نشكركم على زيارة موقع Nature.com. يُعاني متصفحكم من محدودية دعم CSS. للحصول على أفضل النتائج، نوصي باستخدام إصدار أحدث من متصفحكم (أو تعطيل وضع التوافق في Internet Explorer). في هذه الأثناء، ولضمان استمرار الدعم، نعرض الموقع بدون تنسيق أو جافا سكريبت.
تتزايد تطبيقات الذكاء الاصطناعي السريري بوتيرة متسارعة، إلا أن المناهج الدراسية الحالية في كليات الطب لا تُغطي هذا المجال بشكل كافٍ. نقدم هنا وصفًا لدورة تدريبية في الذكاء الاصطناعي قمنا بتطويرها وتقديمها لطلاب الطب الكنديين، ونُقدم توصيات لبرامج تدريبية مستقبلية.
يمكن للذكاء الاصطناعي في الطب أن يُحسّن كفاءة العمل ويُساعد في اتخاذ القرارات السريرية. ولتوجيه استخدام الذكاء الاصطناعي بشكل آمن، يجب أن يمتلك الأطباء فهمًا أساسيًا له. تُشير العديد من الدراسات إلى ضرورة تدريس مفاهيم الذكاء الاصطناعي، مثل شرح نماذجه وعمليات التحقق منه. ومع ذلك، لم تُطبّق سوى خطط مُنظّمة قليلة، لا سيما على المستوى الوطني. أجرى بينتو دوس سانتوس وزملاؤه دراسة استقصائية شملت 263 طالبًا في كلية الطب، وأقرّ 71% منهم بحاجتهم إلى تدريب في مجال الذكاء الاصطناعي. يتطلب تدريس الذكاء الاصطناعي للأطباء تصميمًا دقيقًا يجمع بين المفاهيم التقنية وغير التقنية، مُراعيًا احتياجات الطلاب الذين غالبًا ما يمتلكون معرفة مُسبقة واسعة في هذا المجال. نُقدّم في هذه الدراسة تجربتنا في تقديم سلسلة من ورش العمل حول الذكاء الاصطناعي لثلاث مجموعات من طلاب الطب، ونُقدّم توصيات لتطوير التعليم الطبي في هذا المجال مستقبلًا.
عُقدت ورشة عملنا التمهيدية حول الذكاء الاصطناعي في الطب، والتي استمرت خمسة أسابيع، لطلاب الطب ثلاث مرات بين فبراير 2019 وأبريل 2021. يوضح الشكل 1 جدول كل ورشة عمل، مع وصف موجز للتغييرات التي طرأت على الدورة. تتضمن دورتنا ثلاثة أهداف تعليمية رئيسية: فهم الطلاب لكيفية معالجة البيانات في تطبيقات الذكاء الاصطناعي، وتحليل أدبيات الذكاء الاصطناعي للتطبيقات السريرية، والاستفادة من فرص التعاون مع المهندسين الذين يطورون الذكاء الاصطناعي.
اللون الأزرق هو موضوع المحاضرة، والأزرق الفاتح مخصص لفترة الأسئلة والأجوبة التفاعلية. أما القسم الرمادي فيركز على مراجعة موجزة للأدبيات. بينما تتضمن الأقسام البرتقالية دراسات حالة مختارة تصف نماذج أو تقنيات الذكاء الاصطناعي. أما القسم الأخضر فهو دورة برمجة موجهة مصممة لتعليم الذكاء الاصطناعي لحل المشكلات السريرية وتقييم النماذج. يختلف محتوى ورش العمل ومدتها بناءً على تقييم احتياجات الطلاب.
