Eskerrik asko Nature.com bisitatzeagatik. Erabiltzen ari zaren arakatzailearen bertsioak CSS euskarri mugatua du. Emaitza onenak lortzeko, zure arakatzailearen bertsio berriago bat erabiltzea gomendatzen dizugu (edo Internet Explorer-en bateragarritasun modua desaktibatzea). Bitartean, etengabeko laguntza bermatzeko, gunea estilo edo JavaScript gabe erakusten ari gara.
Adimen artifizial klinikoaren (AA) aplikazioak azkar hazten ari dira, baina medikuntza fakultateko curriculumak arlo hori lantzen duen irakaskuntza mugatua eskaintzen du. Hemen, Kanadako medikuntza ikasleei garatu eta eman diegun adimen artifizialeko prestakuntza ikastaro bat deskribatzen dugu eta etorkizuneko prestakuntzarako gomendioak egiten ditugu.
Medikuntzako adimen artifizialak (AA) lantokiko eraginkortasuna hobetu eta erabaki klinikoak hartzen lagun dezake. Adimen artifizialaren erabilera segurtasunez gidatzeko, medikuek adimen artifizialaren ulermen bat izan behar dute. Iruzkin askok AA kontzeptuak irakastea defendatzen dute1, hala nola AA ereduak eta egiaztapen prozesuak azaltzea2. Hala ere, egituratutako plan gutxi batzuk ezarri dira, batez ere maila nazionalean. Pinto dos Santos et al.3. 263 medikuntza ikasleri egin zitzaien inkesta eta % 71k ados zeuden adimen artifizialean prestakuntza behar zutela. Adimen artifiziala medikuntzako publiko bati irakasteak diseinu zaindua eskatzen du, kontzeptu teknikoak eta ez-teknikoak konbinatzen dituena, askotan aurretiko ezagutza zabala duten ikasleentzat. Medikuntzako ikasleen hiru talderi AA tailer sorta bat emateko dugun esperientzia deskribatzen dugu eta etorkizuneko AA hezkuntza medikorako gomendioak egiten ditugu.
Medikuntzako ikasleentzako gure bost asteko Adimen Artifizialaren Sarrera tailerra hiru aldiz egin zen 2019ko otsailaren eta 2021eko apirilaren artean. Tailer bakoitzaren ordutegia, ikastaroan egindako aldaketen deskribapen labur batekin, 1. irudian ageri da. Gure ikastaroak hiru ikaskuntza-helburu nagusi ditu: ikasleek ulertzea nola prozesatzen diren datuak adimen artifizialeko aplikazioetan, aplikazio klinikoetarako adimen artifizialaren literatura aztertzea eta adimen artifiziala garatzen duten ingeniariekin lankidetzan aritzeko aukerak aprobetxatzea.
Urdina hitzaldiaren gaia da eta urdin argia galdera-erantzunen txanda interaktiboa. Atal grisa literatura-berrikuspen laburraren ardatza da. Atal laranjak adimen artifizialeko ereduak edo teknikak deskribatzen dituzten kasu-azterketa hautatuak dira. Berdea adimen artifiziala arazo klinikoak konpontzen eta ereduak ebaluatzen irakasteko diseinatutako programazio gidatuko ikastaroa da. Tailerren edukia eta iraupena ikasleen beharren ebaluazioaren arabera aldatzen dira.
Lehenengo tailerra Britainiar Columbiako Unibertsitatean egin zen 2019ko otsailetik apirilera, eta 8 parte-hartzaileek iritzi positiboa eman zuten4. COVID-19 dela eta, bigarren tailerra birtualki egin zen 2020ko urri-azaroan, Kanadako 8 medikuntza fakultatetako 222 medikuntza ikasle eta 3 egoiliar izena emanez. Aurkezpenaren diapositibak eta kodea sarbide irekiko gune batera igo dira (http://ubcaimed.github.io). Lehenengo iterazioko iritzi nagusia izan zen hitzaldiak oso intentsoak zirela eta materiala oso teorikoa. Kanadako sei ordu-eremu desberdinei zerbitzua emateak erronka gehigarriak dakartza. Horrela, bigarren tailerrak saio bakoitza ordubetez laburtu zuen, ikastaroaren materiala sinplifikatu zuen, kasu-azterketa gehiago gehitu zituen eta parte-hartzaileei kode zatiak arazketa minimoarekin osatzeko aukera eman zieten programa errepikakorrak sortu zituen (1. koadroa). Bigarren iterazioko iritzi nagusien artean, programazio ariketei buruzko iritzi positiboa eta makina-ikaskuntzako proiektu baten plangintza erakusteko eskaera zeuden. Horregatik, 2021eko martxo-apirilean 126 medikuntza ikaslerentzat birtualki egindako hirugarren tailerrean, kodetze ariketa interaktibo gehiago eta proiektuen feedback saio gehiago sartu genituen, tailerreko kontzeptuak proiektuetan erabiltzeak duen eragina erakusteko.
