Nature.com сайтына киргениңиз үчүн рахмат.Сиз колдонуп жаткан браузердин версиясы чектелген CSS колдоосуна ээ.Мыкты натыйжалар үчүн браузериңиздин жаңыраак версиясын колдонууну сунуштайбыз (же Internet Explorerде шайкештик режимин өчүрүп коюңуз).Ошол эле учурда, үзгүлтүксүз колдоону камсыз кылуу үчүн биз сайтты стилдөөсүз же JavaScriptсиз көрсөтүп жатабыз.
Клиникалык жасалма интеллекттин (AI) колдонмолору тездик менен өсүп жатат, бирок медициналык окуу жайлардын учурдагы окуу программалары бул чөйрөнү камтыган чектелген окутууну сунуштайт.Бул жерде биз иштеп чыккан жана канадалык медициналык студенттерге жеткирген жасалма интеллект боюнча окуу курсун сүрөттөп, келечектеги окутуу үчүн сунуштарды беребиз.
Медицинадагы жасалма интеллект (AI) жумуш ордунда натыйжалуулукту жакшыртат жана клиникалык чечимдерди кабыл алууга жардам берет.Жасалма интеллектти колдонууну коопсуз башкаруу үчүн дарыгерлер жасалма интеллект жөнүндө кандайдыр бир түшүнүккө ээ болушу керек.Көптөгөн комментарийлер AI моделдерин жана текшерүү процесстерин түшүндүрүү сыяктуу AI түшүнүктөрүн1 үйрөтүүнү жакташат2.Бирок, өзгөчө улуттук деңгээлде структуралаштырылган пландар аз аткарылды.Pinto dos Santos et al.3.263 медициналык студент сурамжылоого катышып, 71% жасалма интеллект боюнча окутуу керек деп макул болушкан.Медициналык аудиторияга жасалма интеллектти үйрөтүү көп учурда кеңири алдын ала билими бар студенттер үчүн техникалык жана техникалык эмес түшүнүктөрдү айкалыштырган кылдат дизайнды талап кылат.Биз медициналык студенттердин үч тобуна AI боюнча бир катар семинарларды өткөрүү боюнча тажрыйбабызды сүрөттөп беребиз жана AI боюнча келечектеги медициналык билим берүү боюнча сунуштарды беребиз.
Медицина факультетинин студенттери үчүн 2019-жылдын февралынан 2021-жылдын апрелине чейин 5 жумалык “Медицинадагы жасалма интеллектке киришүү” семинарыбыз үч жолу өткөрүлдү. Ар бир семинардын графиги, курска киргизилген өзгөртүүлөрдүн кыскача сүрөттөмөсү менен 1-сүрөттө көрсөтүлгөн. Биздин курс үч негизги окуу максаты: студенттер жасалма интеллект тиркемелеринде маалыматтар кантип иштетилерин түшүнүшөт, клиникалык колдонмолор үчүн жасалма интеллект адабияттарын талдайт жана жасалма интеллектти иштеп чыгуучу инженерлер менен кызматташуу мүмкүнчүлүктөрүн колдонушат.
Көк түс - лекциянын темасы, ачык көк түс - интерактивдүү суроо-жооп мезгили.Боз бөлүм кыскача адабияттарды карап чыгуунун борбору болуп саналат.Кызгылт сары бөлүктөрү жасалма интеллекттин моделдерин же ыкмаларын сүрөттөгөн тандалган мисалдар.Green бул клиникалык маселелерди чечүү жана моделдерди баалоо үчүн жасалма интеллектти үйрөтүү үчүн иштелип чыккан программалоо курсу.Семинарлардын мазмуну жана узактыгы студенттердин муктаждыктарын баалоого жараша өзгөрөт.
