Merci de votre visite sur Nature.com. La version de votre navigateur ne prend pas en charge les styles CSS. Pour un affichage optimal, nous vous recommandons d'utiliser une version plus récente de votre navigateur (ou de désactiver le mode de compatibilité dans Internet Explorer). En attendant, afin de garantir la continuité du service, le site est affiché sans style ni JavaScript.
Les applications de l'intelligence artificielle (IA) clinique connaissent une croissance rapide, mais les programmes d'études médicales actuels n'offrent qu'un enseignement limité dans ce domaine. Nous décrivons ici un cours de formation en intelligence artificielle que nous avons conçu et dispensé à des étudiants en médecine canadiens et formulons des recommandations pour les formations futures.
L'intelligence artificielle (IA) en médecine peut améliorer l'efficacité au travail et faciliter la prise de décision clinique. Pour utiliser l'IA en toute sécurité, les médecins doivent en posséder une certaine compréhension. De nombreux commentaires préconisent l'enseignement des concepts de l'IA¹, tels que l'explication des modèles d'IA et des processus de vérification². Cependant, peu de plans structurés ont été mis en œuvre, notamment au niveau national. Pinto dos Santos et al.³ ont interrogé 263 étudiants en médecine, et 71 % d'entre eux ont estimé avoir besoin d'une formation en intelligence artificielle. Enseigner l'IA à un public médical exige une conception rigoureuse qui combine concepts techniques et non techniques, pour des étudiants qui possèdent souvent de solides connaissances préalables. Nous décrivons notre expérience d'animation d'une série d'ateliers d'IA auprès de trois groupes d'étudiants en médecine et formulons des recommandations pour l'avenir de la formation médicale en IA.
Notre atelier d'introduction à l'intelligence artificielle en médecine, d'une durée de cinq semaines et destiné aux étudiants en médecine, a été organisé à trois reprises entre février 2019 et avril 2021. Le calendrier de chaque atelier, accompagné d'une brève description des modifications apportées au cours, est présenté dans la figure 1. Notre cours poursuit trois objectifs d'apprentissage principaux : comprendre comment les données sont traitées dans les applications d'intelligence artificielle, analyser la littérature sur l'intelligence artificielle pour les applications cliniques et profiter des opportunités de collaboration avec les ingénieurs développant l'intelligence artificielle.
Le thème du cours est en bleu, et la période de questions-réponses est en bleu clair. La section grise présente une brève revue de la littérature. Les sections orange proposent des études de cas illustrant des modèles ou des techniques d'intelligence artificielle. La section verte est un cours de programmation guidée visant à enseigner l'utilisation de l'intelligence artificielle pour résoudre des problèmes cliniques et évaluer des modèles. Le contenu et la durée des ateliers sont adaptés aux besoins des étudiants.
Le premier atelier s'est tenu à l'Université de la Colombie-Britannique de février à avril 2019 et les huit participants ont tous donné des commentaires positifs⁴. En raison de la COVID-19, le deuxième atelier a eu lieu en ligne en octobre-novembre 2020 et a réuni 222 étudiants en médecine et trois résidents de huit facultés de médecine canadiennes. Les diapositives et le code des présentations sont disponibles en accès libre (http://ubcaimed.github.io). Le principal reproche formulé lors du premier atelier était que les cours magistraux étaient trop denses et le contenu trop théorique. La gestion des six fuseaux horaires du Canada représente un défi supplémentaire. Par conséquent, le deuxième atelier a réduit la durée de chaque séance à une heure, simplifié le contenu du cours, ajouté davantage d'études de cas et créé des programmes types permettant aux participants de compléter des extraits de code avec un minimum de débogage (Encadré 1). Les principaux commentaires reçus lors du deuxième atelier ont porté sur les exercices de programmation et ont souligné la demande de présenter la planification d'un projet d'apprentissage automatique. C’est pourquoi, lors de notre troisième atelier, organisé virtuellement pour 126 étudiants en médecine en mars-avril 2021, nous avons inclus davantage d’exercices de codage interactifs et de séances de retour d’information sur les projets afin de démontrer l’impact de l’utilisation des concepts de l’atelier sur les projets.
Analyse des données : Domaine d’étude des statistiques qui identifie les tendances significatives dans les données en analysant, traitant et communiquant ces tendances.
Exploration de données : processus d’identification et d’extraction de données. Dans le contexte de l’intelligence artificielle, ces données sont souvent volumineuses, avec de multiples variables pour chaque échantillon.
