea2. Hala ere, egituratutako plan gutxi batzuk ezarri dira, batez ere estatu mailan. Pinto dos Santos et al.3. 263 ikasle mediku inkestatu ziren eta adimen artifizialean trebakuntza behar zutela adostu zuten% 71. Adimen artifiziala mediku publiko bati irakastea, diseinu zaindua behar da, kontzeptu tekniko eta ez teknikoak uztartzen dituena, askotan aurretiazko ezagutza zabala duten ikasleentzat. Gure esperientzia Deskribatzen dugu AI tailer sorta bat eskaintzen duten hiru medikuntzako hiru multzoei eta AIren etorkizuneko hezkuntza medikuntzarako gomendioak egiten ditugu.
Medikuntzako ikasleentzako adimen artifizialera gure bost asteko sarrera 2019ko otsailetik eta 2021eko apirilera bitartean egin zen. Lantegi bakoitzeko ordutegia, ikastaroaren aldaketen deskribapen laburra da, 1. irudian erakusten da. Gure ikastaroak badu. Gure ikastaroak badu Hiru ikaskuntza lehen mailako helburuak: Datuak adimen artifizialen aplikazioetan nola prozesatzen diren ulertzen dute, aplikazio klinikoetarako adimen artifizialaren literatura aztertu eta adimen artifiziala garatzen duten ingeniariekin lankidetzan aritzeko aukerak aprobetxatu.
Urdina da hitzaldiaren gaia eta urdin argia galdera eta erantzun-aldia da. Atal grisa da literatura berrikuspen laburraren ardatza. Sail laranjak adimen artifizialeko ereduak edo teknikak deskribatzen dituzten kasu azterketak dira. Green programa artifiziala irakasteko diseinatutako programa gidatua da, arazo klinikoak konpontzeko eta ereduak ebaluatzeko. Tailerren edukia eta iraupena aldatu egiten dira ikasleen beharren ebaluazioan oinarrituta.
Lehenengo tailerra British Columbia Unibertsitatean egin zen 2019ko otsailetik apirilera, eta 8 parte-hartzaile guztiek feedback positiboa eman zuten4. Covid-19 dela eta, bigarren tailerra ia urriko azaroan egin zen, 222ko ikasle mediku eta 3 biztanle Kanadako 8 mediku ikastetxeetako erregistratu ziren. Aurkezpen diapositibak eta kodea sarbide irekiko gune batera igo dira (http://ubcaimed.github.io). Lehenengo iteraren funtsezko iritzia izan zen hitzaldiak intentsiboak eta materiala ere teorikoak. Kanadako sei denbora zonaldeek erronka gehigarriak aurkezten dituzte. Horrela, bigarren tailerrak ordubete lehenago laburtu zuen, ikastaroaren materiala sinplifikatu zuen, kasu gehiago gehitu eta galdaragintza programak sortu zituen, parte-hartzaileek kode zatiak osatzea ahalbidetzen zutenak, arazketa minimoarekin (1. laukia). Bigarren iterazioaren funtsezko iritziak feedback positiboa izan zuen programazio ariketen inguruan eta makina ikasteko proiektu baterako plangintza erakusteko eskaera. Hori dela eta, gure hirugarren tailerrean ia 126 ikaslek egin zuten martxoaren 2021eko apirilean, kodeketa-ariketa interaktiboagoak eta proiektuak feedback saio gehiago sartu genituen proiektuetan tailerraren kontzeptuak erabiltzearen eragina erakusteko.
Datuen analisia: datu-ereduak aztertu, prozesatu eta komunikatzeko datuen eredu esanguratsuak identifikatzen dituen estatistiketan.
Datuen meatzaritza: datuak identifikatzeko eta ateratzeko prozesua. Adimen artifizialaren testuinguruan, askotan handia da, lagin bakoitzeko hainbat aldagai ditu.
Dimentsionaltasunaren murrizketa: banakako ezaugarri ugarirekin datuak eraldatzeko prozesua ezaugarri gutxiagotan sartu da jatorrizko datuen multzoko propietate garrantzitsuak gordetzen dituen bitartean.
