Merci d'avoir visité Nature.com. La version du navigateur que vous utilisez a une prise en charge CSS limitée. Pour les meilleurs résultats, nous vous recommandons d'utiliser une version plus récente de votre navigateur (ou de désactiver le mode de compatibilité dans Internet Explorer). En attendant, pour assurer un support continu, nous montrons le site sans style ni javascript.
Les applications de l'intelligence artificielle clinique (IA) se développent rapidement, mais les programmes de médecine existants offrent un enseignement limité couvrant ce domaine. Nous décrivons ici un cours de formation en intelligence artificielle que nous avons développé et livré aux étudiants en médecine canadiens et faire des recommandations pour une formation future.
L'intelligence artificielle (IA) en médecine peut améliorer l'efficacité du lieu de travail et aider la prise de décision clinique. Pour guider en toute sécurité l'utilisation de l'intelligence artificielle, les médecins doivent avoir une certaine compréhension de l'intelligence artificielle. De nombreux commentaires préconisent l'enseignement de l'IA Concepts1, comme expliquer les modèles d'IA et les processus de vérification2. Cependant, peu de plans structurés ont été mis en œuvre, en particulier au niveau national. Pinto dos Santos et al.3. 263 étudiants en médecine ont été interrogés et 71% ont convenu qu'ils avaient besoin d'une formation en intelligence artificielle. L'enseignement de l'intelligence artificielle à un public médical nécessite une conception minutieuse qui combine des concepts techniques et non techniques pour les étudiants qui ont souvent des connaissances antérieures approfondies. Nous décrivons notre expérience de livraison d'une série d'ateliers d'IA à trois groupes d'étudiants en médecine et faisant des recommandations pour la future éducation médicale dans l'IA.
Notre introduction de cinq semaines à l'intelligence artificielle en médecine atelier pour les étudiants en médecine a eu lieu trois fois entre février 2019 et avril 2021. Un calendrier pour chaque atelier, avec une brève description des modifications du cours, est montrée dans la figure 1. Notre cours a Trois objectifs d'apprentissage primaires: les étudiants comprennent comment les données sont traitées dans les applications d'intelligence artificielle, analysent la littérature d'intelligence artificielle pour les applications cliniques et profitent des opportunités de collaborer avec les ingénieurs en développement de l'intelligence artificielle.
Le bleu est le sujet de la conférence et le bleu clair est la période interactive de questions et de réponses. La section grise est au centre de la brève revue de la littérature. Les sections orange sont des études de cas sélectionnées qui décrivent des modèles ou des techniques d'intelligence artificielle. Green est un cours de programmation guidé conçu pour enseigner l'intelligence artificielle pour résoudre les problèmes cliniques et évaluer les modèles. Le contenu et la durée des ateliers varient en fonction d'une évaluation des besoins des étudiants.
Le premier atelier a eu lieu à l'Université de la Colombie-Britannique de février à avril 2019, et les 8 participants ont donné des commentaires positifs4. En raison de Covid-19, le deuxième atelier a eu lieu pratiquement en octobre-novembre 2020, avec 222 étudiants en médecine et 3 résidents de 8 écoles de médecine canadiennes s'inscrivant. Les diapositives de présentation et le code ont été téléchargés sur un site d'accès ouvert (http://ubcaimed.github.io). La principale rétroaction de la première itération était que les conférences étaient trop intenses et que le matériel est trop théorique. Servir les six fuseaux horaires différents du Canada pose des défis supplémentaires. Ainsi, le deuxième atelier a raccourci chaque session à 1 heure, simplifié le matériel de cours, ajouté plus d'études de cas et créé des programmes de passe-partout qui ont permis aux participants de terminer les extraits de code avec un débogage minimal (encadré 1). Les commentaires clés de la deuxième itération comprenaient des commentaires positifs sur les exercices de programmation et une demande de démonstration de la planification d'un projet d'apprentissage automatique. Par conséquent, dans notre troisième atelier, tenu pratiquement pour 126 étudiants en médecine en mars-avril 2021, nous avons inclus des exercices de codage interactifs et des séances de rétroaction des projets pour démontrer l'impact de l'utilisation de concepts d'atelier sur les projets.
Analyse des données: un domaine d'étude dans les statistiques qui identifie les modèles significatifs dans les données en analysant, en traitement et en communication des modèles de données.
Exploration de données: le processus d'identification et d'extraction des données. Dans le contexte de l'intelligence artificielle, ceci est souvent important, avec plusieurs variables pour chaque échantillon.
Réduction de la dimensionnalité: le processus de transformation des données avec de nombreuses fonctionnalités individuelles en moins de fonctionnalités tout en préservant les propriétés importantes de l'ensemble de données d'origine.
