Nature.com saytına daxil olduğunuz üçün təşəkkür edirik. İstifadə etdiyiniz brauzerin versiyasında CSS dəstəyi məhduddur. Ən yaxşı nəticələr üçün brauzerinizin daha yeni versiyasından istifadə etməyi (və ya Internet Explorer-də uyğunluq rejimini söndürməyi) tövsiyə edirik. Bu vaxt ərzində davamlı dəstəyi təmin etmək üçün saytı stil və ya JavaScript olmadan göstəririk.
Klinik süni intellektin (Sİ) tətbiqləri sürətlə artır, lakin mövcud tibb məktəblərinin tədris planları bu sahəni əhatə edən məhdud tədris təklif edir. Burada biz Kanada tibb tələbələri üçün hazırladığımız və təqdim etdiyimiz süni intellekt təlim kursunu təsvir edir və gələcək təlim üçün tövsiyələr veririk.
Tibbdə süni intellekt (Sİ) iş yerinin səmərəliliyini artıra və klinik qərar qəbuletməyə kömək edə bilər. Süni intellektin istifadəsini təhlükəsiz şəkildə istiqamətləndirmək üçün həkimlər süni intellekt haqqında müəyyən anlayışa malik olmalıdırlar. Bir çox şərhlər Sİ modellərini və yoxlama proseslərini izah etmək kimi Sİ konsepsiyalarının1 öyrədilməsini müdafiə edir2. Bununla belə, xüsusilə milli səviyyədə az sayda strukturlaşdırılmış plan həyata keçirilib. Pinto dos Santos və digərləri3. 263 tibb tələbəsi arasında sorğu keçirilib və onların 71%-i süni intellekt üzrə təlimə ehtiyac duyduqları ilə razılaşıblar. Tibbi auditoriyaya süni intellektin öyrədilməsi, çox vaxt geniş əvvəlcədən biliklərə malik tələbələr üçün texniki və qeyri-texniki konsepsiyaları birləşdirən diqqətli dizayn tələb edir. Üç tibb tələbəsi qrupuna bir sıra Sİ seminarları keçirdiyimiz təcrübəmizi təsvir edirik və Sİ sahəsində gələcək tibbi təhsil üçün tövsiyələr veririk.
Tibb tələbələri üçün beş həftəlik "Tibbdə Süni İntellektə Giriş" seminarımız 2019-cu ilin fevral ayından 2021-ci ilin aprel ayına qədər üç dəfə keçirildi. Kursda dəyişikliklərin qısa təsviri ilə hər seminar üçün cədvəl Şəkil 1-də göstərilmişdir. Kursumuzun üç əsas təlim məqsədi var: tələbələr süni intellekt tətbiqlərində məlumatların necə emal olunduğunu başa düşürlər, klinik tətbiqlər üçün süni intellekt ədəbiyyatını təhlil edirlər və süni intellekti inkişaf etdirən mühəndislərlə əməkdaşlıq etmək imkanlarından yararlanırlar.
Mühazirənin mövzusu mavi, interaktiv sual-cavab dövrü isə açıq mavi rəngdir. Boz bölmə qısa ədəbiyyat icmalının əsas mövzusudur. Narıncı bölmələr süni intellekt modellərini və ya texnikalarını təsvir edən seçilmiş nümunə tədqiqatlarıdır. Yaşıl rəng süni intellektin klinik problemləri həll etmək və modelləri qiymətləndirmək üçün öyrədilməsi üçün hazırlanmış rəhbər proqramlaşdırma kursudur. Seminarların məzmunu və müddəti tələbələrin ehtiyaclarının qiymətləndirilməsinə əsasən dəyişir.