Réduction de dimensionnalité : Processus de transformation de données comportant de nombreuses caractéristiques individuelles en un nombre réduit de caractéristiques, 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 comme synonyme de « propriété » ou de « variable ».
Carte d'activation par gradient : une technique utilisée pour interpréter les modèles d'intelligence artificielle (en particulier les réseaux neuronaux convolutifs), qui analyse le processus d'optimisation de la dernière partie du réseau afin d'identifier les régions de données ou d'images hautement prédictives.
Modèle standard : Un modèle d’IA existant qui a été pré-entraîné pour effectuer des tâches similaires.
Tests (dans le contexte de l'intelligence artificielle) : observer comment un modèle effectue une tâche en utilisant des données qu'il n'a jamais rencontrées auparavant.
Entraînement (dans le contexte de l'intelligence artificielle) : Fournir à un modèle des données et des résultats afin que celui-ci ajuste ses paramètres internes pour optimiser sa capacité à effectuer des tâches à l'aide de nouvelles données.
Vecteur : tableau de données. En apprentissage automatique, chaque élément du tableau représente généralement une caractéristique unique de l’échantillon.
Le tableau 1 présente les cours proposés en avril 2021, ainsi que les objectifs d'apprentissage ciblés pour chaque thème. Cet atelier s'adresse aux personnes n'ayant aucune connaissance technique préalable et ne requiert aucune connaissance mathématique supérieure à celle de la première année d'études médicales. Le cours a été élaboré par six étudiants en médecine et trois enseignants titulaires d'un diplôme d'ingénieur. Les ingénieurs développent des concepts théoriques en intelligence artificielle à des fins pédagogiques, tandis que les étudiants en médecine acquièrent des connaissances cliniquement pertinentes.
Les ateliers comprennent des cours magistraux, des études de cas et de la programmation guidée. Le premier cours magistral passe en revue certains concepts d'analyse de 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 fondamentale en intelligence artificielle, nous n'abordons pas des sujets tels que l'exploration de données, les tests de signification ou la visualisation interactive. Ce choix est dû à des contraintes de temps et au fait que certains étudiants de premier cycle avaient déjà une formation en biostatistique et souhaitaient explorer des sujets plus spécifiques à l'apprentissage automatique. Le cours magistral suivant présente les méthodes modernes et discute de la formulation des problèmes d'IA, des avantages et des limites des modèles d'IA, ainsi que de leur évaluation. Les cours magistraux sont complétés par des références bibliographiques et des recherches pratiques sur les dispositifs d'intelligence artificielle existants. Nous insistons sur les compétences nécessaires pour évaluer l'efficacité et la faisabilité d'un modèle afin de répondre à des questions cliniques, notamment la compréhension des limites des dispositifs d'IA existants. Par exemple, nous avons demandé aux étudiants d'interpréter les recommandations relatives aux traumatismes crâniens chez l'enfant proposées par Kupperman et al.⁵, qui mettent en œuvre un algorithme d'arbre de décision d'intelligence artificielle pour déterminer l'utilité d'un scanner en fonction de l'examen clinique. Nous tenons à souligner qu'il s'agit d'un exemple courant d'IA fournissant des analyses prédictives aux médecins, plutôt que de remplacer ces derniers.
Dans les exemples de programmation Bootstrap open source disponibles (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), nous montrons comment réaliser une analyse exploratoire des données, une réduction de dimensionnalité, le chargement standard du modèle, ainsi que son entraînement et ses tests. Nous utilisons les notebooks Google Colaboratory (Google LLC, Mountain View, CA), qui permettent d'exécuter du code Python depuis un navigateur web. La figure 2 présente un exemple d'exercice de programmation. Cet exercice consiste à prédire les tumeurs malignes à l'aide du jeu de données Wisconsin Open Breast Imaging Dataset⁶ et d'un algorithme d'arbre de décision.
Des programmes de présentation sont proposés tout au long de la semaine sur des sujets connexes, ainsi que des exemples tirés d'applications d'IA publiées. Les éléments de programmation ne sont inclus que s'ils sont jugés pertinents pour éclairer les pratiques cliniques futures, notamment l'évaluation des modèles afin de déterminer leur aptitude à être utilisés dans des essais cliniques. Ces exemples aboutissent à une application complète de bout en bout qui classe les tumeurs comme bénignes ou malignes en fonction des paramètres d'imagerie médicale.
