Nature.com saytına daxil olduğunuz üçün təşəkkür edirik.İstifadə etdiyiniz brauzer versiyasında məhdud CSS dəstəyi var.Ən yaxşı nəticələr üçün brauzerinizin daha yeni versiyasından istifadə etməyi (və ya Internet Explorer-də uyğunluq rejimini söndürməyi) tövsiyə edirik.Bu arada, davamlı dəstəyi təmin etmək üçün saytı üslub və ya JavaScript olmadan göstəririk.
Kliniki süni intellektin (AI) tətbiqləri sürətlə artır, lakin mövcud tibb fakültəsi kurikulumları bu sahəni əhatə edən məhdud tədris təklif edir.Burada biz hazırladığımız və Kanadalı tibb tələbələrinə təqdim etdiyimiz süni intellekt təlim kursunu təsvir edirik və gələcək təlimlər üçün tövsiyələr veririk.
Tibbdə süni intellekt (AI) iş yerinin səmərəliliyini artıra və klinik qərarların qəbuluna kömək edə bilər.Süni intellektin istifadəsinə təhlükəsiz rəhbərlik etmək üçün həkimlər süni intellekt haqqında müəyyən anlayışa malik olmalıdırlar.Bir çox şərhlər süni intellekt modellərinin və yoxlama proseslərinin2 izahı kimi AI konsepsiyalarının1 öyrədilməsinin tərəfdarıdır.Bununla belə, az strukturlaşdırılmış planlar, xüsusən də milli səviyyədə həyata keçirilib.Pinto dos Santos et al.3.263 tibb tələbəsi sorğuda iştirak etdi və 71% onların süni intellekt üzrə təlimə ehtiyacı olduğunu bildirdi.Tibbi auditoriyaya süni intellektin öyrədilməsi tez-tez geniş əvvəlki biliyə malik olan tələbələr üçün texniki və qeyri-texniki anlayışları birləşdirən diqqətli dizayn tələb edir.Biz üç qrup tibb tələbələrinə bir sıra AI seminarları keçirmək təcrübəmizi təsvir edirik və AI üzrə gələcək tibbi təhsil üçün tövsiyələr veririk.
Tibb tələbələri üçün beş həftəlik “Tibbdə Süni İntellektə Giriş” seminarımız 2019-cu ilin fevralından 2021-ci ilin aprelinə qədər üç dəfə keçirildi. Kursa edilən dəyişikliklərin qısa təsviri ilə hər bir seminar üçün cədvəl Şəkil 1-də göstərilmişdir. Kursumuz üç əsas təlim məqsədi: tələbələr süni intellekt tətbiqlərində verilənlərin necə işləndiyini başa düşür, klinik tətbiqlər üçün süni intellekt ədəbiyyatını təhlil edir və süni intellekt inkişaf etdirən mühəndislərlə əməkdaşlıq imkanlarından yararlanır.
Mavi mühazirənin mövzusudur, açıq mavi isə interaktiv sual-cavab dövrüdür.Boz bölmə qısa ədəbiyyat icmalının diqqət mərkəzindədir.Narıncı hissələr süni intellekt modellərini və ya texnikalarını təsvir edən seçilmiş nümunə tədqiqatlarıdır.Green klinik problemləri həll etmək və modelləri qiymətləndirmək üçün süni intellektə öyrətmək üçün nəzərdə tutulmuş rəhbər proqramlaşdırma kursudur.Seminarların məzmunu və müddəti tələbə ehtiyaclarının qiymətləndirilməsi əsasında dəyişir.