İlk seminar 2019-cu ilin fevral ayından aprel ayına qədər Britaniya Kolumbiyası Universitetində keçirildi və 8 iştirakçının hamısı müsbət rəy bildirdi4. COVID-19 səbəbindən ikinci seminar 2020-ci ilin oktyabr-noyabr aylarında virtual olaraq keçirildi və 8 Kanada tibb məktəbindən 222 tibb tələbəsi və 3 rezident qeydiyyatdan keçdi. Təqdimat slaydları və kodu açıq giriş saytına (http://ubcaimed.github.io) yükləndi. Birinci iterasiyadan əsas rəy mühazirələrin çox intensiv, materialın isə çox nəzəri olması idi. Kanadanın altı fərqli saat qurşağına xidmət etmək əlavə çətinliklər yaradır. Beləliklə, ikinci seminar hər sessiyanı 1 saata qədər qısaltdı, kurs materialını sadələşdirdi, daha çox iş nümunəsi əlavə etdi və iştirakçılara kod parçalarını minimal ayıklama ilə tamamlamağa imkan verən standart proqramlar yaratdı (Qutu 1). İkinci iterasiyadan əsas rəylərə proqramlaşdırma məşqləri ilə bağlı müsbət rəylər və maşın öyrənməsi layihəsi üçün planlaşdırmanı nümayiş etdirmək istəyi daxil idi. Buna görə də, 2021-ci ilin mart-aprel aylarında 126 tibb tələbəsi üçün virtual olaraq keçirilən üçüncü seminarımızda seminar konsepsiyalarının layihələrə təsirini nümayiş etdirmək üçün daha interaktiv kodlaşdırma çalışmaları və layihə rəy sessiyaları daxil etdik.
Məlumatların Təhlili: Məlumat nümunələrini təhlil etmək, emal etmək və çatdırmaqla məlumatlardakı mənalı nümunələri müəyyən edən statistika sahəsində bir tədqiqat sahəsi.
Məlumatların çıxarılması: məlumatların müəyyən edilməsi və çıxarılması prosesi. Süni intellekt kontekstində bu, çox vaxt böyük olur və hər nümunə üçün çoxsaylı dəyişənlər olur.
Ölçülülük azaldılması: Orijinal məlumat dəstinin vacib xüsusiyyətlərini qoruyarkən bir çox fərdi xüsusiyyətə malik məlumatların daha az xüsusiyyətə çevrilməsi prosesi.
Xüsusiyyətlər (süni intellekt kontekstində): nümunənin ölçülə bilən xüsusiyyətləri. Tez-tez "xüsusiyyət" və ya "dəyişkən" ilə əvəz olunur.
Qradiyent Aktivləşdirmə Xəritəsi: Süni intellekt modellərini (xüsusən də konvolyusion neyron şəbəkələrini) şərh etmək üçün istifadə olunan bir texnika, yüksək dərəcədə proqnozlaşdırıcı olan məlumat və ya görüntü bölgələrini müəyyən etmək üçün şəbəkənin son hissəsinin optimallaşdırılması prosesini təhlil edir.
Standart Model: Oxşar tapşırıqları yerinə yetirmək üçün əvvəlcədən təlim keçmiş mövcud süni intellekt modeli.
Test (süni intellekt kontekstində): bir modelin əvvəllər rastlaşmadığı məlumatlardan istifadə edərək bir tapşırığı necə yerinə yetirdiyini müşahidə etmək.
Təlim (süni intellekt kontekstində): Modelin yeni məlumatlardan istifadə edərək tapşırıqları yerinə yetirmək qabiliyyətini optimallaşdırmaq üçün daxili parametrlərini tənzimləməsi üçün bir modelə məlumatlar və nəticələr təqdim etmək.
Vektor: verilənlər massivi. Maşın öyrənməsində hər bir massiv elementi adətən nümunənin unikal xüsusiyyətidir.
Cədvəl 1-də hər bir mövzu üçün hədəflənmiş təlim məqsədləri də daxil olmaqla, 2021-ci ilin aprel ayı üçün ən son kurslar sadalanır. Bu seminar texniki səviyyəyə yeni başlayanlar üçün nəzərdə tutulub və bakalavr tibb dərəcəsinin birinci ilindən başqa heç bir riyazi bilik tələb etmir. Kurs 6 tibb tələbəsi və mühəndislik üzrə qabaqcıl dərəcəyə malik 3 müəllim tərəfindən hazırlanmışdır. Mühəndislər süni intellekt nəzəriyyəsini tədris etmək üçün inkişaf etdirir və tibb tələbələri klinik cəhətdən müvafiq materialları öyrənirlər.