عُقدت ورشة العمل الأولى في جامعة كولومبيا البريطانية من فبراير إلى أبريل 2019، وقدّم جميع المشاركين الثمانية آراءً إيجابية.4 ونظرًا لجائحة كوفيد-19، عُقدت ورشة العمل الثانية افتراضيًا في أكتوبر ونوفمبر 2020، حيث سجّل فيها 222 طالب طب و3 أطباء مقيمين من 8 كليات طب كندية. وقد تم تحميل شرائح العرض التقديمي والبرمجيات على موقع مفتوح الوصول (http://ubcaimed.github.io). كانت أبرز الملاحظات من الدورة الأولى هي أن المحاضرات كانت مكثفة للغاية والمادة نظرية أكثر من اللازم. كما أن مراعاة اختلاف المناطق الزمنية في كندا ست مرات يُمثل تحديات إضافية. لذا، قامت ورشة العمل الثانية بتقليص مدة كل جلسة إلى ساعة واحدة، وتبسيط محتوى الدورة، وإضافة المزيد من دراسات الحالة، وإنشاء برامج نموذجية تُمكّن المشاركين من إكمال أجزاء من التعليمات البرمجية بأقل قدر من التصحيح (المربع 1). تضمنت أبرز الملاحظات من الدورة الثانية آراءً إيجابية حول تمارين البرمجة وطلبًا لعرض تخطيط مشروع تعلّم آلي. لذلك، في ورشة العمل الثالثة التي عقدناها افتراضياً لـ 126 طالب طب في مارس-أبريل 2021، قمنا بتضمين المزيد من تمارين البرمجة التفاعلية وجلسات التغذية الراجعة للمشاريع لتوضيح تأثير استخدام مفاهيم ورشة العمل على المشاريع.
تحليل البيانات: مجال دراسة في الإحصاء يحدد الأنماط ذات الدلالة في البيانات من خلال تحليل ومعالجة وتوصيل أنماط البيانات.
التنقيب عن البيانات: عملية تحديد البيانات واستخراجها. وفي سياق الذكاء الاصطناعي، غالباً ما تكون هذه البيانات ضخمة، وتتضمن متغيرات متعددة لكل عينة.
تقليل الأبعاد: عملية تحويل البيانات ذات الميزات الفردية الكثيرة إلى عدد أقل من الميزات مع الحفاظ على الخصائص المهمة لمجموعة البيانات الأصلية.
الخصائص (في سياق الذكاء الاصطناعي): الخصائص القابلة للقياس لعينة ما. غالباً ما تستخدم بشكل متبادل مع "الخاصية" أو "المتغير".
خريطة تنشيط التدرج: تقنية تستخدم لتفسير نماذج الذكاء الاصطناعي (وخاصة الشبكات العصبية الالتفافية)، والتي تحلل عملية تحسين الجزء الأخير من الشبكة لتحديد مناطق البيانات أو الصور التي تتمتع بقدرة تنبؤية عالية.
النموذج القياسي: نموذج ذكاء اصطناعي موجود تم تدريبه مسبقًا لأداء مهام مماثلة.
الاختبار (في سياق الذكاء الاصطناعي): مراقبة كيفية أداء النموذج لمهمة ما باستخدام بيانات لم يسبق له أن واجهها من قبل.
التدريب (في سياق الذكاء الاصطناعي): تزويد النموذج بالبيانات والنتائج بحيث يقوم النموذج بتعديل معاييره الداخلية لتحسين قدرته على أداء المهام باستخدام البيانات الجديدة.
المتجه: مصفوفة من البيانات. في مجال التعلم الآلي، يمثل كل عنصر من عناصر المصفوفة عادةً سمة فريدة للعينة.
يُبيّن الجدول 1 أحدث الدورات التدريبية لشهر أبريل 2021، بما في ذلك أهداف التعلّم المحددة لكل موضوع. هذه الورشة مُخصصة للمبتدئين في المستوى التقني، ولا تتطلب أي معرفة رياضية تتجاوز السنة الأولى من دراسة الطب. وقد طُوّرت الدورة من قِبل ستة طلاب طب وثلاثة أساتذة حاصلين على شهادات عليا في الهندسة. يعمل المهندسون على تطوير نظرية الذكاء الاصطناعي لتدريسها، بينما يتعلم طلاب الطب مواد ذات صلة سريرية.