İlk seminar 2019-cu ilin fevral-aprel ayları arasında British Columbia Universitetində keçirildi və bütün 8 iştirakçı müsbət rəy bildirdi4.COVID-19 səbəbiylə ikinci seminar faktiki olaraq 2020-ci ilin oktyabr-noyabr aylarında keçirildi, burada 222 tibb tələbəsi və 8 Kanada tibb məktəbindən 3 rezident qeydiyyatdan keçdi.Təqdimat slaydları və kodu açıq giriş saytına (http://ubcaimed.github.io) yüklənib.İlk təkrarlamanın əsas rəyi mühazirələrin çox gərgin və materialın çox nəzəri olması idi.Kanadanın altı fərqli saat qurşağına xidmət göstərmək əlavə problemlər yaradır.Beləliklə, ikinci seminar hər sessiyanı 1 saata qədər qısaltdı, kurs materialını sadələşdirdi, daha çox nümunə araşdırmaları əlavə etdi və iştirakçılara minimum sazlama ilə kod parçalarını tamamlamağa imkan verən yüksək səviyyəli proqramlar yaratdı (Qutu 1).İkinci iterasiyanın əsas rəyinə proqramlaşdırma məşqləri ilə bağlı müsbət rəy və maşın öyrənməsi layihəsi üçün planlaşdırmanın nümayiş etdirilməsi tələbi daxildir.Buna görə də, 2021-ci ilin mart-aprel aylarında virtual olaraq 126 tibb tələbəsi üçün keçirilən üçüncü seminarımıza seminar konsepsiyalarından istifadənin layihələrə təsirini nümayiş etdirmək üçün daha çox interaktiv kodlaşdırma məşqləri və layihə ilə bağlı rəy sessiyaları daxil etdik.
Məlumatların Təhlili: Məlumat nümunələrini təhlil edərək, emal edərək və çatdırmaqla məlumatlarda mənalı nümunələri müəyyən edən statistikada bir araşdırma sahəsi.
Data mining: məlumatların müəyyən edilməsi və çıxarılması prosesi.Süni intellekt kontekstində bu, hər bir nümunə üçün çoxlu dəyişənlərlə çox vaxt böyük olur.
Ölçülərin azaldılması: Bir çox fərdi xüsusiyyətlərə malik məlumatların orijinal məlumat dəstinin vacib xüsusiyyətlərini qoruyaraq daha az xüsusiyyətlərə çevirmə prosesi.
Xüsusiyyətlər (süni intellekt kontekstində): nümunənin ölçülə bilən xüsusiyyətləri.Tez-tez "mülk" və ya "dəyişən" ilə əvəz olunur.
Gradient Aktivləşdirmə Xəritəsi: Süni intellekt modellərini (xüsusilə konvolyusiya neyron şəbəkələri) şərh etmək üçün istifadə edilən texnika, yüksək proqnozlaşdırılan məlumat və ya şəkillərin regionlarını müəyyən etmək üçün şəbəkənin son hissəsinin optimallaşdırılması prosesini təhlil edir.
Standart Model: Oxşar vəzifələri yerinə yetirmək üçün əvvəlcədən təlim keçmiş mövcud AI modeli.
Test (süni intellekt kontekstində): bir modelin əvvəllər qarşılaşmadığı verilənlərdən istifadə edərək tapşırığı necə yerinə yetirdiyini müşahidə etmək.
Təlim (süni intellekt kontekstində): Modelin yeni verilənlərdən istifadə edərək tapşırıqları yerinə yetirmək qabiliyyətini optimallaşdırmaq üçün daxili parametrlərini tənzimləməsi üçün modelin verilənlər və nəticələrlə təmin edilməsi.
Vektor: verilənlər massivi.Maşın öyrənməsində hər massiv elementi adətən nümunənin unikal xüsusiyyətidir.
Cədvəl 1-də hər bir mövzu üçün hədəflənmiş təlim məqsədləri daxil olmaqla, 2021-ci ilin aprel ayı üçün ən son kurslar verilmişdir.Bu seminar texniki səviyyəyə yeni başlayanlar üçün nəzərdə tutulub və tibb üzrə bakalavr dərəcəsinin birinci ilindən sonra heç bir riyazi bilik tələb etmir.Kurs 6 tibb tələbəsi və mühəndislik üzrə yüksək səviyyəli 3 müəllim tərəfindən hazırlanmışdır.Mühəndislər öyrətmək üçün süni intellekt nəzəriyyəsini inkişaf etdirirlər və tibb tələbələri klinik cəhətdən uyğun materialı öyrənirlər.
