Nature.com을 방문해 주셔서 감사합니다. 사용중인 브라우저 버전에는 CSS 지원이 제한되어 있습니다. 최상의 결과를 얻으려면 최신 버전의 브라우저 (또는 Internet Explorer에서 호환성 모드를 끄는 것이 좋습니다)를 사용하는 것이 좋습니다. 그 동안 지속적인 지원을 보장하기 위해 스타일링이나 JavaScript없이 사이트를 표시하고 있습니다.
임상 인공 지능 (AI)의 응용이 빠르게 성장하고 있지만 기존 의과 대학 커리큘럼은이 영역을 다루는 제한된 교육을 제공합니다. 여기서 우리는 캐나다 의대생들에게 개발하고 전달한 인공 지능 훈련 과정을 설명하고 향후 훈련을위한 권장 사항을 설명합니다.
의학의 인공 지능 (AI)은 작업장 효율성을 향상시키고 임상 의사 결정을 도울 수 있습니다. 인공 지능의 사용을 안전하게 안내하려면 의사는 인공 지능을 이해해야합니다. 많은 의견은 AI 모델을 설명하고 검증 프로세스를 설명하는 것과 같은 AI 개념을 가르치는 것을 옹호합니다 2. 그러나 특히 국가 차원에서 구조화 된 계획이 거의 구현되지 않았습니다. Pinto Dos Santos et al.3. 263 명의 의대생들이 설문 조사를 받았으며 71%는 인공 지능에 대한 훈련이 필요하다는 데 동의했습니다. 의료 청중에게 인공 지능을 가르치려면 종종 광범위한 사전 지식을 가진 학생들을위한 기술적 및 비 기술적 개념을 결합한 신중한 디자인이 필요합니다. 우리는 세 그룹의 의대생들에게 일련의 AI 워크샵을 전달한 경험을 설명하고 AI의 향후 의료 교육을위한 권장 사항을 제시합니다.
의대생을위한 의학 학생을위한 인공 지능에 대한 5 주간의 소개 2019 년 2 월에서 2021 년 4 월 사이에 3 번 개최되었습니다. 각 워크숍에 대한 일정은 코스 변경 사항에 대한 간단한 설명이 그림 1에 나와 있습니다. 세 가지 주요 학습 목표 : 학생들은 인공 지능 응용 분야에서 데이터가 처리되는 방법을 이해하고, 임상 응용을위한 인공 지능 문헌을 분석하며, 인공 지능을 개발하는 엔지니어와 협력 할 수있는 기회를 활용합니다.
파란색은 강의 주제이며 밝은 파란색은 대화식 질문과 답변 기간입니다. 회색 섹션은 간단한 문헌 검토의 초점입니다. 오렌지 섹션은 인공 지능 모델 또는 기술을 설명하는 선택된 사례 연구입니다. Green은 임상 문제를 해결하고 모델을 평가하기 위해 인공 지능을 가르치기 위해 설계된 가이드 프로그래밍 과정입니다. 워크샵의 내용과 기간은 학생의 요구 평가에 따라 다릅니다.
첫 번째 워크숍은 2019 년 2 월부터 4 월까지 브리티시 컬럼비아 대학교에서 열렸으며 8 명의 참가자 모두 긍정적 인 피드백을주었습니다. COVID-19로 인해 두 번째 워크숍은 2020 년 10 월에서 11 월에 거의 222 명의 의대생과 8 개의 캐나다 의과 대학에서 3 명의 거주자가 등록했습니다. 프레젠테이션 슬라이드 및 코드는 오픈 액세스 사이트 (http://ubcaimed.github.io)에 업로드되었습니다. 첫 번째 반복의 주요 피드백은 강의가 너무 강렬하고 물질이 이론적이라는 것이었다. 캐나다의 6 가지 시간대에 서비스를 제공하는 것은 추가적인 과제를 제기합니다. 따라서 두 번째 워크숍은 각 세션을 1 시간으로 단축하고 코스 자료를 단순화하고 더 많은 사례 연구를 추가했으며 참가자가 최소한의 디버깅으로 코드 스 니펫을 완료 할 수 있도록 보일러 플레이트 프로그램을 만들었습니다 (박스 1). 두 번째 반복의 주요 피드백에는 프로그래밍 연습에 대한 긍정적 인 피드백과 머신 러닝 프로젝트 계획을 보여주기위한 요청이 포함되었습니다. 따라서 2021 년 3 월 -4 월에 126 명의 의대생을 위해 거의 열린 세 번째 워크숍에서 우리는보다 대화 형 코딩 연습과 프로젝트 피드백 세션을 포함하여 워크샵 개념을 프로젝트에 사용하는 영향을 입증했습니다.