Datuen analisia: Estatistikaren ikasketa-arloa, datu-ereduak aztertu, prozesatu eta komunikatuz datuetan esanguratsuak diren ereduak identifikatzen dituena.
Datuen meatzaritza: datuak identifikatu eta ateratzeko prozesua. Adimen artifizialaren testuinguruan, hau askotan handia da, lagin bakoitzerako aldagai anitzekin.
Dimentsioen 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 "propietate" edo "aldagai" hitzekin trukagarria erabiltzen da.
Gradientearen Aktibazio Mapa: Adimen artifizialeko ereduak (batez ere sare neuronal konboluzionalak) interpretatzeko erabiltzen den teknika bat da, sarearen azken zatia optimizatzeko prozesua aztertzen duena, datu edo irudien eskualde oso iragarleak identifikatzeko.
Eredu Estandarra: Antzeko zereginak egiteko aldez aurretik entrenatu den IA eredu bat.
Probak (adimen artifizialaren testuinguruan): eredu batek lehenago topatu ez dituen datuak erabiliz zeregin bat nola egiten duen behatzea.
Prestakuntza (adimen artifizialaren testuinguruan): Modelo bati datuak eta emaitzak ematea, modeloak bere barne parametroak doi ditzan datu berriak erabiliz zereginak egiteko duen gaitasuna optimizatzeko.
Bektore: datu-matrizea. Ikaskuntza automatikoan, matrizearen elementu bakoitza laginaren ezaugarri bakarra izan ohi da.
1. taulan 2021eko apirileko azken ikastaroak zerrendatzen dira, gai bakoitzerako ikaskuntza-helburu zehatzak barne. Tailer hau maila teknikoan hasi berriak direnentzat da eta ez du medikuntzako graduko lehen urtea baino ezagutza matematikorik behar. Ikastaroa ingeniaritzan goi-mailako tituluak dituzten 6 medikuntza ikaslek eta 3 irakaslek garatu zuten. Ingeniariek adimen artifizialaren teoria garatzen ari dira irakasteko, eta medikuntzako ikasleek klinikoki garrantzitsua den materiala ikasten ari dira.
Tailerrek hitzaldiak, kasu-azterketak eta programazio gidatua barne hartzen dituzte. Lehenengo hitzaldian, bioestatistikan datu-analisiari buruzko kontzeptu hautatuak berrikusiko ditugu, besteak beste, datuen bistaratzea, erregresio logistikoa eta estatistika deskribatzaile eta induktiboen konparaketa. Datuen analisia adimen artifizialaren oinarria den arren, datuen meatzaritza, esangura-probak edo bistaratzea interaktiboa bezalako gaiak baztertzen ditugu. Hori denbora-mugengatik izan zen, eta baita graduko ikasle batzuek bioestatistikan aurretiko prestakuntza zutelako eta makina-ikaskuntzako gai bereziagoak landu nahi zituztelako ere. Ondorengo hitzaldiak metodo modernoak aurkezten ditu eta IA arazoen formulazioa, IA ereduen abantailak eta mugak eta ereduen probak eztabaidatzen ditu. Hitzaldiak literaturarekin eta adimen artifizialeko gailuei buruzko ikerketa praktikoekin osatzen dira. Eredu baten eraginkortasuna eta bideragarritasuna ebaluatzeko beharrezkoak diren trebetasunak azpimarratzen ditugu galdera klinikoei aurre egiteko, adimen artifizialeko gailuen mugak ulertzea barne. Adibidez, ikasleei Kupperman et al.-ek proposatutako haurren buruko lesioen jarraibideak interpretatzeko eskatu genien, 5 zeinak adimen artifizialeko erabaki-zuhaitz algoritmo bat ezarri zuen medikuaren azterketan oinarrituta CT eskaneatzea erabilgarria izango zen zehazteko. Azpimarratzen dugu hau IAk medikuek interpretatzeko analisi prediktiboa eskaintzen duen adibide ohikoa dela, medikuak ordezkatu beharrean.
