المنظور الكندي حول تدريس الذكاء الاصطناعي لطلاب الطب

شكرا لك على زيارة nature.com. إن إصدار المستعرض الذي تستخدمه له دعم محدود CSS. للحصول على أفضل النتائج ، نوصي باستخدام إصدار أحدث من متصفحك (أو إيقاف تشغيل وضع التوافق في Internet Explorer). في غضون ذلك ، لضمان الدعم المستمر ، نعرض الموقع دون تصميم أو JavaScript.
تنمو تطبيقات الذكاء الاصطناعي السريري (AI) بسرعة ، لكن مناهج كلية الطب الحالية توفر تعليمًا محدودًا تغطي هذا المجال. هنا وصفنا دورة تدريبية للذكاء الاصطناعي قمنا بتطويرها وتوصيلها لطلاب الطب الكندي ونقدم توصيات للتدريب المستقبلي.
يمكن للذكاء الاصطناعي (AI) في الطب تحسين كفاءة مكان العمل ومساعدة اتخاذ القرارات السريرية. لتوجيه استخدام الذكاء الاصطناعي بأمان ، يجب أن يكون لدى الأطباء بعض الفهم للذكاء الاصطناعي. العديد من التعليقات تدافع عن تدريس مفاهيم الذكاء الاصطناعي 1 ، مثل شرح نماذج الذكاء الاصطناعى وعمليات التحقق 2. ومع ذلك ، تم تنفيذ عدد قليل من الخطط المنظمة ، خاصة على المستوى الوطني. Pinto Dos Santos et al.3. تم مسح 263 طالبًا من طلاب الطب ووافق 71 ٪ على أنهم يحتاجون إلى التدريب في الذكاء الاصطناعي. يتطلب تدريس الذكاء الاصطناعي لجمهور طبي تصميمًا دقيقًا يجمع بين المفاهيم الفنية وغير الفنية للطلاب الذين غالبًا ما يكون لديهم معرفة مسبقة واسعة النطاق. وصفنا تجربتنا في تقديم سلسلة من ورش عمل منظمة العفو الدولية لثلاث مجموعات من طلاب الطب ونقدم توصيات للتعليم الطبي المستقبلي في الذكاء الاصطناعي.
تم عرض مقدمةنا لمدة خمسة أسابيع في ورشة عمل الذكاء الاصطناعي في الطب لطلاب الطب ثلاث مرات بين فبراير 2019 وأبريل 2021. ثلاثة أهداف للتعلم الأساسي: يفهم الطلاب كيفية معالجة البيانات في تطبيقات الذكاء الاصطناعي ، وتحليل أدبيات الذكاء الاصطناعي للتطبيقات السريرية ، والاستفادة من الفرص للتعاون مع المهندسين الذين يطورون الذكاء الاصطناعي.
الأزرق هو موضوع المحاضرة والأزرق الفاتح هو فترة السؤال التفاعلي والإجابة. القسم الرمادي هو محور مراجعة الأدب الموجز. يتم اختيار أقسام Orange دراسات حالة تصف نماذج أو تقنيات الذكاء الاصطناعي. Green عبارة عن دورة برمجة موجهة مصممة لتعليم الذكاء الاصطناعي لحل المشكلات السريرية وتقييم النماذج. يختلف محتوى ومدة ورش العمل بناءً على تقييم احتياجات الطلاب.