Seminarlara mühazirələr, nümunə araşdırmaları və rəhbər proqramlaşdırma daxildir.Birinci mühazirədə biz biostatistikada verilənlərin vizuallaşdırılması, logistik reqressiya və təsviri və induktiv statistikanın müqayisəsi daxil olmaqla seçilmiş verilənlərin təhlili konsepsiyalarını nəzərdən keçiririk.Verilənlərin təhlili süni intellektin əsasını təşkil etsə də, biz məlumatların öyrənilməsi, əhəmiyyət testi və ya interaktiv vizuallaşdırma kimi mövzuları istisna edirik.Bu, vaxt məhdudiyyətləri və həmçinin bəzi bakalavr tələbələrinin biostatistika üzrə əvvəlcədən təlim keçməsi və daha unikal maşın öyrənmə mövzularını əhatə etmək istəməsi ilə əlaqədar idi.Sonrakı mühazirə müasir metodları təqdim edir və AI problemlərinin formalaşdırılması, AI modellərinin üstünlükləri və məhdudiyyətləri və model testindən bəhs edir.Mühazirələr ədəbiyyat və mövcud süni intellekt cihazları üzrə praktiki tədqiqatlarla tamamlanır.Mövcud süni intellekt cihazlarının məhdudiyyətlərini başa düşmək də daxil olmaqla, klinik sualları həll etmək üçün modelin effektivliyini və mümkünlüyünü qiymətləndirmək üçün tələb olunan bacarıqları vurğulayırıq.Məsələn, biz tələbələrdən Kupperman və digərləri tərəfindən təklif olunan uşaq kəllə-beyin travması təlimatlarını şərh etmələrini xahiş etdik.Biz vurğulayırıq ki, bu, həkimləri əvəz etmək əvəzinə, həkimlərin şərh etmələri üçün proqnozlaşdırıcı analitika təmin edən süni intellektin ümumi nümunəsidir.
Mövcud açıq mənbə bootstrap proqramlaşdırma nümunələrində (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) biz kəşfiyyat xarakterli məlumatların təhlilini, ölçülərin azaldılmasını, standart model yüklənməsini və təlimi necə həyata keçirəcəyimizi nümayiş etdiririk. .və sınaq.Biz Python kodunu veb brauzerdən icra etməyə imkan verən Google Colaboratory noutbuklarından (Google LLC, Mountain View, CA) istifadə edirik.Şəkildə Şəkil 2 proqramlaşdırma məşğələsinin nümunəsini təqdim edir.Bu məşq Wisconsin Open Breast Imaging Dataset6 və qərar ağacı alqoritmindən istifadə edərək bədxassəli xəstəliklərin proqnozlaşdırılmasını əhatə edir.
Həftə ərzində əlaqəli mövzularda proqramlar təqdim edin və dərc edilmiş AI tətbiqlərindən nümunələr seçin.Proqramlaşdırma elementləri yalnız o halda daxil edilir ki, onlar gələcək klinik praktikaya dair fikir təmin etmək üçün uyğun hesab edilir, məsələn, klinik sınaqlarda istifadəyə hazır olub-olmadığını müəyyən etmək üçün modelləri necə qiymətləndirmək.Bu nümunələr tibbi görüntü parametrlərinə əsasən şişləri yaxşı və ya bədxassəli kimi təsnif edən tam hüquqlu uç-to-end tətbiqi ilə yekunlaşır.
Əvvəlki biliklərin heterojenliyi.İştirakçılarımız riyazi bilik səviyyələrinə görə fərqləndilər.Məsələn, qabaqcıl mühəndislik təcrübəsi olan tələbələr öz Furye transformasiyalarını necə yerinə yetirmək kimi daha dərin material axtarırlar.Bununla belə, Furye alqoritmini sinifdə müzakirə etmək mümkün deyil, çünki siqnalın işlənməsi haqqında dərin bilik tələb edir.