Eskuragarri dauden bootstrap programazio-adibideetan (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), datuen analisi esploratzailea, dimentsioen murrizketa, eredu estandarraren kargatzea eta entrenamendua eta probak nola egin erakusten dugu. Google Colaboratory koadernoak (Google LLC, Mountain View, CA) erabiltzen ditugu, eta horiei esker, Python kodea web arakatzaile batetik exekuta daiteke. 2. irudian programazio-ariketa baten adibidea ageri da. Ariketa honek Wisconsin Open Breast Imaging Dataset6 eta erabaki-zuhaitz algoritmo bat erabiliz gaiztakeriak aurreikustea dakar.
Astean zehar gai erlazionatuei buruzko programak aurkeztu eta argitaratutako IA aplikazioetatik adibideak hautatu. Programazio elementuak etorkizuneko praktika klinikoari buruzko ikuspegia emateko garrantzitsutzat jotzen badira bakarrik sartzen dira, hala nola, ereduak nola ebaluatu entsegu klinikoetan erabiltzeko prest dauden zehazteko. Adibide hauek aplikazio oso batean amaitzen dira, tumoreak onberak edo gaiztoak gisa sailkatzen dituena irudi medikoen parametroetan oinarrituta.
Aurretiazko ezagutzaren heterogeneotasuna. Gure parte-hartzaileek matematika-ezagutza maila desberdina zuten. Adibidez, ingeniaritza-formazio aurreratua duten ikasleek material sakonagoa bilatzen dute, hala nola, beren Fourier transformatuak nola egin. Hala ere, Fourier algoritmoa klasean eztabaidatzea ezinezkoa da, seinaleen prozesamenduaren ezagutza sakona eskatzen duelako.
Bertaratze-irteera. Jarraipen-bileretan parte hartzea gutxitu egin da, batez ere online formatuetan. Irtenbide bat bertaratzea kontrolatzea eta amaiera-ziurtagiria ematea izan daiteke. Medikuntza-eskolek ikasleen eskolaz kanpoko jarduera akademikoen transkripzioak aitortzen dituztela ezagutzen da, eta horrek ikasleak titulu bat lortzera bultzatu ditzake.
Ikastaroaren diseinua: IAk hainbeste azpieremu hartzen dituenez, sakonera eta zabalera egokiko oinarrizko kontzeptuak hautatzea erronka bat izan daiteke. Adibidez, IA tresnen erabileraren jarraitutasuna laborategitik klinikara gai garrantzitsua da. Datuen aurreprozesamendua, modeloen eraikuntza eta baliozkotzea lantzen ditugun arren, ez ditugu sartzen datu handien analisia, bistaratze interaktiboa edo IAren entsegu klinikoak egitea bezalako gaiak, horren ordez, IAren kontzeptu berezienetan zentratzen gara. Gure gidalerro nagusia alfabetatzea hobetzea da, ez trebetasunak. Adibidez, modelo batek sarrerako ezaugarriak nola prozesatzen dituen ulertzea garrantzitsua da interpretaziorako. Horretarako modu bat gradienteen aktibazio mapak erabiltzea da, datuen zein eskualde diren aurreikusgarriak bistaratu ditzaketenak. Hala ere, horrek kalkulu multibariablea behar du eta ezin da sartu8. Terminologia komun bat garatzea erronka bat izan zen, datuekin bektore gisa nola lan egin azaltzen saiatzen ari ginelako formalismo matematikorik gabe. Kontuan izan termino desberdinek esanahi bera dutela, adibidez, epidemiologian, "ezaugarri" bat "aldagai" edo "atributu" gisa deskribatzen da.
Ezagutza atxikitzea. IAren aplikazioa mugatua denez, parte-hartzaileek ezagutza zenbateraino atxikitzen duten ikusi beharko da oraindik. Medikuntzako ikasketa-planek askotan tartekatutako errepikapenean oinarritzen dira ezagutza indartzeko txanda praktikoetan,9 eta hori IA hezkuntzan ere aplika daiteke.