Биринчи семинар Британская Колумбия университетинде 2019-жылдын февралынан апрелине чейин өтүп, бардык 8 катышуучу оң пикирлерин беришти4.COVID-19дан улам экинчи семинар иш жүзүндө 2020-жылдын октябрь-ноябрь айларында болуп өттү, анда Канаданын 8 медициналык окуу жайынан 222 медициналык студент жана 3 резидент катталды.Презентациянын слайддары жана коду ачык кирүү сайтына жүктөлдү (http://ubcaimed.github.io).Биринчи итерациянын негизги пикирлери лекциялар өтө курч жана материалдын өтө теориялык болгондугунда болду.Канаданын алты башка убакыт алкагына кызмат кылуу кошумча кыйынчылыктарды жаратат.Ошентип, экинчи семинар ар бир сессияны 1 саатка чейин кыскартты, курстун материалдарын жөнөкөйлөштүрдү, көбүрөөк мисалдарды кошту жана катышуучуларга минималдуу мүчүлүштүктөрдү оңдоо менен код үзүндүлөрүн бүтүрүүгө мүмкүндүк берген ачык программаларды түздү (1-куту).Экинчи итерациянын негизги пикирлери программалоо көнүгүүлөрү боюнча оң пикирди жана машинаны үйрөнүү долбоорун пландаштырууну көрсөтүү өтүнүчүн камтыйт.Ошондуктан, 2021-жылдын март-апрель айларында дээрлик 126 медициналык студент үчүн өткөрүлгөн үчүнчү семинарыбызда биз семинардын концепцияларын долбоорлорго колдонуунун таасирин көрсөтүү үчүн көбүрөөк интерактивдүү коддоо көнүгүүлөрүн жана долбоорлордун кайтарым байланыш сессияларын киргиздик.
Маалыматтарды талдоо: статистиканын изилдөө тармагы, ал маалыматтардын үлгүлөрүн талдоо, иштеп чыгуу жана билдирүү аркылуу маалыматтардын маанилүү үлгүлөрүн аныктайт.
Маалыматтарды казып алуу: маалыматтарды аныктоо жана алуу процесси.Жасалма интеллекттин контекстинде бул көбүнчө чоң, ар бир үлгү үчүн бир нече өзгөрмөлүү.
Өлчөмдүүлүктү азайтуу: баштапкы маалымат топтомунун маанилүү касиеттерин сактоо менен көптөгөн жеке өзгөчөлүктөрү бар маалыматтарды азыраак өзгөчөлүктөргө айландыруу процесси.
Мүнөздөмөлөрү (жасалма интеллекттин контекстинде): үлгүнүн өлчөнүүчү касиеттери.Көбүнчө "менчик" же "өзгөрмө" менен синоним катары колдонулат.
Градиентти активдештирүү картасы: Жасалма интеллект моделдерин чечмелөө үчүн колдонулган ыкма (айрыкча конволюциондук нейрон тармактары), ал маалыматтардын же сүрөттөрдүн аймактарын аныктоо үчүн тармактын акыркы бөлүгүн оптималдаштыруу процессин талдайт.
Стандарттык модель: Окшош тапшырмаларды аткаруу үчүн алдын ала үйрөтүлгөн учурдагы AI модели.
Тестирлөө (жасалма интеллекттин контекстинде): модель мурда кездешпеген маалыматтарды колдонуу менен тапшырманы кандай аткарып жатканын байкоо.
Тренинг (жасалма интеллекттин контекстинде): моделди жаңы маалыматтарды колдонуу менен тапшырмаларды аткаруу жөндөмүн оптималдаштыруу үчүн өзүнүн ички параметрлерин тууралоо үчүн моделди маалыматтар жана натыйжалар менен камсыз кылуу.
Вектор: берилиштер массиви.Машина үйрөнүүдө ар бир массив элементи адатта үлгүнүн уникалдуу өзгөчөлүгү болуп саналат.
1-таблицада 2021-жылдын апрель айындагы акыркы курстар, анын ичинде ар бир тема боюнча максаттуу окуу максаттары келтирилген.Бул семинар техникалык деңгээлге жаңы келгендер үчүн арналган жана бакалавриат медициналык даражасынын биринчи жылынан тышкары эч кандай математикалык билимди талап кылбайт.Курсту 6 медициналык студент жана инженердик жогорку билимдүү 3 окутуучу иштеп чыккан.Инженерлер үйрөтүү үчүн жасалма интеллект теориясын иштеп чыгууда, ал эми медициналык студенттер клиникалык жактан керектүү материалдарды үйрөнүүдө.