데이터 분석 : 데이터 패턴을 분석, 처리 및 통신하여 데이터의 의미있는 패턴을 식별하는 통계 연구 분야.
데이터 마이닝 : 데이터를 식별하고 추출하는 과정. 인공 지능의 맥락에서, 이것은 종종 각 샘플에 대한 여러 변수가있는 경우가 많습니다.
차원 감소 : 원래 데이터 세트의 중요한 특성을 보존하면서 많은 개별 기능으로 데이터를 더 적은 기능으로 변환하는 프로세스.
특성 (인공 지능의 맥락에서) : 샘플의 측정 가능한 특성. 종종 "속성"또는 "가변"과 상호 교환 적으로 사용됩니다.
그라디언트 활성화 맵 : 인공 지능 모델 (특히 Convolutional Neural Networks)을 해석하는 데 사용되는 기술로 네트워크의 마지막 부분을 최적화하여 예측이 많은 데이터 또는 이미지 영역을 식별하는 프로세스를 분석합니다.
표준 모델 : 유사한 작업을 수행하기 위해 미리 훈련 된 기존 AI 모델.
테스트 (인공 지능의 맥락에서) : 모델이 이전에 발생하지 않은 데이터를 사용하여 작업을 수행하는 방법을 관찰합니다.
교육 (인공 지능의 맥락에서) : 데이터 및 결과를 가진 모델을 제공하여 모델이 내부 매개 변수를 조정하여 새 데이터를 사용하여 작업을 수행 할 수있는 능력을 최적화합니다.
벡터 : 데이터 배열. 기계 학습에서 각 배열 요소는 일반적으로 샘플의 고유 한 기능입니다.
표 1에는 각 주제에 대한 대상 학습 목표를 포함하여 2021 년 4 월의 최신 과정이 나와 있습니다. 이 워크숍은 기술 수준에 새로운 사람들을위한 것이며 학부 의학 학위 첫해를 넘어서 수학적 지식을 요구하지 않습니다. 이 과정은 6 명의 의대생과 엔지니어링 분야의 고급 학위를 가진 3 명의 교사가 개발했습니다. 엔지니어들은 가르치기 위해 인공 지능 이론을 개발하고 있으며, 의대생들은 임상 적으로 관련된 자료를 배우고 있습니다.
워크샵에는 강의, 사례 연구 및 가이드 프로그래밍이 포함됩니다. 첫 번째 강의에서는 데이터 시각화, 로지스틱 회귀 및 설명 및 유도 통계의 비교를 포함하여 생물 통계에서 선택된 데이터 분석 개념을 검토합니다. 데이터 분석은 인공 지능의 기초이지만 데이터 마이닝, 중요 테스트 또는 대화식 시각화와 같은 주제를 제외합니다. 이는 시간 제약 때문이며 일부 학부생들은 생물 통계에 대한 사전 교육을 받았으며보다 독특한 기계 학습 주제를 다루고 싶었 기 때문입니다. 후속 강의는 현대적인 방법을 소개하고 AI 문제 공식화, AI 모델의 장점 및 한계 및 모델 테스트에 대해 설명합니다. 강의는 기존 인공 지능 장치에 대한 문헌과 실질적인 연구에 의해 보완됩니다. 우리는 기존 인공 지능 장치의 한계 이해를 포함하여 임상 문제를 해결하기 위해 모델의 효과와 타당성을 평가하는 데 필요한 기술을 강조합니다. 예를 들어, 우리는 학생들에게 Kupperman et al.이 제안한 소아 머리 부상 가이드 라인을 해석하여 인공 지능 의사 결정 트리 알고리즘을 구현하여 의사의 시험을 기반으로 CT 스캔이 유용할지 여부를 결정했습니다. 우리는 이것이 의사를 대체하기보다는 의사가 해석 할 수있는 예측 분석을 제공하는 AI의 일반적인 예라고 강조합니다.