أقيمت ورشة العمل الأولى في جامعة كولومبيا البريطانية من فبراير إلى أبريل 2019 ، وقدم جميع المشاركين الثمانية ردود فعل إيجابية 4. بسبب Covid-19 ، عقدت ورشة العمل الثانية تقريبًا في أكتوبر-نوفمبر 2020 ، مع 222 طالبًا من طلاب الطب و 3 من المقيمين من 8 كليات طبية كندية تسجلوا. تم تحميل شرائح العرض والرمز إلى موقع وصول مفتوح (http://ubcaimed.github.io). كانت ردود الفعل الرئيسية من التكرار الأول هي أن المحاضرات كانت شديدة للغاية والمواد نظرية للغاية. إن تقديم المناطق الزمنية الست المختلفة في كندا تشكل تحديات إضافية. وبالتالي ، قامت ورشة العمل الثانية بتقصير كل جلسة إلى ساعة واحدة ، وتبحلت مادة الدورة التدريبية ، وأضافت المزيد من دراسات الحالة ، وإنشاء برامج Boilerplate التي سمحت للمشاركين بإكمال مقتطفات التعليمات البرمجية مع الحد الأدنى من تصحيح الأخطاء (المربع 1). تضمنت ردود الفعل الرئيسية من التكرار الثاني ردود فعل إيجابية على تمارين البرمجة وطلب لإظهار التخطيط لمشروع التعلم الآلي. لذلك ، في ورشة عملنا الثالثة ، التي عقدت فعليًا لـ 126 طالبًا في الطب في مارس-أبريل 2021 ، قمنا بتضمين المزيد من تمارين الترميز التفاعلية وجلسات ملاحظات المشروع لإظهار تأثير استخدام مفاهيم ورشة العمل على المشاريع.
تحليل البيانات: مجال الدراسة في الإحصاءات التي تحدد أنماط ذات معنى في البيانات من خلال تحليل أنماط البيانات ومعالجتها وتوصيلها.
استخراج البيانات: عملية تحديد البيانات واستخراجها. في سياق الذكاء الاصطناعي ، غالبًا ما يكون هذا كبيرًا ، مع متغيرات متعددة لكل عينة.
تقليل الأبعاد: عملية تحويل البيانات مع العديد من الميزات الفردية إلى عدد أقل من الميزات مع الحفاظ على الخصائص المهمة لمجموعة البيانات الأصلية.
الخصائص (في سياق الذكاء الاصطناعي): خصائص قابلة للقياس للعينة. غالبًا ما تستخدم بالتبادل مع "خاصية" أو "متغير".
خريطة تنشيط التدرج: تقنية تستخدم لتفسير نماذج الذكاء الاصطناعي (وخاصة الشبكات العصبية التلافيفية) ، والتي تحلل عملية تحسين الجزء الأخير من الشبكة لتحديد مناطق البيانات أو الصور التي تتنبأ بدرجة كبيرة.
النموذج القياسي: نموذج الذكاء الاصطناعي الحالي الذي تم تدريبه مسبقًا لأداء مهام مماثلة.
الاختبار (في سياق الذكاء الاصطناعي): مراقبة كيفية قيام النموذج بمهمة باستخدام البيانات التي لم يواجهها من قبل.
التدريب (في سياق الذكاء الاصطناعي): تزويد النموذج بالبيانات والنتائج بحيث يقوم النموذج بضبط معلماته الداخلية لتحسين قدرته على أداء المهام باستخدام بيانات جديدة.
المتجه: مجموعة من البيانات. في التعلم الآلي ، عادة ما يكون كل عنصر صفيف ميزة فريدة للعينة.
يسرد الجدول 1 أحدث الدورات في أبريل 2021 ، بما في ذلك أهداف التعلم المستهدفة لكل موضوع. تهدف ورشة العمل هذه لأولئك الجدد إلى المستوى الفني ولا تتطلب أي معرفة رياضية تتجاوز السنة الأولى من درجة البكالوريوس الطبية. تم تطوير الدورة من قبل 6 طلاب طب و 3 معلمين مع درجات متقدمة في الهندسة. يقوم المهندسون بتطوير نظرية الذكاء الاصطناعي للتدريس ، ويتعلم طلاب الطب المواد ذات الصلة سريريًا.