Davamiyyət axını.Növbəti görüşlərdə iştirak, xüsusən də onlayn formatlarda azaldı.Həll yolu davamiyyəti izləmək və bitirmə sertifikatı təqdim etmək ola bilər.Tibb fakültələrinin tələbələrin dərsdənkənar akademik fəaliyyətlərinin transkriptlərini tanıması məlumdur ki, bu da tələbələri dərəcə almağa təşviq edə bilər.
Kursun dizaynı: Süni intellekt çox sayda alt sahəni əhatə etdiyi üçün müvafiq dərinlik və genişliyin əsas konsepsiyalarını seçmək çətin ola bilər.Məsələn, AI alətlərinin laboratoriyadan klinikaya qədər istifadəsinin davamlılığı mühüm mövzudur.Biz verilənlərin ilkin emalı, modelin qurulması və təsdiqlənməsini əhatə etsək də, biz böyük verilənlərin analitikası, interaktiv vizuallaşdırma və ya AI klinik sınaqlarının aparılması kimi mövzuları daxil etmirik, bunun əvəzinə ən unikal AI konsepsiyalarına diqqət yetiririk.Bizim rəhbər prinsipimiz bacarıqları deyil, savadlılığı artırmaqdır.Məsələn, modelin daxiletmə xüsusiyyətlərini necə emal etdiyini başa düşmək şərh edilə bilməsi üçün vacibdir.Bunu etmənin bir yolu, məlumatların hansı bölgələrinin proqnozlaşdırıla biləcəyini vizuallaşdıra bilən gradient aktivləşdirmə xəritələrindən istifadə etməkdir.Bununla belə, bu, çoxdəyişənli hesablama tələb edir və tətbiq edilə bilməz8.Ümumi terminologiyanın hazırlanması çətin idi, çünki biz riyazi formalizm olmadan vektor kimi verilənlərlə necə işləməyi izah etməyə çalışırdıq.Qeyd edək ki, müxtəlif terminlər eyni məna daşıyır, məsələn, epidemiologiyada “xarakterik” “dəyişən” və ya “atribut” kimi təsvir olunur.
Biliyin saxlanması.Süni intellektin tətbiqi məhdud olduğundan, iştirakçıların biliyi nə dərəcədə saxlaması hələ də görünməkdədir.Tibb fakültəsinin kurikulumları praktiki rotasiyalar zamanı bilikləri möhkəmləndirmək üçün tez-tez fasilələrlə təkrarlanan təkrarlara əsaslanır ki, bu da AI təhsilinə tətbiq edilə bilər.
Peşəkarlıq savaddan daha vacibdir.Materialın dərinliyi riyazi ciddilik olmadan tərtib edilmişdir ki, bu da süni intellekt üzrə klinik kursların başlanması zamanı problem idi.Proqramlaşdırma nümunələrində biz iştirakçılara tam proqramlaşdırma mühitinin necə qurulacağını anlamadan sahələri doldurmağa və proqram təminatını işə salmağa imkan verən şablon proqramdan istifadə edirik.
Süni intellektlə bağlı narahatlıqlar aradan qaldırıldı: Süni intellektin bəzi klinik vəzifələri əvəz edə biləcəyi ilə bağlı geniş yayılmış narahatlıq var3.Bu problemi həll etmək üçün biz süni intellektin məhdudiyyətlərini, o cümlədən tənzimləyicilər tərəfindən təsdiqlənən demək olar ki, bütün AI texnologiyalarının həkim nəzarətini tələb etməsi faktını izah edirik11.Biz həmçinin qərəzliliyin vacibliyini vurğulayırıq, çünki alqoritmlər qərəzliyə meyllidir, xüsusən də verilənlər toplusu müxtəlif deyilsə12.Nəticədə, müəyyən bir alt qrup səhv modelləşdirilə bilər və bu, ədalətsiz klinik qərarlara səbəb ola bilər.