تتضمن ورش العمل محاضرات ودراسات حالة وبرمجة موجهة. في المحاضرة الأولى، نستعرض مفاهيم مختارة من تحليل البيانات في الإحصاء الحيوي، بما في ذلك تمثيل البيانات بصريًا، والانحدار اللوجستي، ومقارنة الإحصاء الوصفي والإحصائي الاستقرائي. على الرغم من أن تحليل البيانات هو أساس الذكاء الاصطناعي، إلا أننا نستبعد مواضيع مثل استخراج البيانات، واختبار الدلالة الإحصائية، أو التمثيل التفاعلي للبيانات. ويعود ذلك إلى ضيق الوقت، بالإضافة إلى أن بعض طلاب المرحلة الجامعية لديهم تدريب سابق في الإحصاء الحيوي ويرغبون في تغطية مواضيع أكثر تخصصًا في مجال تعلم الآلة. تقدم المحاضرة التالية أساليب حديثة وتناقش صياغة مشكلات الذكاء الاصطناعي، ومزايا وقيود نماذج الذكاء الاصطناعي، واختبار النماذج. تُستكمل المحاضرات بمراجع وأبحاث عملية حول أجهزة الذكاء الاصطناعي الحالية. نؤكد على المهارات اللازمة لتقييم فعالية وجدوى النموذج في معالجة المسائل السريرية، بما في ذلك فهم قيود أجهزة الذكاء الاصطناعي الحالية. على سبيل المثال، طلبنا من الطلاب تفسير إرشادات إصابات الرأس لدى الأطفال التي اقترحها كوبيرمان وآخرون، والتي طبقت خوارزمية شجرة قرار للذكاء الاصطناعي لتحديد ما إذا كان التصوير المقطعي المحوسب مفيدًا بناءً على فحص الطبيب. نؤكد أن هذا مثال شائع على استخدام الذكاء الاصطناعي لتوفير تحليلات تنبؤية للأطباء لتفسيرها، بدلاً من استبدال الأطباء.
في أمثلة برمجة Bootstrap مفتوحة المصدر المتاحة (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples)، نوضح كيفية إجراء تحليل استكشافي للبيانات، وتقليل الأبعاد، وتحميل النموذج القياسي، والتدريب، والاختبار. نستخدم دفاتر Google Colaboratory (Google LLC، ماونتن فيو، كاليفورنيا)، والتي تتيح تنفيذ كود Python من متصفح الويب. يوضح الشكل 2 مثالًا على تمرين برمجي. يتضمن هذا التمرين التنبؤ بالأورام الخبيثة باستخدام مجموعة بيانات Wisconsin Open Breast Imaging Dataset6 وخوارزمية شجرة القرار.
تُقدَّم برامج طوال الأسبوع تتناول مواضيع ذات صلة، مع اختيار أمثلة من تطبيقات الذكاء الاصطناعي المنشورة. تُدرج عناصر البرمجة فقط إذا كانت ذات صلة بتقديم رؤى حول الممارسة السريرية المستقبلية، مثل كيفية تقييم النماذج لتحديد مدى جاهزيتها للاستخدام في التجارب السريرية. تتوج هذه الأمثلة بتطبيق متكامل يصنف الأورام إلى حميدة أو خبيثة بناءً على معايير الصور الطبية.
تفاوت المعرفة المسبقة. تباين مستوى المعرفة الرياضية لدى المشاركين. فعلى سبيل المثال، يبحث الطلاب ذوو الخلفيات الهندسية المتقدمة عن مواد أكثر تعمقًا، مثل كيفية إجراء تحويلات فورييه بأنفسهم. ومع ذلك، فإن مناقشة خوارزمية فورييه في الصف غير ممكنة لأنها تتطلب معرفة متعمقة بمعالجة الإشارات.