تشمل ورش العمل محاضرات ودراسات حالة وبرمجة موجهة. في المحاضرة الأولى ، نراجع مفاهيم محددة لتحليل البيانات في الإحصاء الحيوي ، بما في ذلك تصور البيانات ، والانحدار اللوجستي ، ومقارنة الإحصاءات الوصفية والاستقرائية. على الرغم من أن تحليل البيانات هو أساس الذكاء الاصطناعي ، إلا أننا نستبعد مواضيع مثل استخراج البيانات أو اختبار الأهمية أو التصور التفاعلي. كان هذا بسبب قيود الوقت وأيضًا لأن بعض الطلاب الجامعيين حصلوا على تدريب مسبق في الإحصاء الحيوي وأرادوا تغطية المزيد من مواضيع التعلم الآلي الفريدة. تقدم المحاضرة اللاحقة أساليب حديثة وتناقش صياغة مشكلة منظمة العفو الدولية ومزايا وقيود نماذج الذكاء الاصطناعى ، واختبار النماذج. تحكم المحاضرات بالأدب والبحث العملي على أجهزة الذكاء الاصطناعي القائمة. نؤكد على المهارات اللازمة لتقييم فعالية وجدوى نموذج لمعالجة الأسئلة السريرية ، بما في ذلك فهم قيود أجهزة الذكاء الاصطناعي القائمة. على سبيل المثال ، طلبنا من الطلاب تفسير إرشادات إصابة رأس الأطفال التي اقترحتها Kupperman et al. ، 5 التي نفذت خوارزمية شجرة قرار الذكاء الاصطناعي لتحديد ما إذا كان الفحص المقطعية سيكون مفيدًا بناءً على فحص الطبيب. نؤكد أن هذا مثال شائع على توفير تحليلات تنبؤية للأطباء ، بدلاً من استبدال الأطباء.
في أمثلة برمجة Bootstrap مفتوحة المصدر المتاحة (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) ، فإننا نوضح كيفية إجراء تحليل البيانات الاستكشافية ، وخفض الأبعاد ، وتحميل النموذج القياسي ، . والاختبار. نستخدم أجهزة الكمبيوتر المحمولة Google Colaboratory (Google LLC ، Mountain View ، CA) ، والتي تسمح بتنفيذ رمز Python من متصفح الويب. في الشكل 2 ، يقدم الشكل 2 مثالًا على تمرين البرمجة. يتضمن هذا التمرين التنبؤ بالأورام الخبيثة باستخدام مجموعة بيانات تصوير الثدي المفتوحة في ويسكونسن 6 وخوارزمية شجرة القرار.
تقدم البرامج على مدار الأسبوع حول الموضوعات ذات الصلة واختيار أمثلة من تطبيقات الذكاء الاصطناعي المنشورة. يتم تضمين عناصر البرمجة فقط إذا كانت تعتبر ذات صلة بتوفير نظرة ثاقبة على الممارسة السريرية المستقبلية ، مثل كيفية تقييم النماذج لتحديد ما إذا كانت مستعدة للاستخدام في التجارب السريرية. تتوج هذه الأمثلة بتطبيق كامل إلى النهاية يصنف الأورام على أنها حميدة أو خبيثة بناءً على معلمات الصورة الطبية.
عدم تجانس المعرفة السابقة. تباين المشاركون لدينا في مستوى معرفتهم الرياضية. على سبيل المثال ، يبحث الطلاب الذين لديهم خلفيات هندسية متقدمة عن المزيد من المواد المتعمقة ، مثل كيفية إجراء تحويلات فورييه الخاصة بهم. ومع ذلك ، فإن مناقشة خوارزمية فورييه في الفصل غير ممكن لأنها تتطلب معرفة متعمقة بمعالجة الإشارات.
تدفق الحضور. انخفض الحضور في اجتماعات المتابعة ، وخاصة في التنسيقات عبر الإنترنت. قد يكون الحل هو تتبع الحضور وتقديم شهادة الانتهاء. من المعروف أن كليات الطب تتعرف على نصوص الأنشطة الأكاديمية اللامنهجية للطلاب ، والتي يمكن أن تشجع الطلاب على متابعة شهادة.