Seminarlara mühazirələr, hal tədqiqatları və rəhbər proqramlaşdırma daxildir. Birinci mühazirədə biostatistikada məlumatların təhlilinin seçilmiş konsepsiyalarını, o cümlədən məlumatların vizuallaşdırılmasını, logistik reqressiyanı və təsviri və induktiv statistikanın müqayisəsini nəzərdən keçiririk. Məlumatların təhlili süni intellektin əsasını təşkil etsə də, məlumatların çıxarılması, əhəmiyyət testi və ya interaktiv vizuallaşdırma kimi mövzuları istisna edirik. Bu, vaxt məhdudiyyətləri və həmçinin bəzi bakalavr tələbələrinin biostatistika üzrə əvvəlcədən təlim keçmələri və daha unikal maşın öyrənmə mövzularını əhatə etmək istəmələri ilə bağlı idi. Növbəti mühazirədə müasir metodlar təqdim olunur və süni intellekt probleminin formalaşdırılması, süni intellekt modellərinin üstünlükləri və məhdudiyyətləri, eləcə də model testi müzakirə olunur. Mühazirələr mövcud süni intellekt cihazları üzrə ədəbiyyat və praktik tədqiqatlarla tamamlanır. Mövcud süni intellekt cihazlarının məhdudiyyətlərini anlamaq da daxil olmaqla, klinik sualları həll etmək üçün modelin effektivliyini və mümkünlüyünü qiymətləndirmək üçün tələb olunan bacarıqları vurğulayırıq. Məsələn, tələbələrdən Kupperman və digərləri tərəfindən təklif edilən pediatrik baş zədəsi qaydalarını şərh etmələrini xahiş etdik. Bu qaydalar KT müayinəsinin həkim müayinəsinə əsasən faydalı olub-olmadığını müəyyən etmək üçün süni intellekt qərar ağacı alqoritmini tətbiq edir. Vurğulayırıq ki, bu, həkimlərin əvəz edilməsi əvəzinə, həkimlərin şərh etməsi üçün süni intellekt tərəfindən proqnozlaşdırıcı analitika təmin edən ümumi bir nümunədir.
Mövcud açıq mənbəli bootstrap proqramlaşdırma nümunələrində (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), kəşfiyyat məlumatlarının təhlili, ölçülərin azaldılması, standart modelin yüklənməsi və təlimi və sınaqlarının necə aparılacağını nümayiş etdiririk. Python kodunun veb brauzerdən icrasına imkan verən Google Colaboratory noutbuklarından (Google LLC, Mountain View, CA) istifadə edirik. Şəkil 2-də proqramlaşdırma çalışmasının nümunəsi verilmişdir. Bu çalışma, Viskonsin Açıq Döş Görüntüləmə Məlumat Dəsti6 və qərar ağacı alqoritmindən istifadə edərək bədxassəli şişlərin proqnozlaşdırılmasını əhatə edir.
Həftə ərzində əlaqəli mövzular üzrə proqramlar təqdim edin və dərc olunmuş süni intellekt tətbiqlərindən nümunələr seçin. Proqramlaşdırma elementləri yalnız gələcək klinik təcrübəyə dair məlumat vermək üçün müvafiq hesab edildikdə, məsələn, modellərin klinik sınaqlarda istifadəyə hazır olub-olmadığını müəyyən etmək üçün necə qiymətləndiriləcəyi kimi hallarda daxil edilir. Bu nümunələr, tibbi görüntü parametrlərinə əsasən şişləri xoşxassəli və ya bədxassəli kimi təsnif edən tam hüquqlu bir tətbiqdə nəticələnir.
Əvvəlki biliklərin heterojenliyi. İştirakçılarımız riyazi bilik səviyyələrinə görə müxtəlif idilər. Məsələn, qabaqcıl mühəndislik təcrübəsinə malik tələbələr öz Furye çevirmələrini necə yerinə yetirmək kimi daha dərin material axtarırlar. Lakin, sinifdə Furye alqoritmini müzakirə etmək mümkün deyil, çünki bu, siqnal emalı haqqında dərin bilik tələb edir.