Resurslar ictimaiyyət üçün əlçatandır: Biz mühazirə slaydları və kodlar daxil olmaqla, ictimaiyyətə açıq resurslar yaratmışıq.Sinxron məzmuna giriş vaxt zonalarına görə məhdud olsa da, açıq mənbə məzmunu asinxron öyrənmə üçün əlverişli üsuldur, çünki AI təcrübəsi bütün tibb məktəblərində mövcud deyil.
Fənlərarası əməkdaşlıq: Bu seminar mühəndislərlə birlikdə kursları planlaşdırmaq üçün tibb tələbələri tərəfindən yaradılmış birgə müəssisədir.Bu, hər iki sahədə əməkdaşlıq imkanlarını və bilik boşluqlarını nümayiş etdirir və iştirakçılara gələcəkdə töhfə verə biləcəkləri potensial rolu anlamağa imkan verir.
AI əsas bacarıqlarını müəyyənləşdirin.Bacarıqlar siyahısının müəyyən edilməsi, mövcud səriştələrə əsaslanan tibbi kurikulumlara inteqrasiya oluna bilən standartlaşdırılmış struktur təmin edir.Bu seminar hazırda Bloom Taksonomiyasının 2-ci (Anlama), 3-cü (Tətbiq) və 4-cü (Təhlil) Tədris Məqsədi Səviyyələrindən istifadə edir.Layihələrin yaradılması kimi daha yüksək təsnifat səviyyələrində resurslara malik olmaq biliyi daha da gücləndirə bilər.Bu, AI mövzularının klinik iş axınlarına necə tətbiq oluna biləcəyini müəyyən etmək üçün klinik ekspertlərlə işləməyi və artıq standart tibbi kurikulumlara daxil edilmiş təkrarlanan mövzuların tədrisinin qarşısının alınmasını tələb edir.
Süni intellektdən istifadə edərək nümunələr yaradın.Klinik nümunələrə bənzər şəkildə, vəziyyətə əsaslanan öyrənmə mücərrəd anlayışları onların klinik suallara uyğunluğunu vurğulamaqla gücləndirə bilər.Məsələn, bir seminar tədqiqatı xarici təsdiqləmə tələbləri və tənzimləyici təsdiq yolları kimi laboratoriyadan klinikaya gedən yolda çətinlikləri müəyyən etmək üçün Google-un süni intellektə əsaslanan diabetik retinopatiya aşkarlama sistemini 13 təhlil etdi.
Təcrübəli öyrənmədən istifadə edin: Texniki bacarıqlar, kliniki kursantların fırlanan öyrənmə təcrübələrinə bənzər, diqqətli təcrübə və master üçün təkrar tətbiq tələb edir.Potensial həll yollarından biri, mühəndislik təhsilində biliklərin saxlanmasını yaxşılaşdırdığı bildirilən çevrilmiş sinif modelidir14.Bu modeldə tələbələr nəzəri materialı müstəqil şəkildə nəzərdən keçirirlər və dərs vaxtı keys araşdırmaları vasitəsilə problemlərin həllinə həsr olunur.
Multidissiplinar iştirakçılar üçün miqyas: Biz müxtəlif səviyyələrdə təlim keçmiş həkimlər və müttəfiq səhiyyə işçiləri də daxil olmaqla, bir çox fənlər üzrə əməkdaşlığı əhatə edən AI qəbulunu nəzərdə tuturuq.Buna görə də, kurikulumların məzmununu səhiyyənin müxtəlif sahələrinə uyğunlaşdırmaq üçün müxtəlif kafedraların professor-müəllim heyəti ilə məsləhətləşmələr əsasında işlənib hazırlanması tələb oluna bilər.