Ezaugarriak (adimen artifizialaren testuinguruan): lagin baten propietate neurgarriak. Maiz erabilitako "jabetza" edo "aldagaia" erabilita.
Gradientearen aktibazio mapa: adimen artifizialeko ereduak (bereziki sare neuronal konbolutiboak) interpretatzeko erabiltzen den teknika, sarearen azken zatia optimizatzeko prozesua aztertzen du, oso iragarleak diren datu edo irudien eskualdeak identifikatzeko.
Modelo estandarra: antzeko zereginak egiteko aurrez prestatutako AI eredua.
Probak (adimen artifizialaren testuinguruan): Eredu batek zeregina nola egiten duen behatu aurretik, aurretik topatu ez dituen datuak erabiliz.
Prestakuntza (adimen artifizialaren testuinguruan): eredu bat datuekin eta emaitzak eskaintzea, ereduak bere barneko parametroak doitzeko, datu berriak erabiliz zereginak egiteko gaitasuna optimizatzeko.
Bektorea: Datu sorta. Makinen ikaskuntzan, elementu bakoitzaren elementua laginaren ezaugarri bakarra da.
1. taulan 2021eko apirileko azken ikastaroak zerrendatzen ditu, gai bakoitzerako zuzendutako ikaskuntza helburuak barne. Tailer hau maila teknikoari berriei zuzenduta dago eta ez du jakintza matematikorik behar graduko mediku tituluaren lehen urtean haratago. Ikastaroa 6 ikasle medikuek garatu zuten eta ingeniaritzan titulazio aurreratuak dituzten 3 irakasle. Ingeniariek adimen artifizialaren teoria garatzen ari dira irakasteko, eta mediku ikasleek material klinikoki garrantzitsua ikasten ari dira.
Tailerrek hitzaldiak, kasuak eta programazio gidatuak daude. Lehenengo hitzaldian, Biostatistikan dauden datuen analisiaren kontzeptuak berrikusten ditugu, datuen bistaratzea, erregresio logistikoa eta estatistika deskribatzaile eta induktiboen konparazioa barne. Datuen analisia adimen artifizialaren oinarria bada ere, datuen meatzaritza, esanahi probak edo bistaratze interaktiboa bezalako gaiak baztertzen ditugu. Denboraren murrizketengatik izan zen eta, gainera, graduondoko ikasle batzuek biostatistikan aurretik prestakuntza izan zuten eta makina ikasteko gai paregabeagoak estali nahi zituztelako. Ondorengo hitzaldiak metodo modernoak aurkezten ditu eta AI arazoen formulazioa, abantailak eta mugak eztabaidatzen ditu AI ereduen eta eredu proben. Hitzaldiak lehendik dauden adimen artifizialeko gailuei buruzko literatura eta ikerketa praktikoarekin osatzen dira. Eredu baten eraginkortasuna eta bideragarritasuna ebaluatzeko beharrezkoak diren gaitasunak galdera klinikoei aurre egiteko, barneko adimen artifizialeko gailuen mugak ulertzea barne. Adibidez, ikasleei Kupperman et al-ek proposatutako pediatriako buruko lesioen jarraibideak interpretatzeko eskatu diegu. Azpimarratzen dugu hori dela medikuek interpretatzeko, medikuek interpretatzeko azterketa iragarleak eskaintzen dituzten AI adibide arrunta dela, medikuak ordezkatu beharrean.
Eskuragarri dagoen iturri irekiko bootstrap adibideak (https://github.com/ubcaimed/ubcaimed.github.IRe/tree/tree/Tree/programming_examples), esplorazio-datuen analisia, dimentsioko murrizketa, eredu estandarraren kargatzea eta prestakuntza erakusten dugu. . eta probak. Google lankidetzako koadernoak (Google LLC, Mendi ikuspegia, CA) erabiltzen ditugu, Python Code web arakatzaile batetik exekutatu ahal izateko. 2. irudian 2. irudian programazio ariketa baten adibidea eskaintzen du. Ariketa honek Wisconsin Bularreko Irekitako DataSet6 eta Erabakiak zuhaitz algoritmoa erabiltzea eragiten du.