Davamiyyət axını. Xüsusilə onlayn formatlarda təkrar görüşlərdə iştirak azalıb. Həll yolu davamiyyəti izləmək və bitirmə sertifikatı vermək ola bilər. Tibb məktəblərinin tələbələrin dərsdənkənar akademik fəaliyyətlərinin transkriptlərini tanıdığı məlumdur ki, bu da tələbələri dərəcə almağa təşviq edə bilər.
Kurs Dizaynı: Süni intellekt bir çox alt sahəni əhatə etdiyindən, müvafiq dərinlik və genişlikdəki əsas konsepsiyaların seçilməsi çətin ola bilər. Məsələn, laboratoriyadan klinikaya qədər süni intellekt alətlərinin istifadəsinin davamlılığı vacib bir mövzudur. Məlumatların əvvəlcədən işlənməsi, model qurulması və təsdiqlənməsini əhatə etsək də, böyük məlumatların analitikası, interaktiv vizuallaşdırma və ya süni intellekt klinik sınaqlarının aparılması kimi mövzuları əhatə etmirik, bunun əvəzinə ən unikal süni intellekt konsepsiyalarına diqqət yetiririk. Əsas prinsipimiz bacarıqları deyil, savadlılığı artırmaqdır. Məsələn, modelin giriş xüsusiyyətlərini necə emal etdiyini anlamaq şərh olunma üçün vacibdir. Bunu etməyin bir yolu, məlumatların hansı bölgələrinin proqnozlaşdırıla biləcəyini vizuallaşdıra bilən qradiyent aktivləşdirmə xəritələrindən istifadə etməkdir. Lakin bu, çoxdəyişkənli hesablama tələb edir və tətbiq edilə bilməz8. Ortaq bir terminologiya hazırlamaq çətin idi, çünki riyazi formalizm olmadan məlumatlarla vektor kimi necə işləməyi izah etməyə çalışırdıq. Qeyd edək ki, fərqli terminlər eyni mənaya malikdir, məsələn, epidemiologiyada "xarakterik" "dəyişkən" və ya "atribut" kimi təsvir olunur.
Biliklərin yadda saxlanması. Süni intellekt tətbiqi məhdud olduğundan, iştirakçıların bilikləri nə dərəcədə yadda saxlayacağı hələlik məlum deyil. Tibb məktəblərinin tədris planları praktiki rotasiyalar zamanı bilikləri möhkəmləndirmək üçün tez-tez fasiləli təkrarlamaya əsaslanır və bu da süni intellekt təhsilinə də tətbiq oluna bilər.
Peşəkarlıq savadlılıqdan daha vacibdir. Materialın dərinliyi riyazi dəqiqlik olmadan hazırlanmışdır ki, bu da süni intellekt üzrə klinik kursların başlaması zamanı problem yaradırdı. Proqramlaşdırma nümunələrində iştirakçılara tam bir proqramlaşdırma mühitinin necə qurulacağını anlamadan sahələri doldurmağa və proqramı işlətməyə imkan verən şablon proqramından istifadə edirik.
Süni intellektlə bağlı narahatlıqlar aradan qaldırıldı: Süni intellektin bəzi klinik vəzifələri əvəz edə biləcəyi ilə bağlı geniş yayılmış narahatlıqlar mövcuddur3. Bu məsələni həll etmək üçün süni intellektin məhdudiyyətlərini, o cümlədən tənzimləyicilər tərəfindən təsdiqlənmiş demək olar ki, bütün süni intellekt texnologiyalarının həkim nəzarəti tələb etməsini izah edirik11. Həmçinin alqoritmlər, xüsusən də məlumat dəsti müxtəlif deyilsə, qərəzliliyə meylli olduğundan qərəzin vacibliyini vurğulayırıq12. Nəticə etibarilə, müəyyən bir alt qrup səhv modelləşdirilə bilər ki, bu da ədalətsiz klinik qərarlara səbəb ola bilər.
Resurslar ictimaiyyət üçün açıqdır: Mühazirə slaydları və kod da daxil olmaqla ictimaiyyət üçün açıq resurslar yaratmışıq. Sinxron məzmuna giriş vaxt zonalarına görə məhdud olsa da, süni intellekt təcrübəsi bütün tibb məktəblərində mövcud olmadığı üçün açıq mənbəli məzmun asinxron öyrənmə üçün əlverişli bir üsuldur.