사용 가능한 오픈 소스 부트 스트랩 프로그래밍 예 (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples)에서 탐색 적 데이터 분석, 차원 감소, 표준 모델 로딩 및 교육을 수행하는 방법을 보여줍니다. . 그리고 테스트. 우리는 Google 공동 노트북 (Google LLC, Mountain View, CA)을 사용하여 웹 브라우저에서 Python 코드를 실행할 수 있습니다. 그림 2에서는 프로그래밍 운동의 예를 제공합니다. 이 연습은 위스콘신 오픈 유방 이미징 데이터 세트 6과 의사 결정 트리 알고리즘을 사용한 악성 종양을 예측하는 것이 포함됩니다.
관련 주제에 대한 일주일 내내 현재 프로그램 및 게시 된 AI 애플리케이션에서 예제를 선택하십시오. 프로그래밍 요소는 임상 시험에 사용할 준비가되었는지 여부를 결정하기 위해 모델을 평가하는 방법과 같은 미래의 임상 실습에 대한 통찰력을 제공하는 것과 관련된 것으로 간주되는 경우에만 포함됩니다. 이 예는 의료 이미지 매개 변수에 기초하여 종양을 양성 또는 악성으로 분류하는 본격적인 엔드 투 엔드 응용 프로그램에서 정점에 이른다.
사전 지식의 이질성. 우리의 참가자는 수학 지식 수준이 다양했습니다. 예를 들어, 고급 엔지니어링 배경을 가진 학생들은 자신의 푸리에 변환을 수행하는 방법과 같은보다 심층적 인 자료를 찾고 있습니다. 그러나 클래스에서 푸리에 알고리즘을 논의하는 것은 신호 처리에 대한 심층적 인 지식이 필요하기 때문에 불가능합니다.
출석 유출. 후속 회의 참석은 특히 온라인 형식으로 감소했습니다. 해결책은 출석을 추적하고 완료 증명서를 제공하는 것일 수 있습니다. 의과 대학은 학생들의 과외 학업 활동의 성적표를 인식하는 것으로 알려져 있으며, 이는 학생들이 학위를 취득하도록 장려 할 수 있습니다.
코스 디자인 : AI가 너무 많은 서브 필드에 걸쳐 있기 때문에 적절한 깊이와 폭에 대한 핵심 개념을 선택하는 것은 어려울 수 있습니다. 예를 들어, 실험실에서 클리닉까지 AI 도구 사용의 연속성은 중요한 주제입니다. 데이터 전처리, 모델 구축 및 검증을 다루는 동안 빅 데이터 분석, 대화식 시각화 또는 AI 임상 시험 수행과 같은 주제는 포함되지 않고 대신 가장 독특한 AI 개념에 중점을 둡니다. 우리의지도 원칙은 기술이 아니라 문해력을 향상시키는 것입니다. 예를 들어, 모델이 입력 기능을 어떻게 처리하는지 이해하는 것이 해석 가능성에 중요합니다. 이를 수행하는 한 가지 방법은 그라디언트 활성화 맵을 사용하는 것입니다.이 데이터의 어떤 영역이 예측할 수 있는지 시각화 할 수 있습니다. 그러나 이것은 다변량 미적분학이 필요하며 도입 할 수 없습니다 8. 공통 용어를 개발하는 것은 수학적 형식주의가없는 벡터로 데이터로 작업하는 방법을 설명하려고했기 때문에 어려운 일이었습니다. 예를 들어, 역학에서 다른 용어는 동일한 의미를 갖는다.“특성”은“변수”또는“속성”으로 묘사된다.
지식 유지. AI의 적용은 제한적이기 때문에 참가자가 지식을 유지하는 정도는 여전히 남아 있습니다. 의과 대학 커리큘럼은 종종 실제 회전 중에 지식을 강화하기 위해 간격 반복에 의존합니다. 9는 AI 교육에도 적용될 수 있습니다.