Süni intellekt yüksək texnologiyalıdır və onun əsas anlayışları riyaziyyat və kompüter elmləri ilə bağlıdır.Səhiyyə işçilərinə süni intellekti başa düşmək üçün təlim məzmun seçimi, klinik uyğunluq və çatdırılma üsullarında unikal problemlər yaradır.Ümid edirik ki, Təhsil seminarlarında süni intellektdən əldə olunan fikirlər gələcək müəllimlərə AI-ni tibbi təhsilə inteqrasiya etmək üçün innovativ yolları mənimsəməyə kömək edəcək.
Google Colaboratory Python skripti açıq mənbədir və burada mövcuddur: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG və Khan, S. Tibbi təhsili yenidən düşünmək: fəaliyyətə çağırış.Akkad.dərman.88, 1407–1410 (2013).
McCoy, LG və s. Tibb tələbələri həqiqətən süni intellekt haqqında nə bilməlidirlər?NPZh nömrələri.Tibb 3, 1–3 (2020).
Dos Santos, DP, et al.Tibb tələbələrinin süni intellektə münasibəti: çoxmərkəzli sorğu.AVRO.radiasiya.29, 1640–1646 (2019).
Fan, KY, Hu, R. və Singla, R. Tibb tələbələri üçün maşın öyrənməsinə giriş: pilot layihə.J. Med.öyrətmək.54, 1042–1043 (2020).
Cooperman N, et al.Baş zədəsindən sonra klinik cəhətdən əhəmiyyətli beyin zədəsi riski çox aşağı olan uşaqların müəyyən edilməsi: perspektivli kohort tədqiqatı.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH və Mangasarian, OL.Döş şişinin diaqnozu üçün nüvə xüsusiyyətinin çıxarılması.Biotibbi Elm.Şəkil emalı.Biotibbi Elm.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. and Peng, L. Səhiyyə üçün maşın öyrənmə modellərini necə inkişaf etdirmək olar.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR və başqaları.Grad-cam: Qradient əsaslı lokalizasiya vasitəsilə dərin şəbəkələrin vizual şərhi.Kompüter Görmə üzrə IEEE Beynəlxalq Konfransının materialları, 618–626 (2017).
Kumaravel B, Stewart K və Ilic D. Bakalavr tibb təhsilində ATƏT-dən istifadə edərək sübuta əsaslanan tibb səriştələrinin qiymətləndirilməsi üçün spiral modelin hazırlanması və qiymətləndirilməsi.BMK Tibb.öyrətmək.21, 1–9 (2021).
Kolachalama VB və Garg PS Maşın öyrənməsi və tibbi təhsil.NPZh nömrələri.dərman.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 performanslı tibb: insan və süni intellektin yaxınlaşması.Nat.dərman.25, 44–56 (2019).
Bede, E. et al.Diabetik retinopatiyanın aşkarlanması üçün klinikada yerləşdirilmiş dərin öyrənmə sisteminin insan mərkəzli qiymətləndirilməsi.Hesablama Sistemlərində İnsan Faktorları üzrə 2020 CHI Konfransının materialları (2020).
Kerr, B. Mühəndislik təhsilində çevrilmiş sinif otağı: Tədqiqat icmalı.İnteraktiv Birgə Öyrənmə üzrə 2015 Beynəlxalq Konfransının materialları (2015).
Müəlliflər dəstək və maliyyə dəstəyi üçün Britaniya Kolumbiyası Universitetində Biotibbi Görüntüləmə və Süni İntellekt Tədqiqat Klasterindən Danielle Uoker, 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 maddi-texniki təminatına və seminarların təhlilinə cavabdeh idilər.Şəkillərin və cədvəllərin yaradılmasına RH, OY, MT, RS cavabdeh idi.Sənədin hazırlanması və redaktə edilməsinə RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS cavabdeh idi.
Communication Medicine Carolyn McGregor, Fabio Moraes və Aditya Borakati-yə bu işin nəzərdən keçirilməsinə verdiyi töhfələrə görə təşəkkür edir.
Göndərmə vaxtı: 19 fevral 2024-cü il