Profesionaltasuna alfabetatzea baino garrantzitsuagoa da. Materialaren sakontasuna zorroztasun matematikorik gabe diseinatuta dago, eta hori arazo bat izan zen adimen artifizialeko ikastaro klinikoak abiaraztean. Programazio-adibideetan, txantiloi-programa bat erabiltzen dugu, parte-hartzaileei eremuak bete eta softwarea exekutatzeko aukera ematen diena, programazio-ingurune oso bat nola konfiguratu asmatu beharrik gabe.
Adimen artifizialaren inguruko kezkak jorratu dira: Kezka zabaldua dago adimen artifizialak betebehar kliniko batzuk ordezkatu ditzakeelako3. Arazo honi aurre egiteko, IAren mugak azaltzen ditugu, besteak beste, erregulatzaileek onartutako ia IA teknologia guztiek medikuaren gainbegiratzea behar dutela11. Alborapenaren garrantzia ere azpimarratzen dugu, algoritmoak alborapenerako joera baitute, batez ere datu multzoa anitza ez bada12. Ondorioz, azpitalde jakin bat gaizki modelatu daiteke, eta horrek erabaki kliniko bidegabeak hartzea eragin dezake.
Baliabideak publikoki eskuragarri daude: Baliabide publikoki eskuragarriak sortu ditugu, besteak beste, hitzaldien diapositibak eta kodea. Eduki sinkronoetarako sarbidea mugatua den arren ordu-eremuengatik, kode irekiko edukia metodo egokia da ikaskuntza asinkronorako, IAren espezializazioa ez baitago eskuragarri medikuntza eskola guztietan.
Diziplina arteko lankidetza: Tailer hau medikuntzako ikasleek ingeniariekin batera ikastaroak planifikatzeko abiarazitako ekimen bateratua da. Horrek bi arloetako lankidetza aukerak eta ezagutza hutsuneak erakusten ditu, parte-hartzaileek etorkizunean izan dezaketen eginkizun potentziala ulertzeko aukera emanez.
Definitu IAren oinarrizko gaitasunak. Gaitasunen zerrenda bat definitzeak egitura estandarizatu bat eskaintzen du, gaitasunetan oinarritutako medikuntza-curriculumetan integratu daitekeena. Tailer honek Bloom-en Taxonomiaren 2. (Ulermena), 3. (Aplikazioa) eta 4. (Analisia) Ikaskuntza Helburuen Mailak erabiltzen ditu gaur egun. Sailkapen-maila altuagoetan baliabideak izateak, hala nola proiektuak sortzeak, ezagutza are gehiago indartu dezake. Horrek eskatzen du aditu klinikoekin lan egitea IAren gaiak lan-fluxu klinikoetan nola aplika daitezkeen zehazteko eta medikuntza-curriculum estandarretan dagoeneko sartuta dauden gai errepikakorrak irakastea saihesteko.
Sortu kasu-azterketak IA erabiliz. Adibide klinikoen antzera, kasuetan oinarritutako ikaskuntzak kontzeptu abstraktuak indartu ditzake galdera klinikoekiko duten garrantzia azpimarratuz. Adibidez, tailer-azterketa batek Google-ren IA oinarritutako erretinopatia diabetikoa detektatzeko sistema aztertu zuen 13 laborategitik klinikara bidean dauden erronkak identifikatzeko, hala nola kanpoko balidazio-eskakizunak eta arauzko onarpen-bideak.
Erabili esperientziazko ikaskuntza: Trebetasun teknikoek praktika fokatua eta aplikazio errepikatua behar dituzte menperatzeko, praktikatzaile klinikoen txandakako ikaskuntza esperientzien antzera. Irtenbide posible bat ikasgela alderantzikatuaren eredua da, ingeniaritza hezkuntzan ezagutza atxikitzea hobetzen duela jakinarazi baita14. Eredu honetan, ikasleek material teorikoa modu independentean berrikusten dute eta klaseko denbora kasuen azterketaren bidez arazoak konpontzera bideratzen da.
Diziplina anitzeko parte-hartzaileentzako eskalatzea: IAren adopzioa hainbat diziplinatan lankidetzan aritzea aurreikusten dugu, besteak beste, medikuak eta prestakuntza maila desberdinak dituzten osasun-arloko profesionalak barne. Beraz, baliteke curriculumak departamentu ezberdinetako irakasleekin kontsultatu behar izatea, haien edukia osasun-arlo ezberdinetara egokitzeko.