Caractéristiques (dans le contexte de l'intelligence artificielle): propriétés mesurables d'un échantillon. Souvent utilisé de manière interchangeable avec «propriété» ou «variable».
Carte d'activation du gradient: une technique utilisée pour interpréter les modèles d'intelligence artificielle (en particulier les réseaux de neurones convolutionnels), qui analyse le processus d'optimisation de la dernière partie du réseau pour identifier les régions de données ou d'images hautement prédictives.
Modèle standard: un modèle d'IA existant qui a été formé pour effectuer des tâches similaires.
Test (dans le contexte de l'intelligence artificielle): observer comment un modèle effectue une tâche à l'aide de données qu'il n'a pas rencontrées auparavant.
Formation (dans le contexte de l'intelligence artificielle): fournir un modèle avec des données et des résultats afin que le modèle ajuste ses paramètres internes pour optimiser sa capacité à effectuer des tâches à l'aide de nouvelles données.
Vector: tableau de données. Dans l'apprentissage automatique, chaque élément de tableau est généralement une caractéristique unique de l'échantillon.
Le tableau 1 répertorie les derniers cours pour avril 2021, y compris les objectifs d'apprentissage ciblés pour chaque sujet. Cet atelier est destiné à ceux qui sont nouveaux au niveau technique et ne nécessitent aucune connaissance mathématique au-delà de la première année d'un diplôme de médecine de premier cycle. Le cours a été développé par 6 étudiants en médecine et 3 enseignants titulaires d'un diplôme avancé en ingénierie. Les ingénieurs développent une théorie de l'intelligence artificielle pour enseigner et les étudiants en médecine apprennent un matériel cliniquement pertinent.
Les ateliers comprennent des conférences, des études de cas et une programmation guidée. Dans la première conférence, nous passons en revue les concepts sélectionnés d'analyse des données en biostatistique, notamment la visualisation des données, la régression logistique et la comparaison des statistiques descriptives et inductives. Bien que l'analyse des données soit le fondement de l'intelligence artificielle, nous excluons des sujets tels que l'exploration de données, les tests de signification ou la visualisation interactive. Cela était dû aux contraintes de temps et aussi parce que certains étudiants de premier cycle avaient une formation préalable en biostatistique et voulaient couvrir des sujets d'apprentissage automatique plus uniques. La conférence ultérieure introduit des méthodes modernes et discute de la formulation des problèmes d'IA, des avantages et des limites des modèles d'IA et des tests de modèles. Les conférences sont complétées par la littérature et la recherche pratique sur les dispositifs d'intelligence artificielle existants. Nous soulignons les compétences nécessaires pour évaluer l'efficacité et la faisabilité d'un modèle pour répondre aux questions cliniques, notamment la compréhension des limites des dispositifs d'intelligence artificielle existants. Par exemple, nous avons demandé aux étudiants d'interpréter les directives pédiatriques sur les traumatismes crâniens proposés par Kupperman et al., 5, qui a mis en œuvre un algorithme d'arbre de décision d'intelligence artificielle pour déterminer si un scanner serait utile sur la base d'un examen d'un médecin. Nous soulignons qu'il s'agit d'un exemple courant d'IA fournissant des analyses prédictives pour que les médecins puissent interpréter, plutôt que de remplacer les médecins.
Dans les exemples de programmation de bootstrap open source disponibles (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), nous montrons comment effectuer une analyse exploratoire des données, une réduction de la dimensionnalité, un chargement de modèle standard et une formation . et tests. Nous utilisons Google Colaboratory Notebooks (Google LLC, Mountain View, CA), qui permettent d'exécuter le code Python à partir d'un navigateur Web. Sur la figure, la figure 2 fournit un exemple d'exercice de programmation. Cet exercice consiste à prédire les tumeurs malignes en utilisant le jeu de données d'imagerie mammaire ouverte du Wisconsin6 et un algorithme d'arbre de décision.
Présent les programmes tout au long de la semaine sur des sujets connexes et sélectionnez des exemples des applications d'IA publiées. Les éléments de programmation ne sont inclus que s'ils sont considérés comme pertinents pour fournir un aperçu de la pratique clinique future, telles que la façon d'évaluer les modèles pour déterminer s'ils sont prêts à être utilisés dans les essais cliniques. Ces exemples culminent dans une application de bout en bout à part entière qui classe les tumeurs comme bénignes ou malignes en fonction des paramètres d'image médicale.
Hétérogénéité des connaissances antérieures. Nos participants ont varié dans leur niveau de connaissances mathématiques. Par exemple, les étudiants ayant des antécédents d'ingénierie avancés recherchent un matériel plus approfondi, tel que la façon d'effectuer leurs propres transformations de Fourier. Cependant, la discussion de l'algorithme de Fourier en classe n'est pas possible car elle nécessite une connaissance approfondie du traitement du signal.
