Merci d'avoir visité Nature.com.La version du navigateur que vous utilisez a une prise en charge CSS limitée.Pour de 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 garantir un support continu, nous affichons le site sans style ni JavaScript.
Les applications de l’intelligence artificielle (IA) clinique se développent rapidement, mais les programmes d’études existants des facultés de médecine offrent un enseignement limité dans ce domaine.Nous décrivons ici un cours de formation en intelligence artificielle que nous avons développé et dispensé aux étudiants en médecine canadiens et formulons des recommandations pour la formation future.
L’intelligence artificielle (IA) en médecine peut améliorer l’efficacité du lieu de travail et faciliter 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 des concepts de l’IA1, comme 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.3.263 étudiants en médecine ont été interrogés et 71 % ont convenu qu'ils avaient besoin d'une formation en intelligence artificielle.Enseigner l’intelligence artificielle à un public médical nécessite une conception soignée combinant des concepts techniques et non techniques pour des étudiants qui possèdent souvent des connaissances préalables approfondies.Nous décrivons notre expérience en dispensant une série d’ateliers sur l’IA à trois groupes d’étudiants en médecine et formulons des recommandations pour la future formation médicale en IA.
Notre atelier d'introduction à l'intelligence artificielle en médecine, d'une durée de cinq semaines, destiné aux étudiants en médecine, s'est tenu trois fois entre février 2019 et avril 2021. Un calendrier de chaque atelier, avec une brève description des modifications apportées au cours, est présenté à la figure 1. Notre cours a trois objectifs d'apprentissage principaux : les étudiants comprennent comment les données sont traitées dans les applications d'intelligence artificielle, analysent la littérature sur l'intelligence artificielle pour des applications cliniques et profitent des opportunités de collaboration avec des ingénieurs développant l'intelligence artificielle.
Le bleu est le sujet de la conférence et le bleu clair est la période interactive de questions et réponses.La section grise fait l’objet d’une 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 guidée conçu pour enseigner l'intelligence artificielle à résoudre des problèmes cliniques et à évaluer des modèles.Le contenu et la durée des ateliers varient en fonction d'une évaluation des besoins des étudiants.
Le premier atelier s'est tenu à l'Université de la Colombie-Britannique de février à avril 2019, et les 8 participants ont donné des commentaires positifs4.En raison de la COVID-19, le deuxième atelier a eu lieu virtuellement en octobre-novembre 2020, avec l'inscription de 222 étudiants en médecine et de 3 résidents de 8 facultés de médecine canadiennes.Les diapositives et le code de la présentation ont été téléchargés sur un site en libre accès (http://ubcaimed.github.io).Le principal retour de la première itération était que les cours étaient trop intenses et le matériel 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 davantage d'études de cas et créé des programmes passe-partout permettant aux participants de compléter des extraits de code avec un minimum de débogage (encadré 1).Les principaux commentaires 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, lors de notre troisième atelier, organisé virtuellement pour 126 étudiants en médecine en mars-avril 2021, nous avons inclus des exercices de codage plus interactifs et des séances de rétroaction sur les projets pour démontrer l'impact de l'utilisation des concepts de l'atelier sur les projets.
Analyse des données : un domaine d'étude en statistiques qui identifie des modèles significatifs dans les données en analysant, traitant et communiquant des modèles de données.
Data mining : processus d’identification et d’extraction de données.Dans le contexte de l’intelligence artificielle, ce chiffre est souvent important, avec plusieurs variables pour chaque échantillon.
Réduction de la dimensionnalité : processus de transformation de données comportant de nombreuses caractéristiques individuelles en moins 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 de manière interchangeable avec « propriété » ou « variable ».
Carte d'activation de gradient : technique utilisée pour interpréter les modèles d'intelligence artificielle (notamment les réseaux de neurones convolutifs), qui analyse le processus d'optimisation de la dernière partie du réseau pour identifier des 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 exécute une tâche en utilisant des données qu'il n'a jamais rencontrées auparavant.
Formation (dans le contexte de l'intelligence artificielle) : Fournir à un modèle des données et des résultats afin que le modèle ajuste ses paramètres internes pour optimiser sa capacité à effectuer des tâches en utilisant de nouvelles données.
Vecteur : tableau de données.En apprentissage automatique, chaque élément du tableau est généralement une caractéristique unique de l'échantillon.
Le tableau 1 répertorie les derniers cours d'avril 2021, y compris les objectifs d'apprentissage ciblés pour chaque sujet.Cet atelier s'adresse aux nouveaux venus au niveau technique et ne nécessite aucune connaissance mathématique au-delà de la première année d'un diplôme de premier cycle en médecine.Le cours a été élaboré par 6 étudiants en médecine et 3 enseignants titulaires de diplômes supérieurs en ingénierie.Les ingénieurs développent la théorie de l’intelligence artificielle à enseigner, et les étudiants en médecine apprennent du matériel cliniquement pertinent.