تصميم الدورة: لأن الذكاء الاصطناعي يمتد على العديد من الحقول الفرعية ، فإن اختيار المفاهيم الأساسية للعمق المناسبين والاتساع يمكن أن يكون تحديًا. على سبيل المثال ، تعتبر استمرارية استخدام أدوات الذكاء الاصطناعي من المختبر إلى العيادة موضوعًا مهمًا. على الرغم من أننا نغطي المعالجة المسبقة للبيانات وبناء النماذج والتحقق من الصحة ، فإننا لا ندرج مواضيع مثل تحليلات البيانات الضخمة ، أو التصور التفاعلي ، أو إجراء تجارب سريرية منظمة العفو الدولية ، بدلاً من ذلك ، نركز على مفاهيم الذكاء الاصطناعى الفريدة. مبدأنا التوجيهي هو تحسين محو الأمية ، وليس المهارات. على سبيل المثال ، فهم كيفية معالجة النموذج ميزات الإدخال أمر مهم للتفسير. طريقة واحدة للقيام بذلك هي استخدام خرائط تنشيط التدرج ، والتي يمكن أن تصور مناطق البيانات التي يمكن التنبؤ بها. ومع ذلك ، فإن هذا يتطلب حساب التفاضل والتكامل متعدد المتغيرات ولا يمكن تقديمه 8. كان تطوير مصطلحات مشتركة أمرًا صعبًا لأننا كنا نحاول شرح كيفية العمل مع البيانات كمتجهات بدون شكلية رياضية. لاحظ أن المصطلحات المختلفة لها نفس المعنى ، على سبيل المثال ، في علم الأوبئة ، يتم وصف "خاصية" بأنها "متغير" أو "سمة".
الاحتفاظ بالمعرفة. نظرًا لأن تطبيق الذكاء الاصطناعى محدود ، يبقى المدى الذي يحتفظ به المشاركون المعرفة في أن نرى. غالبًا ما تعتمد مناهج كلية الطب على التكرار المتباعد لتعزيز المعرفة أثناء الدورات العملية ، 9 والتي يمكن تطبيقها أيضًا على تعليم الذكاء الاصطناعي.
الاحتراف أكثر أهمية من محو الأمية. تم تصميم عمق المادة دون دقة رياضية ، والتي كانت مشكلة عند إطلاق دورات سريرية في الذكاء الاصطناعي. في أمثلة البرمجة ، نستخدم برنامج قالب يسمح للمشاركين بملء الحقول وتشغيل البرنامج دون الحاجة إلى معرفة كيفية إعداد بيئة برمجة كاملة.
المخاوف بشأن الذكاء الاصطناعي الذي تم تناوله: هناك قلق واسع النطاق من أن الذكاء الاصطناعي يمكن أن يحل محل بعض الواجبات السريرية 3. لمعالجة هذه المسألة ، نوضح القيود المفروضة على الذكاء الاصطناعي ، بما في ذلك حقيقة أن جميع تقنيات الذكاء الاصطناعى المعتمدين من قبل المنظمين تتطلب إشراف الطبيب 11. نؤكد أيضًا على أهمية التحيز لأن الخوارزميات عرضة للتحيز ، خاصة إذا لم تكن مجموعة البيانات متنوعة 12. وبالتالي ، قد يتم تصميم مجموعة فرعية معينة بشكل غير صحيح ، مما يؤدي إلى قرارات سريرية غير عادلة.
الموارد متاحة للجمهور: لقد أنشأنا الموارد المتاحة للجمهور ، بما في ذلك شرائح المحاضرات والرمز. على الرغم من أن الوصول إلى المحتوى المتزامن محدود بسبب المناطق الزمنية ، فإن المحتوى المفتوح المصدر هو وسيلة مريحة للتعلم غير المتزامن لأن خبرة الذكاء الاصطناعى غير متوفرة في جميع كليات الطب.