Aurkeztu programak aste osoan zehar lotutako gaiei buruz eta hautatu AI aplikazioen adibideak. Programazioko elementuak etorkizuneko praktika klinikoei buruzko ikuspegi garrantzitsutzat hartzen badira ere sartzen dira, hala nola, nola ebaluatu ereduak nola ebaluatu saiakuntza klinikoetan erabiltzeko prest dauden ala ez zehazteko. Adibide hauek amaitutako amaiera osoko aplikazio batean amaitzen dira, irudien irudi medikoen parametroetan oinarritutako tumoreak edo gaiztoak sailkatzen dituena.
Aurretiazko ezagutzaren heterogeneotasuna. Gure parte-hartzaileak bere ezagutza matematikoen mailan aldatu ziren. Adibidez, ingeniaritza aurreratuak dituzten ikasleak material sakonagoak bilatzen ari dira, hala nola, nola burutu fourier eraldaketak. Hala ere, klasean fourier algoritmoa eztabaidatzea ez da posible, seinaleen tratamenduaren ezagutza sakona eskatzen duelako.
Asistentzia irteera. Jarraipen-bileretara joatea ukatu egin da, batez ere lineako formatuetan. Irtenbide bat izan daiteke asistentzia jarraitzea eta betetze ziurtagiria ematea. Medikuntzako ikastetxeek ikasleen jarduera akademiko eskolaz kanpoko transkripzioak ezagutzen dituzte, eta horrek ikasleak gradu bila bultzatu ditzake.
Ikastaroen diseinua: AI-k hainbeste azpi-eremuak ditu, sakonera eta zabalera egokiaren oinarrizko kontzeptuak hautatzea erronka izan daiteke. Adibidez, Laborategitik Klinikara Laborategira AI tresnak erabiltzeko jarraitutasuna gai garrantzitsua da. Datuen aurreprozesazioa, eredua eraikitzea eta baliozkotzea biltzen ditugun bitartean, ez ditugu datu handien analitika, bistaratze interaktiboa edo AI entsegu klinikoak egiten ditugu, AI kontzeptu berezienetan oinarritzen gara. Gure printzipio gidaria alfabetatzea hobetzea da, ez trebetasunak. Adibidez, eredu prozesuak sartzeko ezaugarriak nola garrantzitsuak diren ulertzea interpretagarritasunerako. Horretarako modu bat gradiente aktibazio mapak erabiltzea da, eta horrek ikus daitezkeen eskualdeak aurreikus daitezke. Hala ere, horrek kalkulu anitzekoa behar du eta ezin da sartu8. Terminologia arrunta garatzea erronka izan zen, formalismo matematikorik gabeko bektore gisa datuak nola lan egin nahi izan genuelako. Kontuan izan termino desberdinek esanahi bera dutela, adibidez, epidemiologian, "ezaugarri" bat deskribatzen dela "aldagai" gisa edo "atributu gisa".
Ezagutzaren atxikipena. AI aplikazioa mugatua delako, parte-hartzaileek ezagutza gordetzen duten neurrian. Mediku eskola curriculumak sarritan oinarritzen dira biraketa praktikoetan ezagutzak indartzeko, 9 AI hezkuntzan ere aplikatu daitezke.
Profesionaltasuna alfabetatzea baino garrantzitsuagoa da. Materialaren sakonera zorroztasun matematikorik gabe diseinatuta dago, eta hori izan zen arazo bat adimen artifizialean ikastaro klinikoak abiaraztean. Programazioaren adibideetan, parte-hartzaileek eremuak bete eta softwarea exekutatzeko aukera ematen duten txantiloi programa bat erabiltzen dugu programazio ingurune osoa nola konfiguratu beharrik izan gabe.