Hétérogénéité des connaissances préalables. Nos participants présentaient des niveaux de connaissances mathématiques variés. Par exemple, les étudiants ayant une formation d'ingénieur avancée recherchent des contenus plus approfondis, comme la réalisation de leurs propres transformées de Fourier. Cependant, l'étude de l'algorithme de Fourier en classe est impossible car elle requiert une connaissance approfondie du traitement du signal.
Baisse de la fréquentation. La participation aux réunions de suivi a diminué, surtout en ligne. Une solution pourrait consister à assurer le suivi des présences et à délivrer une attestation de participation. Les facultés de médecine reconnaissent généralement les activités parascolaires des étudiants, ce qui peut les encourager à poursuivre des études supérieures.
Conception du cours : L’IA couvrant de nombreux sous-domaines, la sélection des concepts fondamentaux, avec un niveau de détail et d’étendue approprié, peut s’avérer complexe. Par exemple, la continuité de l’utilisation des outils d’IA du laboratoire à la clinique est un sujet important. Bien que nous abordions le prétraitement des données, la construction et la validation des modèles, nous n’incluons pas des sujets tels que l’analyse des mégadonnées, la visualisation interactive ou la conduite d’essais cliniques en IA. Nous nous concentrons plutôt sur les concepts les plus spécifiques de l’IA. Notre principe directeur est d’améliorer la culture générale, et non les compétences. Par exemple, comprendre comment un modèle traite les caractéristiques d’entrée est essentiel à son interprétabilité. Une méthode consiste à utiliser des cartes d’activation de gradient, qui permettent de visualiser les régions des données prévisibles. Cependant, cela nécessite des calculs multivariés et ne peut être introduit ici⁸. L’élaboration d’une terminologie commune a représenté un défi, car nous cherchions à expliquer comment manipuler les données sous forme de vecteurs sans formalisme mathématique. Il est important de noter que différents termes peuvent avoir la même signification ; par exemple, en épidémiologie, une « caractéristique » est décrite comme une « variable » ou un « attribut ».
Mémorisation des connaissances. L'application de l'IA étant encore limitée, il reste à déterminer dans quelle mesure les participants retiennent les connaissances. Les programmes d'études médicales s'appuient souvent sur la répétition espacée pour renforcer les connaissances lors des stages pratiques,9 une méthode qui peut également être appliquée à l'enseignement de l'IA.
Le professionnalisme prime sur la maîtrise des connaissances. La profondeur du contenu est conçue sans rigueur mathématique, ce qui a posé problème lors du lancement des formations cliniques en intelligence artificielle. Dans les exemples de programmation, nous utilisons un programme modèle permettant aux participants de remplir des champs et d'exécuter le logiciel sans avoir à configurer un environnement de programmation complet.
Préoccupations liées à l'intelligence artificielle : L'intelligence artificielle suscite de vives inquiétudes quant à son potentiel à remplacer certaines tâches cliniques³. Pour y remédier, nous expliquons les limites de l'IA, notamment le fait que la quasi-totalité des technologies d'IA approuvées par les autorités réglementaires requièrent la supervision d'un médecin¹¹. Nous insistons également sur l'importance des biais, car les algorithmes y sont sujets, surtout si l'ensemble de données est peu diversifié¹². Par conséquent, un sous-groupe donné peut être modélisé de manière incorrecte, ce qui peut conduire à des décisions cliniques inéquitables.
Des ressources sont disponibles publiquement : nous avons créé des ressources accessibles à tous, notamment les diapositives des cours et le code source. Bien que l’accès au contenu synchrone soit limité par les décalages horaires, le contenu libre constitue une méthode pratique pour l’apprentissage asynchrone, car l’expertise en IA n’est pas disponible dans toutes les facultés de médecine.
Collaboration interdisciplinaire : Cet atelier est une initiative conjointe d’étudiants en médecine et d’ingénieurs visant à élaborer des cours ensemble. Il met en lumière les possibilités de collaboration et les lacunes en matière de connaissances dans les deux domaines, permettant ainsi aux participants de mieux appréhender le rôle qu’ils pourront jouer à l’avenir.
Définir les compétences fondamentales en IA. L'établissement d'une liste de compétences offre une structure standardisée, intégrable aux cursus médicaux existants. Cet atelier utilise actuellement les niveaux d'objectifs d'apprentissage 2 (Compréhension), 3 (Application) et 4 (Analyse) de la taxonomie de Bloom. Des ressources de niveau supérieur, comme la création de projets, permettent d'approfondir les connaissances. Cela implique de collaborer avec des experts cliniques afin de déterminer comment les concepts d'IA peuvent être appliqués aux pratiques cliniques et d'éviter l'enseignement redondant de sujets déjà abordés dans les cursus médicaux standards.