전문성은 문해력보다 더 중요합니다. 자료의 깊이는 수학적 엄격함없이 설계되었으며, 이는 인공 지능에서 임상 과정을 시작할 때 문제였습니다. 프로그래밍 예에서는 참가자가 완전한 프로그래밍 환경을 설정하는 방법을 알아낼 필요없이 참가자가 필드를 채우고 소프트웨어를 실행할 수있는 템플릿 프로그램을 사용합니다.
인공 지능에 대한 우려 : 인공 지능이 일부 임상 의무를 대체 할 수 있다는 광범위한 우려가있다. 이 문제를 해결하기 위해 규제 기관이 승인 한 거의 모든 AI 기술이 의사 감독이 필요하다는 사실을 포함하여 AI의 한계를 설명합니다. 또한 특히 데이터 세트가 다각적이지 않은 경우 알고리즘이 바이어스가 발생하기 쉽기 때문에 바이어스의 중요성을 강조합니다. 결과적으로, 특정 하위 그룹이 잘못 모델링되어 불공정 한 임상 결정을 유발할 수 있습니다.
리소스는 공개적으로 제공됩니다. 강의 슬라이드 및 코드를 포함하여 공개적으로 이용 가능한 리소스를 만들었습니다. 시간 영역으로 인해 동기 컨텐츠에 대한 액세스가 제한되지만 오픈 소스 콘텐츠는 AI 전문 지식을 모든 의과 대학에서 사용할 수 없기 때문에 비동기 학습을위한 편리한 방법입니다.
학제 간 협업 :이 워크숍은 의대생이 엔지니어와 함께 코스를 계획하기 위해 시작한 합작 투자입니다. 이는 두 분야의 협업 기회와 지식 격차를 보여 주므로 참가자는 미래에 기여할 수있는 잠재적 인 역할을 이해할 수 있습니다.
AI 핵심 역량을 정의합니다. 역량 목록을 정의하면 기존 역량 기반 의료 커리큘럼에 통합 될 수있는 표준화 된 구조가 제공됩니다. 이 워크숍은 현재 Bloom의 분류법의 학습 목표 수준 2 (이해력), 3 (응용 프로그램) 및 4 (분석)를 사용합니다. 프로젝트 생성과 같이 더 높은 수준의 분류에서 자원을 보유하면 지식을 더욱 강화할 수 있습니다. 이를 위해서는 임상 전문가와 협력하여 AI 주제를 임상 워크 플로에 적용 할 수있는 방법을 결정하고 표준 의료 커리큘럼에 이미 포함 된 반복적 인 주제의 교육을 방지해야합니다.
AI를 사용하여 사례 연구를 만듭니다. 임상 사례와 마찬가지로 사례 기반 학습은 임상 질문과의 관련성을 강조하여 추상 개념을 강화할 수 있습니다. 예를 들어, One Workshop Study는 Google의 AI 기반 당뇨병 성 망막증 탐지 시스템 13을 분석하여 실험실에서 클리닉으로의 경로를 따라 외부 검증 요구 사항 및 규제 승인 경로와 같은 경로를 식별했습니다.
실험 학습 사용 : 기술 능력은 임상 연수생의 회전 학습 경험과 유사하게 집중된 실습과 마스터에 반복적 인 적용이 필요합니다. 잠재적 인 해결책 중 하나는 뒤집힌 교실 모델로, 공학 교육의 지식 유지를 향상시키는 것으로보고되었습니다 14. 이 모델에서 학생들은 독립적으로 이론적 자료를 검토하며 수업 시간은 사례 연구를 통해 문제를 해결하는 데 전념합니다.
여러 분야의 참가자를위한 스케일링 : 우리는 다양한 훈련 수준의 의사 및 연합 건강 전문가를 포함하여 여러 분야의 협력과 관련된 AI 채택을 구상합니다. 따라서 커리큘럼은 다른 부서의 교수진과 협의하여 다른 건강 관리 영역에 대한 내용을 조정하기 위해 개발해야 할 수도 있습니다.