Les ateliers comprennent des conférences, des études de cas et une programmation guidée.Dans le premier cours, nous passons en revue certains concepts de l'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 à des contraintes de temps et également au fait que certains étudiants de premier cycle avaient une formation préalable en biostatistique et souhaitaient aborder des sujets d'apprentissage automatique plus spécifiques.La conférence suivante présente les 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 cours sont complétés par de la littérature et des recherches pratiques sur les dispositifs d'intelligence artificielle existants.Nous mettons l'accent sur les compétences requises pour évaluer l'efficacité et la faisabilité d'un modèle permettant de répondre à des questions cliniques, notamment la compréhension des limites des dispositifs d'intelligence artificielle existants.Par exemple, nous avons demandé aux étudiants d'interpréter les lignes directrices sur les traumatismes crâniens pédiatriques proposées par Kupperman et al. 5, qui mettaient en œuvre un algorithme d'arbre décisionnel d'intelligence artificielle pour déterminer si une tomodensitométrie serait utile sur la base d'un examen médical.Nous soulignons qu’il s’agit d’un exemple courant d’IA fournissant des analyses prédictives que les médecins doivent interpréter, plutôt que de les remplacer.
Dans les exemples de programmation 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 dimensionnalité, un chargement de modèle standard et une formation. .et les tests.Nous utilisons des notebooks Google Colaboratory (Google LLC, Mountain View, CA), qui permettent d'exécuter du code Python depuis un navigateur web.Sur la figure. La figure 2 fournit un exemple d'exercice de programmation.Cet exercice consiste à prédire les tumeurs malignes à l'aide du Wisconsin Open Breast Imaging Dataset6 et d'un algorithme d'arbre de décision.
Présentez des programmes tout au long de la semaine sur des sujets connexes et sélectionnez des exemples d'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, comme la manière d'évaluer les modèles pour déterminer s'ils sont prêts 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 sur la base de paramètres d'image médicale.
Hétérogénéité des connaissances antérieures.Nos participants variaient dans leur niveau de connaissances mathématiques.Par exemple, les étudiants ayant une formation en ingénierie avancée recherchent du matériel plus approfondi, comme comment effectuer leurs propres transformées de Fourier.Cependant, discuter de l’algorithme de Fourier en classe n’est pas possible car cela nécessite une connaissance approfondie du traitement du signal.
Sortie 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 facultés de médecine sont connues pour reconnaître les relevés de notes des activités académiques parascolaires des étudiants, ce qui peut les encourager à poursuivre des études.
Conception du cours : étant donné que l'IA couvre de nombreux sous-domaines, la sélection de concepts de base d'une profondeur et d'une ampleur appropriées peut s'avérer difficile.Par exemple, la continuité d’utilisation des outils d’IA du laboratoire à la clinique est un sujet important.Bien que nous couvrons le prétraitement des données, la création de modèles et la validation, nous n'incluons pas de sujets tels que l'analyse du Big Data, la visualisation interactive ou la conduite d'essais cliniques sur l'IA, mais nous nous concentrons plutôt sur les concepts d'IA les plus uniques.Notre principe directeur est d’améliorer l’alphabétisation et non les compétences.Par exemple, comprendre comment un modèle traite les caractéristiques d’entrée est important pour l’interprétabilité.Une façon d’y parvenir consiste à utiliser des cartes d’activation de gradient, qui peuvent visualiser quelles régions des données sont prévisibles.Cependant, cela nécessite un calcul multivarié et ne peut être introduit8.Développer une terminologie commune était un défi car nous essayions d'expliquer comment travailler avec des données sous forme de 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.L’application de l’IA étant limitée, il reste à voir dans quelle mesure les participants conservent leurs connaissances.Les programmes des facultés de médecine reposent souvent sur des redoublements espacés pour renforcer les connaissances lors des stages pratiques9, ce qui peut également être appliqué à l’enseignement de l’IA.
Le professionnalisme est plus important que l'alphabétisation.La profondeur du matériel est conçue sans rigueur mathématique, ce qui a posé problème lors du lancement de cours cliniques en intelligence artificielle.Dans les exemples de programmation, nous utilisons un programme modèle qui permet aux participants de remplir des champs et d'exécuter le logiciel sans avoir à comprendre comment configurer un environnement de programmation complet.
Les préoccupations concernant l'intelligence artificielle ont été abordées : Il existe une inquiétude généralisée selon laquelle l'intelligence artificielle pourrait remplacer certaines tâches cliniques3.Pour résoudre ce problème, nous expliquons les limites de l’IA, notamment le fait que presque toutes les technologies d’IA approuvées par les régulateurs nécessitent la supervision d’un médecin11.Nous soulignons également l’importance des biais, car les algorithmes sont sujets aux biais, surtout si l’ensemble de données n’est pas diversifié12.Par conséquent, un certain sous-groupe peut être mal modélisé, conduisant à des décisions cliniques injustes.