Семинарлар лекцияларды, кейс изилдөөлөрдү жана жетектелген программалоону камтыйт.Биринчи лекцияда биз биостатистикада маалыматтарды талдоонун тандалган концепцияларын карап чыгабыз, анын ичинде маалыматтарды визуализациялоо, логистикалык регрессия жана сыпаттоочу жана индуктивдүү статистиканы салыштыруу.Маалыматтарды талдоо жасалма интеллекттин негизи болсо да, биз маалыматтарды казуу, маанилик тестирлөө же интерактивдүү визуализация сыяктуу темаларды кошпойбуз.Бул убакыттын чектелүүсүнөн, ошондой эле кээ бир студенттердин биостатистика боюнча алдын ала билим алышкандыктан жана уникалдуу машина үйрөнүү темаларын камтууну каалашкандыктан болду.Кийинки лекцияда заманбап ыкмалар киргизилет жана AI көйгөйлөрүн түзүү, AI моделдеринин артыкчылыктары жана чектөөлөрү жана моделди тестирлөө талкууланат.Лекциялар адабияттар жана азыркы жасалма интеллект приборлору боюнча практикалык изилдөөлөр менен толукталат.Биз клиникалык суроолорду чечүү үчүн моделдин натыйжалуулугун жана ишке ашыруу мүмкүнчүлүгүн баалоо үчүн зарыл болгон көндүмдөрдү, анын ичинде учурдагы жасалма интеллект түзүлүштөрүнүн чектөөлөрүн түшүнүүнү баса белгилейбиз.Мисалы, биз студенттерден Купперман ж.б., 5 тарабынан сунушталган педиатриялык баш жаракаты боюнча көрсөтмөлөрдү чечмелеп берүүнү сурандык, ал КТ доктурдун экспертизасынын негизинде пайдалуу болорун аныктоо үчүн жасалма интеллект чечим дарагынын алгоритмин ишке ашырды.Бул AI дарыгерлерди алмаштыруунун ордуна, дарыгерлер чечмелөө үчүн алдын ала аналитиканы камсыз кылуунун кеңири таралган мисалы экенин баса белгилейбиз.
Жеткиликтүү ачык булактуу жүктөөчү программалоо мисалдарында (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), биз чалгындоо маалыматтарын талдоо, өлчөмдүүлүктү азайтуу, стандарттык моделди жүктөө жана окутууну кантип аткарууну көрсөтөбүз .жана тестирлөө.Биз Google Colaboratory дептерлерин (Google LLC, Mountain View, CA) колдонобуз, алар Python кодун веб браузерден аткарууга мүмкүндүк берет.2-сүрөттө программалоо көнүгүүсүнө мисал келтирилген.Бул көнүгүү Wisconsin Open Breast Imaging Dataset6 жана чечим дарагынын алгоритмин колдонуу менен зыяндуу ооруларды алдын ала айтууну камтыйт.
Тиешелүү темалар боюнча жума бою программаларды көрсөтүңүз жана жарыяланган AI колдонмолорунан мисалдарды тандаңыз.Программалоо элементтери, эгерде алар клиникалык сыноолордо колдонууга даяр экендигин аныктоо үчүн моделдерди кантип баалоо керек сыяктуу келечектеги клиникалык практиканы түшүнүүгө ылайыктуу деп эсептелсе гана киргизилет.Бул мисалдар медициналык сүрөттөлүштүн параметрлеринин негизинде шишиктерди зыянсыз же зыяндуу деп классификациялаган толук кандуу колдонуу менен аяктайт.
Мурунку билимдердин гетерогендүүлүгү.Биздин катышуучулар математикалык билим деңгээли боюнча ар кандай болушту.Мисалы, алдыңкы инженердик билими бар студенттер өздөрүнүн Фурье трансформациясын кантип жасоо керектиги сыяктуу тереңирээк материалдарды издеп жатышат.Бирок Фурье алгоритмин класста талкуулоо мүмкүн эмес, анткени ал сигналды иштетүү боюнча терең билимди талап кылат.