انخفاض في الحضور. تراجع الحضور في اجتماعات المتابعة، لا سيما عبر الإنترنت. قد يكون الحل هو تتبع الحضور ومنح شهادة إتمام. من المعروف أن كليات الطب تعترف بسجلات الأنشطة الأكاديمية اللامنهجية للطلاب، مما قد يشجعهم على مواصلة دراستهم.
تصميم المقرر: نظرًا لتشعب مجالات الذكاء الاصطناعي، قد يكون اختيار المفاهيم الأساسية ذات العمق والشمول المناسبين أمرًا صعبًا. على سبيل المثال، يُعدّ استمرار استخدام أدوات الذكاء الاصطناعي من المختبر إلى العيادة موضوعًا بالغ الأهمية. وبينما نغطي معالجة البيانات الأولية، وبناء النماذج، والتحقق من صحتها، فإننا لا نتطرق إلى مواضيع مثل تحليلات البيانات الضخمة، أو التصور التفاعلي، أو إجراء التجارب السريرية للذكاء الاصطناعي، بل نركز بدلًا من ذلك على أكثر مفاهيم الذكاء الاصطناعي تميزًا. مبدأنا التوجيهي هو تحسين المعرفة، لا المهارات. على سبيل المثال، يُعدّ فهم كيفية معالجة النموذج لخصائص الإدخال أمرًا بالغ الأهمية لتفسيره. إحدى طرق القيام بذلك هي استخدام خرائط تنشيط التدرج، التي تُتيح تصور أي مناطق البيانات قابلة للتنبؤ. مع ذلك، يتطلب هذا حساب التفاضل والتكامل متعدد المتغيرات، ولا يمكن تقديمه هنا. كان تطوير مصطلحات مشتركة أمرًا صعبًا لأننا كنا نحاول شرح كيفية التعامل مع البيانات كمتجهات دون استخدام مصطلحات رياضية رسمية. تجدر الإشارة إلى أن المصطلحات المختلفة لها نفس المعنى، فعلى سبيل المثال، في علم الأوبئة، تُوصف "الخاصية" بأنها "متغير" أو "سمة".
الاحتفاظ بالمعرفة. نظرًا لمحدودية تطبيق الذكاء الاصطناعي، فإن مدى احتفاظ المشاركين بالمعرفة لا يزال غير واضح. غالبًا ما تعتمد مناهج كليات الطب على التكرار المتباعد لترسيخ المعرفة خلال التدريب العملي،9 وهو ما يمكن تطبيقه أيضًا على تعليم الذكاء الاصطناعي.
الاحترافية أهم من المعرفة النظرية. صُممت المادة بعمق دون مراعاة الدقة الرياضية، وهو ما شكّل عائقًا عند إطلاق الدورات السريرية في الذكاء الاصطناعي. في أمثلة البرمجة، نستخدم برنامجًا نموذجيًا يُمكّن المشاركين من ملء الحقول وتشغيل البرنامج دون الحاجة إلى معرفة كيفية إعداد بيئة برمجة متكاملة.
المخاوف المتعلقة بالذكاء الاصطناعي: ثمة مخاوف واسعة النطاق من أن يحل الذكاء الاصطناعي محل بعض المهام السريرية.3 ولمعالجة هذه المسألة، نوضح حدود الذكاء الاصطناعي، بما في ذلك حقيقة أن جميع تقنيات الذكاء الاصطناعي التي وافقت عليها الجهات التنظيمية تقريبًا تتطلب إشرافًا طبيًا.11 كما نؤكد على أهمية التحيز لأن الخوارزميات عرضة للتحيز، خاصةً إذا لم تكن مجموعة البيانات متنوعة.12 وبالتالي، قد يتم نمذجة مجموعة فرعية معينة بشكل غير صحيح، مما يؤدي إلى قرارات سريرية غير عادلة.