Fənlərarası Əməkdaşlıq: Bu seminar tibb tələbələri tərəfindən mühəndislərlə birlikdə kurslar planlaşdırmaq üçün təşəbbüs edilən birgə müəssisədir. Bu, hər iki sahədə əməkdaşlıq imkanlarını və bilik boşluqlarını nümayiş etdirir və iştirakçılara gələcəkdə töhfə verə biləcəkləri potensial rolu anlamağa imkan verir.
Süni intellekt əsas kompetensiyalarını müəyyənləşdirin. Kompetensiyaların siyahısının müəyyən edilməsi mövcud səriştəyə əsaslanan tibbi tədris planlarına inteqrasiya edilə bilən standartlaşdırılmış bir struktur təmin edir. Bu seminar hazırda Blum Taksonomiyasının 2-ci (Anlama), 3-cü (Tətbiqi) və 4-cü (Təhlil) Öyrənmə Məqsəd Səviyyələrindən istifadə edir. Layihələr yaratmaq kimi daha yüksək təsnifat səviyyələrində resurslara sahib olmaq biliyi daha da gücləndirə bilər. Bu, süni intellekt mövzularının klinik iş axınlarına necə tətbiq oluna biləcəyini müəyyən etmək və standart tibbi tədris planlarına artıq daxil edilmiş təkrarlanan mövzuların tədrisinin qarşısını almaq üçün klinik mütəxəssislərlə işləməyi tələb edir.
Süni intellektdən istifadə edərək hal tədqiqatları yaradın. Klinik nümunələrə bənzər şəkildə, hal əsaslı öyrənmə mücərrəd anlayışları klinik suallarla əlaqəliliyini vurğulamaqla gücləndirə bilər. Məsələn, bir seminar tədqiqatında laboratoriyadan klinikaya gedən yolda xarici validasiya tələbləri və tənzimləyici təsdiq yolları kimi çətinlikləri müəyyən etmək üçün Google-ın süni intellekt əsaslı diabetik retinopatiya aşkarlama sistemi 13 təhlil edilmişdir.
Təcrübə əsaslı öyrənmədən istifadə edin: Texniki bacarıqlar, klinik təcrübəçilərin fırlanan öyrənmə təcrübələrinə bənzər şəkildə, mənimsəmək üçün diqqətli təcrübə və təkrarlanan tətbiq tələb edir. Potensial həll yollarından biri mühəndislik təhsilində biliklərin yadda saxlanılmasını yaxşılaşdırdığı bildirilən çevrilmiş sinif modelidir14. Bu modeldə tələbələr nəzəri materialları müstəqil şəkildə nəzərdən keçirirlər və dərs vaxtı problemlərin hal-əsaslı tədqiqatlar vasitəsilə həllinə həsr olunur.
Çoxsahəli iştirakçılar üçün miqyaslandırma: Biz süni intellektdən istifadəni müxtəlif səviyyəli təlimlərə malik həkimlər və səhiyyə mütəxəssisləri də daxil olmaqla bir çox sahə üzrə əməkdaşlığı əhatə edən bir layihə kimi təsəvvür edirik. Buna görə də, tədris planlarının məzmununu səhiyyənin müxtəlif sahələrinə uyğunlaşdırmaq üçün müxtəlif şöbələrdən olan müəllim heyəti ilə məsləhətləşmələr aparılaraq hazırlanması lazım gələ bilər.
Süni intellekt yüksək texnologiyalı bir sahədir və onun əsas konsepsiyaları riyaziyyat və kompüter elmləri ilə bağlıdır. Səhiyyə işçilərinin süni intellekti anlamaları üçün təlim keçməsi məzmun seçimində, klinik aktuallıqda və çatdırılma metodlarında unikal çətinliklər yaradır. Ümid edirik ki, Təhsildə Süni İntellekt seminarlarından əldə edilən məlumatlar gələcək müəllimlərə süni intellekti tibbi təhsilə inteqrasiya etməyin innovativ yollarını mənimsəməyə kömək edəcək.