Défense de fréquentation. La participation aux réunions de suivi a diminué, en particulier dans les formats en ligne. Une solution peut être de suivre la fréquentation et de fournir un certificat d'achèvement. Les écoles de médecine sont connues pour reconnaître les transcriptions des activités académiques parascolaires des étudiants, qui peuvent encourager les étudiants à poursuivre un diplôme.
Conception de cours: parce que l'IA s'étend sur tant de sous-domaines, la sélection des concepts de base de la profondeur et de l'étendue appropriés peut être difficile. Par exemple, la continuité de l'utilisation des outils d'IA du laboratoire à la clinique est un sujet important. Bien que nous couvrions le prétraitement des données, la construction de modèles et la validation, nous n'incluons pas de sujets tels que l'analyse des mégadonnées, la visualisation interactive ou la réalisation d'essais cliniques d'IA, nous nous concentrons plutôt sur les concepts d'IA les plus uniques. Notre principe directeur est d'améliorer l'alphabétisation, pas les compétences. Par exemple, comprendre comment un modèle traite les fonctionnalités d'entrée est important pour l'interprétabilité. Une façon de le faire est d'utiliser des cartes d'activation du gradient, qui peuvent visualiser les régions des données prévisibles. Cependant, cela nécessite un calcul multivarié et ne peut pas être introduit8. Développer une terminologie commune était difficile car nous essayions d'expliquer comment travailler avec les données en tant que vecteurs sans formalisme mathématique. Notez que différents termes ont la même signification, par exemple, en épidémiologie, une «caractéristique» est décrite comme une «variable» ou un «attribut».
Rétention des connaissances. Parce que l'application de l'IA est limitée, la mesure dans laquelle les participants conservent des connaissances restent à voir. Les programmes de médecine reposent souvent sur la répétition espacée pour renforcer les connaissances lors des rotations pratiques, 9 qui peuvent également être appliquées à l'éducation de l'IA.
Le professionnalisme est plus important que l'alphabétisation. La profondeur du matériel est conçue sans rigueur mathématique, ce qui était un problème lors du lancement de cours cliniques en intelligence artificielle. Dans les exemples de programmation, nous utilisons un programme de modèle qui permet aux participants de remplir les champs et d'exécuter le logiciel sans avoir à comprendre comment configurer un environnement de programmation complet.
Les préoccupations concernant l'intelligence artificielle abordaient: il est largement préoccupé par le fait que l'intelligence artificielle pourrait remplacer certaines tâches cliniques3. Pour résoudre ce problème, nous expliquons les limites de l'IA, y compris le fait que presque toutes les technologies de l'IA approuvées par les régulateurs nécessitent une supervision des médecins11. Nous soulignons également l'importance du biais car les algorithmes sont sujets aux biais, surtout si l'ensemble de données n'est pas divers12. Par conséquent, un certain sous-groupe peut être modélisé de manière incorrecte, conduisant à des décisions cliniques déloyales.
Les ressources sont accessibles au public: nous avons créé des ressources accessibles au public, y compris les diapositives de conférence et le code. Bien que l'accès au contenu synchrone soit limité en raison des fuseaux horaires, le contenu open source est une méthode pratique pour l'apprentissage asynchrone, car l'expertise de l'IA n'est pas disponible dans toutes les écoles de médecine.
Collaboration interdisciplinaire: cet atelier est une coentreprise initiée par des étudiants en médecine pour planifier des cours avec les ingénieurs. Cela démontre des opportunités de collaboration et des lacunes de connaissances dans les deux domaines, permettant aux participants de comprendre le rôle potentiel qu'ils peuvent contribuer à l'avenir.
Définissez les compétences de base de l'IA. La définition d'une liste de compétences fournit une structure standardisée qui peut être intégrée dans les programmes médicaux basés sur les compétences existantes. Cet atelier utilise actuellement les niveaux d'objectif d'apprentissage 2 (compréhension), 3 (application) et 4 (analyse) de la taxonomie de Bloom. Le fait d'avoir des ressources à des niveaux de classification plus élevés, tels que la création de projets, peut renforcer encore les connaissances. Cela nécessite de travailler avec des experts cliniques pour déterminer comment les sujets d'IA peuvent être appliqués aux flux de travail cliniques et empêcher l'enseignement de sujets répétitifs déjà inclus dans les programmes médicaux standard.
Créer des études de cas en utilisant l'IA. Semblable aux exemples cliniques, l'apprentissage basé sur les cas peut renforcer les concepts abstraits en mettant en évidence leur pertinence pour les questions cliniques. Par exemple, une étude d'atelier a analysé le système de détection de rétinopathie diabétique basée sur l'IA de Google 13 pour identifier les défis le long du chemin du laboratoire à la clinique, tels que les exigences de validation externes et les voies d'approbation réglementaire.