التعاون متعدد التخصصات: ورشة العمل هذه هي مشروع مشترك بدأه طلاب الطب لتخطيط الدورات التدريبية مع المهندسين. هذا يدل على فرص التعاون وفجوات المعرفة في كلا المجالين ، مما يسمح للمشاركين بفهم الدور المحتمل الذي يمكنهم المساهمة في المستقبل.
تحديد الكفاءات الأساسية الذكاء الاصطناعي. يوفر تحديد قائمة الكفاءات بنية موحدة يمكن دمجها في المناهج الطبية القائمة على الكفاءة. تستخدم ورشة العمل هذه حاليًا مستويات هدف التعلم 2 (الفهم) و 3 (تطبيق) و 4 (تحليل) لتصنيف بلوم. إن وجود موارد في مستويات أعلى من التصنيف ، مثل إنشاء المشاريع ، يمكن أن يعزز المعرفة. يتطلب ذلك العمل مع الخبراء السريريين لتحديد كيفية تطبيق موضوعات الذكاء الاصطناعى على تدفقات العمل السريرية ومنع تدريس الموضوعات المتكررة بالفعل في المناهج الطبية القياسية.
إنشاء دراسات حالة باستخدام الذكاء الاصطناعي. على غرار الأمثلة السريرية ، يمكن أن يعزز التعلم القائم على الحالات المفاهيم التجريدية من خلال تسليط الضوء على أهميتها للأسئلة السريرية. على سبيل المثال ، قامت إحدى دراسة ورشة العمل بتحليل نظام الكشف عن اعتلال الشبكية السكري من Google القائم على الذكاء الاصطناعي 13 لتحديد التحديات على طول المسار من المختبر إلى العيادة ، مثل متطلبات التحقق من الصحة الخارجية ومسارات الموافقة التنظيمية.
استخدم التعلم التجريبي: تتطلب المهارات الفنية ممارسة مركزة وتطبيق متكرر لإتقان ، على غرار تجارب التعلم الدوارة للمتدربين السريريين. أحد الحلول المحتملة هو نموذج الفصل الدراسي المقلوب ، والذي تم الإبلاغ عنه لتحسين الاحتفاظ بالمعرفة في التعليم الهندسي 14. في هذا النموذج ، يقوم الطلاب بمراجعة المواد النظرية بشكل مستقل ويكرس وقت الفصل لحل المشكلات من خلال دراسات الحالة.
التحجيم للمشاركين متعدد التخصصات: نحن نتصور اعتماد الذكاء الاصطناعي يتضمن التعاون عبر تخصصات متعددة ، بما في ذلك الأطباء والمهنيين الصحيين المتحالفين مع مستويات مختلفة من التدريب. لذلك ، قد يلزم تطوير المناهج الدراسية بالتشاور مع أعضاء هيئة التدريس من أقسام مختلفة لتكييف محتواها إلى مجالات مختلفة من الرعاية الصحية.
الذكاء الاصطناعي عالي التقنية ومفاهيمها الأساسية مرتبطة بالرياضيات وعلوم الكمبيوتر. يقدم تدريب موظفي الرعاية الصحية على فهم الذكاء الاصطناعي تحديات فريدة في اختيار المحتوى ، والأهمية السريرية ، وطرق التسليم. نأمل أن تساعد الرؤى المكتسبة من منظمة العفو الدولية في ورش العمل التعليمية المعلمين في المستقبل على تبني طرق مبتكرة لدمج الذكاء الاصطناعي في التعليم الطبي.
برنامج Python Python Google مفتوح المصدر ومتاح على: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober ، KG and Khan ، S. Rethinking Education Medical: A Call to Action. أكاد. الدواء. 88 ، 1407-1410 (2013).
McCoy ، LG وما إلى ذلك. ماذا يحتاج طلاب الطب حقًا إلى معرفته عن الذكاء الاصطناعي؟ أرقام NPZH. الطب 3 ، 1-3 (2020).