Créez des études de cas utilisant l'IA. À l'instar des exemples cliniques, l'apprentissage par cas permet de consolider les concepts abstraits en soulignant leur pertinence pour les questions cliniques. Par exemple, une étude menée lors d'un atelier a analysé le système de détection de la rétinopathie diabétique de Google basé sur l'IA¹³ afin d'identifier les obstacles rencontrés lors du passage du laboratoire à la clinique, tels que les exigences de validation externe et les procédures d'approbation réglementaire.
Privilégier l'apprentissage par l'expérience : la maîtrise des compétences techniques exige une pratique ciblée et une application répétée, à l'instar des stages cliniques. Le modèle de la classe inversée, qui a démontré son efficacité pour améliorer la mémorisation des connaissances en ingénierie¹⁴, constitue une solution possible. Dans ce modèle, les étudiants révisent la matière théorique de manière autonome et le temps de classe est consacré à la résolution de problèmes à travers des études de cas.
Mise à l'échelle pour des participants multidisciplinaires : Nous envisageons l'adoption de l'IA comme un processus collaboratif impliquant de multiples disciplines, notamment les médecins et les professionnels paramédicaux de différents niveaux de formation. Par conséquent, il pourrait être nécessaire d'élaborer les programmes de formation en concertation avec les enseignants de différents départements afin d'adapter leur contenu aux divers domaines des soins de santé.
L'intelligence artificielle est une technologie de pointe dont les concepts fondamentaux relèvent des mathématiques et de l'informatique. Former le personnel de santé à l'intelligence artificielle présente des défis uniques en matière de sélection des contenus, de pertinence clinique et de méthodes pédagogiques. Nous espérons que les enseignements tirés des ateliers « L'IA dans l'éducation » aideront les futurs formateurs à adopter des approches novatrices pour intégrer l'IA dans la formation médicale.
Le script Python de Google Colaboratory est open source et disponible à l'adresse suivante : https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG et Khan, S. Repenser l'enseignement médical : un appel à l'action. Akkad. médecine. 88, 1407–1410 (2013).
McCoy, LG et al. Que doivent vraiment savoir les étudiants en médecine sur l'intelligence artificielle ? Chiffres 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. teach. 54, 1042–1043 (2020).
Cooperman N, et al. Identification des enfants présentant un très faible risque de lésion cérébrale cliniquement significative après un traumatisme crânien : une étude de cohorte prospective. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH et Mangasarian, OL. Extraction de caractéristiques nucléaires pour le diagnostic des tumeurs du sein. Sciences biomédicales. Traitement d'images. Sciences biomédicales. 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. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam : Interprétation visuelle des réseaux profonds via une localisation basée sur le gradient. Actes de la conférence internationale 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 factuelle à l'aide de l'OSCE dans la formation médicale de premier cycle. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB et Garg PS Apprentissage automatique et éducation médicale. NPZh numbers. 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 Médecine de haute performance : la convergence de l'intelligence humaine et artificielle. Médecine naturelle. 25, 44–56 (2019).
Bede, E. et al. Évaluation centrée sur l'humain d'un système d'apprentissage profond déployé en clinique pour la détection de la rétinopathie diabétique. Actes de la conférence CHI 2020 sur les facteurs humains dans les systèmes informatiques (2020).
Kerr, B. La classe inversée dans l'enseignement de l'ingénierie : une revue de la recherche. Actes de la Conférence internationale sur l'apprentissage collaboratif interactif de 2015 (2015).
Les auteurs remercient Danielle Walker, Tim Salcudin et Peter Zandstra du groupe de recherche en imagerie biomédicale et intelligence artificielle de l'Université de Colombie-Britannique pour leur soutien et leur financement.
RH, PP, ZH, RS et MA ont élaboré le contenu pédagogique des ateliers. RH et PP ont conçu les exemples de programmation. KYF, OY, MT et PW ont assuré l'organisation logistique du projet et l'analyse des ateliers. RH, OY, MT et RS ont créé les figures et les tableaux. RH, KYF, PP, ZH, OY, MY, PW, TL, MA et RS ont rédigé et révisé le document.
Communication Medicine remercie Carolyn McGregor, Fabio Moraes et Aditya Borakati pour leur contribution à la relecture de ce travail.
Date de publication : 19 février 2024