Utiliser l'apprentissage expérientiel: les compétences techniques nécessitent une pratique ciblée et une application répétée pour maîtriser, similaire aux expériences d'apprentissage rotatives des stagiaires cliniques. Une solution potentielle est le modèle de classe inversé, qui a été signalé pour améliorer la rétention des connaissances dans l'éducation en ingénierie14. Dans ce modèle, les élèves examinent le matériel théorique de manière indépendante et le temps de classe est consacré à la résolution de problèmes grâce à des études de cas.
Échelle pour les participants multidisciplinaires: nous envisageons l'adoption de l'IA impliquant une collaboration dans plusieurs disciplines, y compris les médecins et les professionnels de la santé alliés à différents niveaux de formation. Par conséquent, les programmes peuvent devoir être développés en consultation avec des professeurs de différents départements pour adapter leur contenu à différents domaines des soins de santé.
L'intelligence artificielle est la haute technologie et ses concepts principaux sont liés aux mathématiques et à l'informatique. La formation du personnel des soins de santé à comprendre l'intelligence artificielle présente des défis uniques dans la sélection du contenu, la pertinence clinique et les méthodes de livraison. Nous espérons que les idées tirées de l'IA dans les ateliers d'éducation aideront les futurs éducateurs à adopter des moyens innovants d'intégrer l'IA dans l'éducation médicale.
Le script Google Colaboratory Python est open source et disponible sur: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG et Khan, S. Repenser l'éducation médicale: un appel à l'action. Akkad. médecine. 88, 1407–1410 (2013).
McCoy, LG etc. Qu'est-ce que les étudiants en médecine ont vraiment besoin de savoir sur l'intelligence artificielle? Numéros NPZH. Médecine 3, 1–3 (2020).
Dos Santos, DP, et al. Attitudes des étudiants en médecine envers l'intelligence artificielle: une enquête multicentrique. EURO. radiation. 29, 1640–1646 (2019).
Fan, KY, Hu, R. et Singla, R. Introduction à l'apprentissage automatique pour les étudiants en médecine: un projet pilote. J. Med. enseigner. 54, 1042–1043 (2020).
Cooperman N, et al. Identifier les enfants à très faible risque de lésion cérébrale cliniquement significative après une traumatisme crânien: une étude de cohorte prospective. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH et Mangasaire, OL. Extraction de caractéristiques nucléaires pour le diagnostic des tumeurs du sein. Science biomédicale. Traitement d'image. Science biomédicale. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. et Peng, L. Comment développer des modèles d'apprentissage automatique pour les soins de santé. Nat. Mat. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-CAM: Interprétation visuelle des réseaux profonds via la localisation basée sur le gradient. Actes de la Conférence internationale de l'IEEE sur la vision par ordinateur, 618–626 (2017).
Kumaravel B, Stewart K et ILIC D. Développement et évaluation d'un modèle en spirale pour évaluer les compétences en médecine fondée sur des preuves utilisant l'OSCE dans l'enseignement médical de premier cycle. BMK Medicine. enseigner. 21, 1–9 (2021).
Kolachalama VB et Garg PS Machine Learning and Medical Education. Numéros NPZH. médecine. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. et de Rooy, M. Intelligence artificielle en radiologie: 100 produits commerciaux et leurs preuves scientifiques. EURO. radiation. 31, 3797–3804 (2021).
Topol, EJ Medicine haute performance: la convergence de l'intelligence humaine et artificielle. Nat. médecine. 25, 44–56 (2019).
Bede, E. et al. Évaluation centrée sur l'homme d'un système d'apprentissage en profondeur déployé à la clinique pour la détection de la rétinopathie diabétique. Actes de la Conférence du CHI 2020 sur les facteurs humains dans les systèmes informatiques (2020).
Kerr, B. La classe inversée de l'éducation en génie: une revue de la recherche. Actes de la Conférence internationale de 2015 sur l'apprentissage collaboratif interactif (2015).
Les auteurs remercient Danielle Walker, Tim Salcudin et Peter Zandstra de l'imagerie biomédicale et de la recherche de recherche de l'intelligence artificielle à l'Université de la Colombie-Britannique pour leur soutien et son financement.
RH, PP, ZH, RS et MA étaient responsables du développement du contenu d'enseignement de l'atelier. RH et PP étaient responsables du développement des exemples de programmation. KYF, OY, MT et PW étaient responsables de l'organisation logistique du projet et de l'analyse des ateliers. RH, OY, MT, RS étaient responsables de la création des figures et des tables. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS étaient responsables de la rédaction et de la modification du document.
La médecine de la communication remercie Carolyn McGregor, Fabio Moraes et Aditya Borakati pour leurs contributions à l'examen de ce travail.
Heure du poste: 11 février-2024