دوس سانتوس ، موانئ دبي ، وآخرون. مواقف طلاب الطب تجاه الذكاء الاصطناعي: مسح متعدد المراكز. اليورو. إشعاع. 29 ، 1640-1646 (2019).
Fan و KY و Hu و R. و Singla ، R. مقدمة للتعلم الآلي لطلاب الطب: مشروع تجريبي. J. Med. علم. 54 ، 1042-1043 (2020).
Cooperman N ، وآخرون. تحديد الأطفال المعرضين لخطر الإصابة بالإكراه سريريًا بعد إصابة في الرأس: دراسة الأتراب المحتملين. Lancet 374 ، 1160–1170 (2009).
Street ، WN ، Wolberg ، WH and Mangasarian ، OL. استخراج الميزة النووية لتشخيص ورم الثدي. العلوم الطبية الحيوية. معالجة الصور. العلوم الطبية الحيوية. فايس. 1905 ، 861–870 (1993).
Chen ، PHC ، Liu ، Y. and Peng ، L. كيفية تطوير نماذج التعلم الآلي للرعاية الصحية. نات. مات. 18 ، 410–414 (2019).
Selvaraju ، RR et al. Grad-Cam: التفسير البصري للشبكات العميقة عبر التوطين القائم على التدرج. وقائع المؤتمر الدولي IEEE حول رؤية الكمبيوتر ، 618-626 (2017).
Kumaravel B و Stewart K و Ilic D. تطوير وتقييم نموذج حلزوني لتقييم كفاءات الطب القائمة على الأدلة باستخدام OSCE في التعليم الطبي الجامعي. الطب BMK. علم. 21 ، 1-9 (2021).
Kolachalama VB و Garg PS التعلم الآلي والتعليم الطبي. أرقام NPZH. الدواء. 1 ، 1-3 (2018).
Van Leeuwen ، KG ، Schalekamp ، S. ، Rutten ، MJ ، Van Ginneken ، B. and De Rooy ، M. الذكاء الاصطناعي في الأشعة: 100 منتج تجاري وأدلة علمية. اليورو. إشعاع. 31 ، 3797–3804 (2021).
Topol ، EJ الطب عالي الأداء: تقارب الذكاء البشري والاصطناعي. نات. الدواء. 25 ، 44-56 (2019).
Bede ، E. et al. التقييم الذي يركز على الإنسان لنظام التعلم العميق الذي تم نشره في العيادة للكشف عن اعتلال الشبكية السكري. وقائع مؤتمر CHI لعام 2020 حول العوامل البشرية في أنظمة الحوسبة (2020).
Kerr ، B. الفصول الدراسية المقلوبة في التعليم الهندسي: مراجعة بحثية. وقائع المؤتمر الدولي لعام 2015 للتعلم التعاوني التفاعلي (2015).
يشكر المؤلفون دانييل ووكر وتيم سالكودين وبيتر زانسترا من مجموعة الأبحاث الطبية الحيوية والبحوث الذكية في جامعة كولومبيا البريطانية على الدعم والتمويل.
كانت RH و PP و ZH و RS و MA مسؤولة عن تطوير محتوى تدريس ورشة العمل. كان RH و PP مسؤولين عن تطوير أمثلة البرمجة. كانت KYF و OY و MT و PW مسؤولة عن التنظيم اللوجستي للمشروع وتحليل ورش العمل. كانت RH ، OY ، MT ، RS مسؤولة عن إنشاء الأرقام والجداول. كانت RH ، KYF ، PP ، ZH ، OY ، MY ، PW ، TL ، MA ، RS مسؤولة عن صياغة الوثيقة وتحريرها.
يشكر الطب في الاتصال كارولين ماكجريجور ، فابيو مورا ، وأديتيا بوراكاتي على مساهماتهم في مراجعة هذا العمل.