Les ressources sont accessibles au public : nous avons créé des ressources accessibles au public, notamment des diapositives et du code de cours.Bien que l’accès au contenu synchrone soit limité en raison des fuseaux horaires, le contenu open source constitue une méthode pratique pour l’apprentissage asynchrone puisque l’expertise en IA n’est pas disponible dans toutes les facultés de médecine.
Collaboration interdisciplinaire : cet atelier est une coentreprise initiée par des étudiants en médecine pour planifier des cours avec des ingénieurs.Cela démontre les opportunités de collaboration et les lacunes en matière de connaissances dans les deux domaines, permettant aux participants de comprendre le rôle potentiel qu'ils peuvent apporter à l'avenir.
Définir les compétences de base de l’IA.La définition d'une liste de compétences fournit une structure standardisée qui peut être intégrée aux programmes d'études médicaux existants basés sur les compétences.Cet atelier utilise actuellement les niveaux d'objectifs d'apprentissage 2 (compréhension), 3 (application) et 4 (analyse) de la taxonomie de Bloom.Disposer de ressources à des niveaux de classification plus élevés, comme la création de projets, peut renforcer davantage les connaissances.Cela nécessite de travailler avec des experts cliniques pour déterminer comment les sujets liés à l’IA peuvent être appliqués aux flux de travail cliniques et empêcher l’enseignement de sujets répétitifs déjà inclus dans les programmes médicaux standards.
Créez des études de cas à l'aide de l'IA.À l’instar des exemples cliniques, l’apprentissage basé sur des cas peut renforcer des concepts abstraits en soulignant leur pertinence par rapport aux questions cliniques.Par exemple, une étude d'atelier a analysé le système de détection de la rétinopathie diabétique basé sur l'IA de Google 13 pour identifier les défis tout au long du parcours allant du laboratoire à la clinique, tels que les exigences de validation externe et les voies d'approbation réglementaire.
Utiliser l’apprentissage expérientiel : les compétences techniques nécessitent une pratique ciblée et des applications répétées pour maîtriser, à l’instar des expériences d’apprentissage en rotation des stagiaires cliniques.Une solution potentielle est le modèle de classe inversée, qui améliorerait la rétention des connaissances dans la formation en ingénierie14.Dans ce modèle, les étudiants révisent le matériel théorique de manière indépendante et le temps de cours est consacré à la résolution de problèmes au moyen d'études de cas.
Mise à l'échelle pour les participants multidisciplinaires : nous envisageons l'adoption de l'IA impliquant une collaboration entre plusieurs disciplines, y compris des médecins et des professionnels paramédicaux avec différents niveaux de formation.Par conséquent, les programmes d’études devront peut-être être élaborés en consultation avec les professeurs de différents départements afin d’adapter leur contenu aux différents domaines des soins de santé.
L'intelligence artificielle est une technologie de haute technologie et ses concepts fondamentaux sont liés aux mathématiques et à l'informatique.Former le personnel de santé à comprendre l’intelligence artificielle présente des défis uniques en matière de sélection de contenu, de pertinence clinique et de méthodes de prestation.Nous espérons que les enseignements tirés des ateliers sur l’IA dans l’éducation aideront les futurs éducateurs à adopter des méthodes innovantes pour intégrer l’IA dans l’enseignement médical.
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. Que doivent vraiment savoir les étudiants en médecine sur l’intelligence artificielle ?Numéros NPZh.Médecine 3, 1–3 (2020).
Dos Santos, DP, et coll.Attitudes des étudiants en médecine à l'égard de 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.Méd.enseigner.54, 1042-1043 (2020).
Cooperman N, et coll.Identifier les enfants présentant un très faible risque de lésion cérébrale cliniquement significative après un traumatisme crânien : une étude de cohorte prospective.Lancette 374, 1160-1170 (2009).
Street, WN, Wolberg, WH et Mangasarian, 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 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 fondée sur des données probantes à l'aide de l'OSCE dans la formation médicale de premier cycle.Médecine BMK.enseigner.21, 1–9 (2021).
Kolachalama VB et Garg PS Apprentissage automatique et formation médicale.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 Médecine haute performance : la convergence de l'intelligence humaine et artificielle.Nat.médecine.25, 44-56 (2019).
Bede, E. et coll.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 la formation en ingénierie : une revue de recherche.Actes de la Conférence internationale 2015 sur l'apprentissage collaboratif interactif (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 la Colombie-Britannique pour leur soutien et leur financement.
RH, PP, ZH, RS et MA étaient responsables de l'élaboration du contenu pédagogique 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 tableaux.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS étaient responsables de la rédaction et de la révision du document.
Communication Medicine remercie Carolyn McGregor, Fabio Moraes et Aditya Borakati pour leurs contributions à la révision de ce travail.
Heure de publication : 19 février 2024