Катышуунун агып чыгышы.Кийинки жолугушууларга катышуу азайды, айрыкча онлайн форматтарда.Чечим катышууну көзөмөлдөө жана аяктагандыгы тууралуу сертификатты берүү болушу мүмкүн.Медициналык окуу жайлары студенттердин сабактан тышкаркы академиялык иш-аракеттеринин стенограммасын тааный тургандыгы белгилүү, бул студенттерди илимий даражага умтулууга түрткү берет.
Курстун дизайны: AI абдан көп субталааларды камтыгандыктан, тиешелүү тереңдик жана кеңдиктин негизги түшүнүктөрүн тандоо кыйынга турушу мүмкүн.Мисалы, AI куралдарын лабораториядан клиникага чейин үзгүлтүксүз колдонуу маанилүү тема.Биз маалыматтарды алдын ала иштетүүнү, моделди курууну жана валидациялоону камтыганыбыз менен чоң маалыматтардын аналитикасы, интерактивдүү визуализация же AI клиникалык сыноолорун өткөрүү сыяктуу темаларды камтыбайбыз, анын ордуна биз эң уникалдуу AI концепцияларына көңүл бурабыз.Биздин негизги принцибибиз – көндүмдөрдү эмес, сабаттуулукту жогорулатуу.Мисалы, моделдин киргизүү мүмкүнчүлүктөрүн кантип иштетээрин түшүнүү чечмелөө үчүн маанилүү.Мунун бир жолу - градиентти активдештирүү карталарын колдонуу, ал маалыматтардын кайсы аймактарын алдын ала айтууга болоорун көрсөтө алат.Бирок, бул көп варианттуу эсептөөнү талап кылат жана аны киргизүү мүмкүн эмес8.Жалпы терминологияны иштеп чыгуу кыйынга турду, анткени биз математикалык формализмсиз векторлор катары маалыматтар менен иштөөнү түшүндүрүүгө аракет кылып жатканбыз.Ар кандай терминдер бир эле мааниге ээ экенине көңүл буруңуз, мисалы, эпидемиологияда "мүнөздөмө" "өзгөрмө" же "атрибут" катары сүрөттөлөт.
Билимди сактоо.AI колдонуу чектелүү болгондуктан, катышуучулар билимди канчалык деңгээлде сактай турганы ачык бойдон калууда.Медициналык окуу жайлардын окуу пландары практикалык ротациялар учурунда билимди бекемдөө үчүн көп учурда аралыкта кайталанууга таянат9, аны AI билимине да колдонсо болот.
Сабаттуулукка караганда кесипкөйлүк маанилүү.Материалдын тереңдиги математикалык катаал эмес иштелип чыккан, бул жасалма интеллект боюнча клиникалык курстарды ачууда көйгөй болгон.Программалоо мисалдарында биз катышуучуларга талааларды толтурууга жана программалоо чөйрөсүн кантип түзүү керектигин түшүнбөстөн программаны иштетүүгө мүмкүндүк берген шаблондук программаны колдонобуз.
Жасалма интеллект боюнча тынчсыздануулар каралат: Жасалма интеллект кээ бир клиникалык милдеттерди алмаштырышы мүмкүн деген кооптонуу кеңири таралган3.Бул маселени чечүү үчүн биз AI чектөөлөрүн, анын ичинде жөнгө салуучу органдар тарабынан бекитилген дээрлик бардык AI технологиялары дарыгердин көзөмөлүн талап кылаарын түшүндүрөбүз11.Биз ошондой эле бир тараптуулуктун маанилүүлүгүн баса белгилейбиз, анткени алгоритмдер бурмалоого жакын, айрыкча маалыматтар топтому ар түрдүү болбосо12.Демек, белгилүү бир чакан топ туура эмес моделдештирилиши мүмкүн, бул адилетсиз клиникалык чечимдерге алып келет.