Adimen artifizialaren inguruko kezkak: oso kezkatuta dago adimen artifizialak zeregin kliniko batzuk ordezkatu ditzakeela. Gai honi aurre egiteko, AIren mugak azaltzen ditugu, besteak beste, erregulatzaileek onartutako AI teknologia ia guztiek medikuaren gainbegiratzea11 behar dutela. Biasaren garrantzia ere azpimarratzen dugu algoritmoak bias jota baitzegoen, batez ere datu multzoa ez bada askotarikoa12. Horrenbestez, azpitalde jakin bat gaizki modelatu daiteke, erabaki kliniko bidegabeak sor ditzakeela.
Baliabideak publikoki eskuragarri daude: publikoki eskuragarri dauden baliabideak sortu ditugu, hitzaldi diapositibak eta kodea barne. Eduki sinkronikoetarako sarbidea mugatuta dagoen arren, iturburu irekiko edukia ikasteko asinkronikoetarako metodo egokia da AI espezializazioa ez baita eskuragarri mediku eskola guztietan.
Diziplinarteko lankidetza: Tailer hau medikuek ingeniariekin batera ikastaroak planifikatzeko hasitako joint bat da. Horrek bi arloetako lankidetza aukerak eta ezagutzak hutsuneak erakusten ditu, parte-hartzaileei etorkizunean ekar diezaieketen eginkizun potentziala ulertzeko aukera emanez.
Definitu AI oinarrizko gaitasunak. Gaitasunen zerrenda definitzeak egitura normalizatua eskaintzen du lehendik dauden gaitasunetan oinarritutako curriculumean integratu daitekeena. Tailer honek gaur egun ikasteko maila 2 maila (ulermena), 3 (Aplikazioa), eta Bloom-en taxonomiaren 4 (azterketa) erabiltzen ditu. Baliabideak sailkapen maila altuagoetan edukitzeak, hala nola proiektuak sortzea, ezagutza are gehiago indartu dezake. Horrek aditu klinikoekin lan egitea eskatzen du AI gaiak lan-fluxu klinikoei nola aplika diezaieten zehazteko eta dagoeneko mediku kurrikula estandarrean sartutako gai errepikakorrak irakastea saihesteko.
Sortu kasuak AI erabiliz. Adibide klinikoen antzekoak, kasuak oinarritutako ikaskuntzak kontzeptu abstraktuak indartu ditzake galdera klinikoekiko duten garrantzia nabarmenduz. Adibidez, Tailerreko azterketak Google-ren AI oinarritutako erretinopatia detekzio sistema 13 aztertu zuen, laborategitik klinikara bidean dauden erronkak identifikatzeko, hala nola kanpoko baliozkotze baldintzak eta arauzko onarpen bideak.
Erabil ezazu esperientzial ikaskuntza: trebetasun teknikoek praktika bideratua eta errepikatutako aplikazioa behar dute maisuari, prestakuntza klinikoen ikaskuntza birakariaren esperientzien antzekoa. Irtenbide potentzial bat iraulitako ikasgelako eredua da, ingeniaritza hezkuntzan ezagutza atxikimendua hobetzeko jakinarazi dena14. Eredu horretan, ikasleek material teorikoa modu independentean berrikusten dute eta klase garaia arazoak konpontzeko bidezko azterketen bidez.
Diziplina anitzeko parte-hartzaileentzako eskala: AI Adopzioa emateak diziplina anitzetan lankidetza inplikatuz, medikuek eta osasun arloko profesionalek prestakuntza maila desberdinak dituztenak barne hartzen dituzte. Hori dela eta, curriculumak sail desberdinetako fakultatearekin kontsultatu behar dira, edukia osasun-arlo desberdinetara egokitzeko.
Adimen artifiziala teknologia handiko teknologia da eta haren oinarrizko kontzeptuak matematikarekin eta informatikarekin lotuta daude. Osasun arloko langileek adimen artifiziala ulertzeko prestakuntza Edukiaren hautaketa, garrantzi kliniko eta entrega metodoetan erronka paregabeak aurkezten dituzte. Hezkuntza tailerretan AI-tik lortutako ikuspegi horiek etorkizuneko hezitzaileei laguntza medikoan integratzeko modu berritzaileak besarkatuko dizkiela espero dugu.