الموارد متاحة للجميع: لقد أنشأنا موارد متاحة للجميع، بما في ذلك شرائح المحاضرات والبرمجيات. على الرغم من أن الوصول إلى المحتوى المتزامن محدود بسبب اختلاف المناطق الزمنية، إلا أن المحتوى مفتوح المصدر يُعدّ وسيلة ملائمة للتعلم غير المتزامن، نظرًا لعدم توفر الخبرة في مجال الذكاء الاصطناعي في جميع كليات الطب.
التعاون متعدد التخصصات: هذه الورشة مشروع مشترك أطلقه طلاب الطب بالتعاون مع المهندسين لتخطيط المقررات الدراسية. يُبرز هذا المشروع فرص التعاون والفجوات المعرفية في كلا المجالين، مما يُتيح للمشاركين فهم الدور المحتمل الذي يُمكنهم المساهمة به في المستقبل.
حدد الكفاءات الأساسية للذكاء الاصطناعي. يُوفر تحديد قائمة بالكفاءات هيكلاً معيارياً يُمكن دمجه في المناهج الطبية القائمة على الكفاءات. تستخدم هذه الورشة حالياً مستويات أهداف التعلم 2 (الفهم)، و3 (التطبيق)، و4 (التحليل) من تصنيف بلوم. يُمكن أن يُعزز توفير موارد لمستويات تصنيف أعلى، مثل إنشاء مشاريع، المعرفة بشكل أكبر. يتطلب ذلك العمل مع خبراء سريريين لتحديد كيفية تطبيق موضوعات الذكاء الاصطناعي على سير العمل السريري، وتجنب تدريس المواضيع المتكررة الموجودة بالفعل في المناهج الطبية القياسية.
إنشاء دراسات حالة باستخدام الذكاء الاصطناعي. على غرار الأمثلة السريرية، يمكن للتعلم القائم على دراسة الحالة تعزيز المفاهيم المجردة من خلال إبراز صلتها بالأسئلة السريرية. على سبيل المثال، حللت إحدى ورش العمل نظام جوجل للكشف عن اعتلال الشبكية السكري القائم على الذكاء الاصطناعي لتحديد التحديات التي تواجه الانتقال من المختبر إلى العيادة، مثل متطلبات التحقق الخارجي ومسارات الموافقة التنظيمية.
استخدم التعلم التجريبي: تتطلب المهارات التقنية ممارسة مركزة وتطبيقًا متكررًا لإتقانها، على غرار تجارب التعلم المتناوبة للمتدربين السريريين. أحد الحلول المحتملة هو نموذج الصف المقلوب، الذي ثبت أنه يحسن استيعاب المعرفة في التعليم الهندسي.14 في هذا النموذج، يراجع الطلاب المواد النظرية بشكل مستقل، ويُخصص وقت الحصة لحل المشكلات من خلال دراسات الحالة.
التوسع ليشمل مشاركين من تخصصات متعددة: نتصور أن تبني الذكاء الاصطناعي يتطلب تعاونًا بين تخصصات متعددة، بما في ذلك الأطباء والمتخصصين في المهن الصحية المساعدة ذوي مستويات تدريب متفاوتة. لذلك، قد يلزم تطوير المناهج الدراسية بالتشاور مع أعضاء هيئة التدريس من مختلف الأقسام لتكييف محتواها مع مختلف مجالات الرعاية الصحية.
يُعدّ الذكاء الاصطناعي تقنية متطورة، وترتبط مفاهيمه الأساسية بالرياضيات وعلوم الحاسوب. ويُمثّل تدريب الكوادر الطبية على فهم الذكاء الاصطناعي تحديات فريدة في اختيار المحتوى، وأهميته السريرية، وأساليب تقديمه. ونأمل أن تُسهم الرؤى المُستقاة من ورش عمل الذكاء الاصطناعي في التعليم في مساعدة المُعلمين المُستقبليين على تبنّي طُرق مُبتكرة لدمج الذكاء الاصطناعي في التعليم الطبي.
برنامج Google Colaboratory Python مفتوح المصدر ومتاح على الرابط التالي: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
بروبر، كيه جي وخان، إس. إعادة التفكير في التعليم الطبي: دعوة للعمل. أكاد. الطب. 88، 1407-1410 (2013).