Ресурстар жалпыга жеткиликтүү: Биз жалпыга жеткиликтүү ресурстарды, анын ичинде лекция слайддарын жана коддорун түздүк.Убакыт алкактарына байланыштуу синхрондук мазмунга кирүү чектелген болсо да, ачык булактуу мазмун асинхрондук үйрөнүү үчүн ыңгайлуу ыкма, анткени AI экспертизасы бардык медициналык окуу жайларда жок.
Дисциплиналар аралык кызматташтык: Бул семинар инженерлер менен бирге курстарды пландаштыруу үчүн медициналык студенттер тарабынан демилгеленген биргелешкен ишкана болуп саналат.Бул эки тармакта кызматташуу мүмкүнчүлүктөрүн жана билим боштуктарын көрсөтүп, катышуучуларга келечекте салым кошо ала турган потенциалдуу ролду түшүнүүгө мүмкүндүк берет.
AI негизги компетенцияларын аныктаңыз.Компетенттердин тизмесин аныктоо колдонуудагы компетенттүүлүккө негизделген медициналык окуу программаларына интеграциялануучу стандартташтырылган структураны камсыз кылат.Учурда бул семинарда Блум таксономиясынын 2 (Түшүнүү), 3 (Колдонуу) жана 4 (Талдоо) деңгээлинде окуу максаттары колдонулат.Долбоорлорду түзүү сыяктуу классификациянын жогорку деңгээлдеринде ресурстарга ээ болуу, билимди дагы да бекемдей алат.Бул AI темаларын клиникалык процесстерге кантип колдонсо болорун аныктоо үчүн клиникалык эксперттер менен иштешүүнү жана стандарттуу медициналык окуу пландарына киргизилген кайталануучу темаларды окутуунун алдын алууну талап кылат.
AI колдонуу менен мисалдарды түзүү.Клиникалык мисалдарга окшоп, жагдайга негизделген окутуу абстракттуу түшүнүктөрдү клиникалык суроолорго тиешелүүлүгүн көрсөтүү менен бекемдей алат.Мисалы, бир семинар изилдөөсү тышкы валидация талаптары жана ченемдик бекитүү жолдору сыяктуу лабораториядан клиникага чейинки жолдогу кыйынчылыктарды аныктоо үчүн Google'дун AI негизиндеги диабеттик ретинопатияны аныктоо тутумун 13 талдады.
Тажрыйбалык үйрөнүүнү колдонуңуз: Техникалык көндүмдөр клиникалык стажерлордун кезектеги окуу тажрыйбаларына окшош, багытталган практиканы жана өздөштүрүү үчүн кайталап колдонууну талап кылат.Потенциалдуу чечимдердин бири болуп инженердик билимде билимдин сакталышын жакшыртаары билдирилген класстык класстын модели болуп саналат14.Бул моделде студенттер теориялык материалды өз алдынча карап чыгышат жана сабактын убактысы кейс изилдөө аркылуу маселелерди чечүүгө арналат.
Көп дисциплинардык катышуучулар үчүн масштабдоо: Биз AI кабыл алууну бир нече дисциплиналар боюнча кызматташууну, анын ичинде дарыгерлерди жана ар кандай деңгээлдеги билими бар саламаттыкты сактоо адистерин камтыйт деп ойлойбуз.Ошондуктан, окуу программаларын саламаттыкты сактоонун ар кандай тармактарына ылайыкташтыруу үчүн ар кайсы кафедралардын окутуучулары менен кеңешип иштеп чыгуу зарыл болушу мүмкүн.
Жасалма интеллект жогорку технологиялуу жана анын негизги түшүнүктөрү математика жана информатика менен байланышкан.Медицина кызматкерлерин жасалма интеллектти түшүнүүгө үйрөтүү мазмунду тандоодо, клиникалык актуалдуулугунда жана жеткирүү ыкмаларында уникалдуу кыйынчылыктарды жаратат.Билим берүүдөгү AI семинарларынан алынган түшүнүктөр келечектеги педагогдорго AIны медициналык билимге интеграциялоонун инновациялык ыкмаларын колдонууга жардам берет деп үмүттөнөбүз.