Google Colaboratory Python script irekia da eta eskuragarri dago: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, kg eta khan, S. Rethinking Medikuntza Hezkuntza: Ekintzarako deia. Akkad. medikuntza. 88, 1407-1410 (2013).
McCoy, LG etab. Zer behar dute mediku ikasleek adimen artifizialaren berri? NPZH zenbakiak. Medikuntza 3, 1-3 (2020).
Dos santos, dp, eta al. Medikuen ikasleen jarrerak adimen artifizialerako: inkesta anitzekoa. Euro. erradiazioa. 29, 1640-1646 (2019).
Fan, Ky, Hu, R. eta Singla, R. Makingako ikasleentzako ikasteko makina: proiektu pilotua. J. Med. Irakatsi. 54, 1042-1043 (2020).
Kooperman n, et al. Buruko lesioaren ondoren burmuineko lesio kliniko garrantzitsuak izateko arrisku oso baxuan identifikatzea: kohorte prospektiba bat. LANCET 374, 1160-1170 (2009).
Kalea, wn, wolberg, wh eta mangasarian, ol. Bularreko tumorearen diagnostikorako ezaugarri nuklearra. Zientzia Biomedikoa. Irudiaren prozesamendua. Zientzia Biomedikoa. Weiss. 1905, 861-870 (1993).
Chen, Phc, Liu, Y. eta Peng, L. Nola garatu makina osasun arloko ereduak. Nat. Matt. 18, 410-414 (2019).
Selvaraju, rr et al. Grad-Cam: Sare sakonen interpretazio bisuala gradienteetan oinarritutako lokalizazioaren bidez. IEEE Nazioarteko Konferentziaren prozedurak ordenagailuen ikuspegian, 618-626 (2017).
Kumaravel B, Stewart K eta Ilic D. D. Froga oinarritutako medikuntzako gaitasunak ebaluatzeko espiral eredu baten garapena eta ebaluazioa OSCE graduondoko medikuntzan. BMK medikuntza. Irakatsi. 21, 1-9 (2021).
Kolachalama VB eta Garg PS Makina ikaskuntza eta hezkuntza medikoa. NPZH zenbakiak. medikuntza. 1, 1-3 (2018).
Van Leeuwen, Kg, Schalekamp, S., Rutten, MJ, Van Ginneken, B. eta De Rooy, M. Adimen artifiziala erradiologian: 100 produktu komertzial eta haien froga zientifikoak. Euro. erradiazioa. 31, 3797-3804 (2021).
Topol, EJ errendimendu handiko medikuntza: gizakiaren eta adimen artifizialaren konbergentzia. Nat. medikuntza. 25, 44-56 (2019).
Bede, E. et al. Erretinopatia diabetikoa detektatzeko klinikan zabaldutako ikaskuntza sistema sakon baten ebaluazioa. Informatika Sistemetan (2020) giza faktoreei buruzko 2020 Chi kongresuaren prozedurak.
Kerr, B. Iraungitako ikasgela Ingeniaritza Hezkuntzan: Ikerketa Iritzia. Lankidetza Elkartearen Ikasteko 2015eko Nazioarteko Konferentziaren prozedurak (2015).
Egileek Danielle Walker, Tim Salcudin, eta Peter Zandstra eskerrak eman eta Adimen Artifizialeko Ikerketarako Klusterrak, Britainia Handiko Unibertsitatean laguntza eta finantzaketa egiteko.
Rh, PP, ZH, Rs eta MA, tailerraren irakaskuntza edukia garatzeaz arduratu ziren. Rh eta PP ardura izan ziren programazio adibideak garatzeaz. Kyf, Oy, MT eta PW arduratu ziren proiektuaren antolamendu logistikoaz eta tailerren azterketa. Rh, Oy, MT, Rs ziren zifrak eta mahaiak sortzeaz. Rh, Kyf, PP, ZH, OY, My, PW, TL, Ma, Rs dokumentua erredaktatu eta editatzeaz arduratu ziren.
Komunikazio Medikuntza Eskerrik asko Carolyn McGregor, Fabio Moraes eta Aditya Borakati lan honen berrikuspenari egindako ekarpenetarako.
Ordua: otsailak 19-2024