Adimen artifiziala goi-mailako teknologiakoa da eta bere oinarrizko kontzeptuak matematikarekin eta informatikarekin lotuta daude. Osasun-langileak adimen artifiziala ulertzeko trebatzeak erronka bereziak ditu edukien aukeraketan, garrantzi klinikoan eta irakaskuntza-metodoetan. Espero dugu IA Hezkuntzan tailerretan lortutako ikuspegiek etorkizuneko hezitzaileei IA hezkuntza medikoan integratzeko modu berritzaileak hartzen lagunduko dietela.
Google Colaboratory Python script-a kode irekikoa da eta hemen eskuragarri dago: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG eta Khan, S. Medikuntza-hezkuntza birpentsatzea: ekintzarako deia. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG etab. Zer jakin behar dute medikuntza ikasleek benetan adimen artifizialaren inguruan? NPZh zenbakiak. Medicine 3, 1–3 (2020).
Dos Santos, DP, et al. Medikuntzako ikasleen jarrerak adimen artifizialarekiko: zentro anitzeko inkesta bat. EURO. erradiazioa. 29, 1640–1646 (2019).
Fan, KY, Hu, R., eta Singla, R. Sarrera makina-ikaskuntzara medikuntzako ikasleentzat: proiektu pilotu bat. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Buruko lesio baten ondoren garuneko lesio klinikoki esanguratsuak izateko arrisku oso txikia duten haurrak identifikatzea: prospektiboko kohorte-azterketa bat. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH eta Mangasarian, OL. Ezaugarri nuklearren erauzketa bularreko tumoreen diagnostikorako. Zientzia Biomedikoa. Irudien prozesamendua. Zientzia Biomedikoa. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. eta Peng, L. Nola garatu makina-ikaskuntzako ereduak osasungintzan. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: Sare sakonen interpretazio bisuala gradienteetan oinarritutako lokalizazioaren bidez. IEEE Nazioarteko Ikusmen Artifizialari buruzko Konferentziaren Aktak, 618–626 (2017).
Kumaravel B, Stewart K eta Ilic D. Medikuntzako graduko hezkuntzan OSCE erabiliz ebidentzian oinarritutako medikuntza gaitasunak ebaluatzeko espiral eredu baten garapena eta ebaluazioa. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB eta Garg PS Makina-ikaskuntza eta medikuntza-hezkuntza. 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 adimenaren eta adimen artifizialaren konbergentzia. Nat. medicine. 25, 44–56 (2019).
Bede, E. et al. Erretinopatia diabetikoa detektatzeko klinikan zabaldutako ikaskuntza sakoneko sistema baten ebaluazio gizaki-zentratua. 2020ko CHI Konferentziaren aktak, Informatika Sistemetan Giza Faktoreei buruz (2020).
Kerr, B. Ingeniaritza hezkuntzan alderantzizko ikasgela: ikerketa-berrikuspena. 2015eko Nazioarteko Ikaskuntza Interaktibo eta Lankidetzari buruzko Konferentziaren aktak (2015).
Egileek eskerrak eman nahi dizkiete Danielle Walkerri, Tim Salcudini eta Peter Zandstrari, British Columbia Unibertsitateko Biomedical Imaging and Artificial Intelligence Research Cluster-ekoak, laguntza eta finantzaketagatik.
RH, PP, ZH, RS eta MA izan ziren tailerreko irakaskuntza-edukia garatzeaz arduratu ziren. RH eta PP izan ziren programazio-adibideak garatzeaz arduratu ziren. KYF, OY, MT eta PW izan ziren proiektuaren antolaketa logistikoaz eta tailerren analisiaz arduratu ziren. RH, OY, MT eta RS izan ziren irudiak eta taulak sortzeaz arduratu ziren. RH, KYF, PP, ZH, OY, MY, PW, TL, MA eta RS izan ziren dokumentua idatzi eta editatzeaz arduratu ziren.
Communication Medicine-k eskerrak eman dizkie Carolyn McGregorri, Fabio Moraesi eta Aditya Borakatiri lan honen berrikuspenean egindako ekarpenengatik.
Argitaratze data: 2024ko otsailaren 19a