Google Colaboratory Python скрипти ачык булак жана жеткиликтүү: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Пробер, К.Г. жана Хан, С. Медициналык билимди кайра карап чыгуу: аракетке чакыруу.Аккад.дары.88, 1407–1410 (2013).
Маккой, LG ж.б. Медициналык студенттер жасалма интеллект жөнүндө эмнени билиши керек?NPZh номерлери.Медицина 3, 1–3 (2020).
Дос Сантос, ДП жана башкалар.Медициналык студенттердин жасалма интеллектке болгон мамилеси: көп борборлуу сурамжылоо.EURO.радиация.29, 1640–1646 (2019).
Фан, KY, Ху, Р. жана Сингла, R. Медициналык студенттер үчүн машинаны үйрөнүүгө киришүү: пилоттук долбоор.Ж. Мед.үйрөтүү.54, 1042–1043 (2020).
Куперман Н жана башкалар.Башынан жаракат алгандан кийин клиникалык жактан маанилүү мээге жаракат алуу коркунучу төмөн болгон балдарды аныктоо: келечектүү когорттук изилдөө.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH жана Mangasarian, OL.эмчек шишигинин диагностикасы үчүн ядролук өзгөчөлүк алуу.Биомедициналык илим.Сүрөт иштетүү.Биомедициналык илим.Weiss.1905, 861–870 (1993).
Чен, PHC, Liu, Y. жана Peng, L. Саламаттыкты сактоо үчүн машинаны үйрөнүү моделдерин кантип иштеп чыгуу керек.Нат.Мт.18, 410–414 (2019).
Selvaraju, RR жана башкалар.Grad-cam: Градиентке негизделген локализация аркылуу терең тармактарды визуалдык чечмелөө.Компьютердик көрүү боюнча IEEE эл аралык конференциясынын материалдары, 618–626 (2017).
Кумаравел Б, Стюарт К жана Илич Д. Дипломдук медициналык билим берүүдө ЕККУнун жардамы менен далилдүү медицина компетенцияларын баалоо үчүн спираль моделин иштеп чыгуу жана баалоо.BMK Medicine.үйрөтүү.21, 1–9 (2021).
Kolachalama VB жана Garg PS Машина үйрөнүү жана медициналык билим берүү.NPZh номерлери.дары.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. and de Rooy, M. радиологиядагы жасалма интеллект: 100 коммерциялык продуктылар жана алардын илимий далилдери.EURO.радиация.31, 3797–3804 (2021).
Topol, EJ Жогорку натыйжалуу медицина: адам менен жасалма интеллекттин конвергенциясы.Нат.дары.25, 44–56 (2019).
Беде, Е.Диабеттик ретинопатияны аныктоо үчүн клиникада орнотулган терең окутуу тутумуна адам багытталган баа берүү.Эсептөө системаларындагы адам факторлору боюнча 2020 CHI конференциясынын материалдары (2020).
Керр, B. Инженердик билим берүүдөгү бурулган класс: изилдөөгө сереп салуу.Интерактивдүү биргелешип окутуу боюнча 2015-жылдагы Эл аралык конференциянын материалдары (2015).
Авторлор Британ Колумбия университетинин биомедициналык сүрөттөө жана жасалма интеллект изилдөөлөр кластеринен Даниэль Уолкер, Тим Салкудин жана Питер Зандстрага колдоо жана каржылоо үчүн ыраазычылык билдирет.
RH, PP, ZH, RS жана MA семинардын окуу мазмунун иштеп чыгуу үчүн жооптуу болгон.RH жана PP программалоо мисалдарын иштеп чыгуу үчүн жооптуу болгон.KYF, OY, MT жана PW долбоордун материалдык-техникалык жактан камсыз болушуна жана семинарлардын анализине жооптуу болгон.RH, OY, MT, RS фигураларды жана таблицаларды түзүү үчүн жооптуу болгон.Документти түзүү жана редакциялоо үчүн RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS жооптуу болгон.
Communication Medicine бул ишти карап чыгууга кошкон салымы үчүн Кэролин МакГрегор, Фабио Мораес жана Адитиа Боракатиге ыраазычылык билдирет.
Посттун убактысы: 2024-жылдын 19-февралына чейин