مكوي، إل جي، وغيرهم. ما الذي يحتاج طلاب الطب حقًا إلى معرفته عن الذكاء الاصطناعي؟ أرقام NPZh. الطب 3، 1-3 (2020).
دوس سانتوس، دي بي، وآخرون. مواقف طلاب الطب تجاه الذكاء الاصطناعي: دراسة استقصائية متعددة المراكز. الإشعاع الأوروبي. 29، 1640-1646 (2019).
فان، كي واي، هو، آر، وسينغلا، آر. مقدمة في التعلم الآلي لطلاب الطب: مشروع تجريبي. مجلة تدريس الطب 54، 1042-1043 (2020).
كوبرمان ن، وآخرون. تحديد الأطفال المعرضين لخطر منخفض للغاية للإصابة الدماغية ذات الأهمية السريرية بعد إصابة الرأس: دراسة أترابية مستقبلية. لانسيت 374، 1160-1170 (2009).
ستريت، دبليو إن، وولبرغ، دبليو إتش، ومانغاساريان، أو إل. استخلاص السمات النووية لتشخيص أورام الثدي. العلوم الطبية الحيوية. معالجة الصور. العلوم الطبية الحيوية. فايس. 1905، 861-870 (1993).
Chen, PHC, Liu, Y. and Peng, L. How to develop machine learning models for healthcare. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: التفسير البصري للشبكات العميقة عبر تحديد الموقع القائم على التدرج. وقائع المؤتمر الدولي IEEE حول رؤية الحاسوب، 618-626 (2017).
كومارافيل ب، ستيوارت ك، وإيليتش د. تطوير وتقييم نموذج حلزوني لتقييم كفاءات الطب القائم على الأدلة باستخدام امتحان التقييم السريري الموضوعي المنظم (OSCE) في التعليم الطبي الجامعي. مجلة BMK Medicine. teach. 21، 1-9 (2021).
كولاتشالاما في بي وجارج بي إس التعلم الآلي والتعليم الطبي. أرقام NPZh. الطب. 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).
توبول، إي جيه. الطب عالي الأداء: تقارب الذكاء البشري والذكاء الاصطناعي. الطب الطبيعي. 25، 44-56 (2019).
Bede, E. et al. تقييم يركز على الإنسان لنظام التعلم العميق المستخدم في العيادة للكشف عن اعتلال الشبكية السكري. وقائع مؤتمر CHI لعام 2020 حول العوامل البشرية في أنظمة الحوسبة (2020).
كير، ب. الفصل الدراسي المعكوس في تعليم الهندسة: مراجعة بحثية. وقائع المؤتمر الدولي لعام 2015 حول التعلم التعاوني التفاعلي (2015).
يتقدم المؤلفون بالشكر إلى دانييل ووكر، وتيم سالكودين، وبيتر زاندسترا من مجموعة أبحاث التصوير الطبي الحيوي والذكاء الاصطناعي في جامعة كولومبيا البريطانية على دعمهم وتمويلهم.
تولى كل من RH وPP وZH وRS وMA مسؤولية تطوير محتوى ورشة العمل التدريبية. وتولى كل من RH وPP مسؤولية تطوير أمثلة البرمجة. أما KYF وOY وMT وPW، فقد تولوا مسؤولية التنظيم اللوجستي للمشروع وتحليل ورش العمل. وتولى كل من RH وOY وMT وRS مسؤولية إنشاء الأشكال والجداول. كما تولى كل من RH وKYF وPP وZH وOY وMY وPW وTL وMA وRS مسؤولية صياغة الوثيقة وتحريرها.
تتقدم مجلة طب الاتصالات بالشكر إلى كارولين ماكجريجور، وفابيو مورايس، وأديتيا بوراكاتي لمساهماتهم في مراجعة هذا العمل.
تاريخ النشر: 19 فبراير 2024