인공 지능은 첨단 기술이며 핵심 개념은 수학 및 컴퓨터 과학과 관련이 있습니다. 인공 지능을 이해하도록 의료 직원 교육은 컨텐츠 선택, 임상 적 관련성 및 전달 방법에서 독특한 과제를 제시합니다. 우리는 교육 워크샵에서 AI에서 얻은 통찰력이 미래의 교육자들이 AI를 의학 교육에 통합하는 혁신적인 방법을 수용하는 데 도움이되기를 바랍니다.
Google 공동 작업 Python 스크립트는 오픈 소스이며 https://github.com/ubcaimed/ubcaimed.github.io/tree/master/에서 사용할 수 있습니다.
Prober, KG 및 Khan, S. 의료 교육 재고 : 행동 전화. Akkad. 약. 88, 1407–1410 (2013).
McCoy, LG 등 의대생들은 인공 지능에 대해 실제로 무엇을 알아야합니까? NPZH 번호. 의학 3, 1-3 (2020).
Dos Santos, DP 등 인공 지능에 대한 의대생의 태도 : 다기관 설문 조사. 유로. 방사. 29, 1640–1646 (2019).
Fan, KY, Hu, R. 및 Singla, R. 의대생을위한 기계 학습 소개 : 파일럿 프로젝트. J. Med. 가르치다. 54, 1042–1043 (2020).
Cooperman N, et al. 머리 부상 후 임상 적으로 유의 한 뇌 손상의 위험이 매우 낮은 어린이를 식별 : 전향 적 코호트 연구. Lancet 374, 1160–1170 (2009).
거리, WN, Wolberg, WH 및 Mangasarian, ol. 유방 종양 진단을위한 핵 특징 추출. 생의학 과학. 이미지 처리. 생의학 과학. 와이즈. 1905, 861–870 (1993).
Chen, PhC, Liu, Y. 및 Peng, L. 건강 관리를위한 기계 학습 모델을 개발하는 방법. Nat. 매트. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-Cam : 그라디언트 기반 현지화를 통한 딥 네트워크의 시각적 해석. 컴퓨터 비전에 관한 IEEE 국제 회의 절차, 618–626 (2017).
Kumaravel B, Stewart K 및 Ilic D. 학부 의학 교육에서 OSCE를 사용하여 증거 기반 의학 역량을 평가하기위한 나선형 모델 개발 및 평가. BMK 약. 가르치다. 21, 1-9 (2021).
Kolachalama VB 및 Garg PS 머신 러닝 및 의학 교육. NPZH 번호. 약. 1, 1–3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. 및 De Rooy, M. 방사선과의 인공 지능 : 100 상용 제품 및 과학적 증거. 유로. 방사. 31, 3797–3804 (2021).
Topol, EJ 고성능 의학 : 인간 및 인공 지능의 수렴. Nat. 약. 25, 44–56 (2019).
Bede, E. et al. 당뇨병 성 망막 병증의 검출을 위해 클리닉에 배치 된 딥 러닝 시스템의 인간 중심 평가. 컴퓨팅 시스템의 인적 요소에 관한 2020 CHI 회의의 절차 (2020).
Kerr, B. 공학 교육에서 뒤집힌 교실 : 연구 검토. 대화식 협력 학습에 관한 2015 국제 회의 (2015).
저자는 브리티시 컬럼비아 대학교의 생의학 영상 및 인공 지능 연구 클러스터의 Danielle Walker, Tim Salcudin 및 Peter Zandstra에게 지원 및 자금 지원에 감사드립니다.
RH, PP, ZH, RS 및 MA는 워크샵 교육 내용을 개발하는 책임이있었습니다. RH 및 PP는 프로그래밍 예제를 개발할 책임이있었습니다. KYF, OY, MT 및 PW는 프로젝트의 물류 조직과 워크샵 분석을 담당했습니다. RH, OY, MT, RS는 수치와 테이블을 만드는 책임이있었습니다. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS는 문서 작성 및 편집을 담당했습니다.
커뮤니케이션 의학은 Carolyn McGregor, Fabio Moraes 및 Aditya Borakati 에게이 작품을 검토 한 것에 감사드립니다.
후 시간 : 19-2024 년 2 월