Google Colaboratory Python skripti açıq mənbəlidir və https://github.com/ubcaimed/ubcaimed.github.io/tree/master/ linkində mövcuddur.
Prober, KG və Khan, S. Tibbi təhsilin yenidən düşünülməsi: hərəkətə çağırış. Akkad. tibb. 88, 1407–1410 (2013).
McCoy, LG və s. Tibb tələbələrinin süni intellekt haqqında həqiqətən nə bilmələri lazımdır? NPZh rəqəmləri. Tibb 3, 1–3 (2020).
Dos Santos, DP və b. Tibb tələbələrinin süni intellektə münasibəti: çoxmərkəzli bir sorğu. EURO. Radiasiya. 29, 1640–1646 (2019).
Fan, KY, Hu, R. və Singla, R. Tibb tələbələri üçün maşın öyrənməsinə giriş: pilot layihə. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N və b. Baş zədəsindən sonra klinik cəhətdən əhəmiyyətli beyin zədələnməsi riski çox aşağı olan uşaqların müəyyən edilməsi: perspektivli kohort tədqiqatı. Lancet 374, 1160–1170 (2009).
Küçə, WN, Wolberg, WH və Mangasarian, OL. Döş şişinin diaqnozu üçün nüvə xüsusiyyətinin çıxarılması. Biotibbi Elm. Təsvir emalı. Biotibbi Elm. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. və Peng, L. Səhiyyə üçün maşın öyrənmə modelləri necə inkişaf etdirilir. Nat. Matthew 18, 410–414 (2019).
Selvaraju, RR və b. Grad-cam: Qradiyent əsaslı lokalizasiya vasitəsilə dərin şəbəkələrin vizual interpretasiyası. IEEE Kompüter Görmə üzrə Beynəlxalq Konfransının materialları, 618–626 (2017).
Kumaravel B, Stewart K və Ilic D. Bakalavr tibb təhsilində ATƏT-dən istifadə edərək sübutlara əsaslanan tibb bacarıqlarının qiymətləndirilməsi üçün spiral modelin hazırlanması və qiymətləndirilməsi. BMK Tibb. tədris. 21, 1–9 (2021).
Kolachalama VB və Garg PS Maşın öyrənməsi və tibbi təhsil. NPZh nömrələri. tibb. 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. and de Rooy, M. Radiologiyada süni intellekt: 100 kommersiya məhsulu və onların elmi sübutları. AVRO. radiasiya. 31, 3797–3804 (2021).
Topol, EJ Yüksək effektiv tibb: insan və süni intellektin konvergensiyası. Təbii tibb. 25, 44–56 (2019).
Bede, E. və b. Diabetik retinopatiyanın aşkarlanması üçün klinikada tətbiq olunan dərin öyrənmə sisteminin insan mərkəzli qiymətləndirilməsi. Hesablama Sistemlərində İnsan Faktorları üzrə 2020-ci il CHI Konfransının materialları (2020).
Kerr, B. Mühəndislik təhsilində çevrilmiş sinif otağı: Tədqiqat icmalı. 2015-ci il İnteraktiv Əməkdaşlıqlı Təlim üzrə Beynəlxalq Konfransın materialları (2015).
Müəlliflər dəstəyə və maliyyələşdirməyə görə Britaniya Kolumbiyası Universitetinin Biotibbi Görüntüləmə və Süni İntellekt Tədqiqat Klasterindən Danielle Walker, Tim Salcudin və Peter Zandstraya təşəkkür edirlər.
RH, PP, ZH, RS və MA seminarın tədris məzmununun hazırlanmasına cavabdeh idilər. RH və PP proqramlaşdırma nümunələrinin hazırlanmasına cavabdeh idilər. KYF, OY, MT və PW layihənin logistika təşkilinə və seminarların təhlilinə cavabdeh idilər. RH, OY, MT, RS rəqəm və cədvəllərin yaradılmasına cavabdeh idilər. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS sənədin hazırlanmasına və redaktəsinə cavabdeh idilər.
Communication Medicine bu işin icmalına verdikləri töhfələrə görə Kerolin Makqreqor, Fabio Moraes və Aditya Borakatiyə təşəkkür edir.
Yayımlanma vaxtı: 19 Fevral 2024