Nature.com을 방문해 주셔서 감사합니다. 사용하시는 브라우저 버전은 CSS 지원이 제한적입니다. 최상의 결과를 위해 최신 버전의 브라우저를 사용하시거나 (Internet Explorer의 호환성 모드를 해제하세요). 지속적인 지원을 위해 현재는 스타일과 JavaScript를 적용하지 않고 사이트를 표시하고 있습니다.
임상 인공지능(AI)의 응용 분야는 빠르게 성장하고 있지만, 기존 의과대학 교육과정은 이 분야를 다루는 내용이 부족합니다. 본 연구에서는 캐나다 의대생들을 대상으로 개발 및 제공한 인공지능 교육 과정을 소개하고, 향후 교육 개선을 위한 제안을 제시합니다.
의학 분야에서 인공지능(AI)은 업무 효율성을 향상시키고 임상 의사결정을 지원할 수 있습니다. 인공지능을 안전하게 활용하기 위해서는 의사들이 인공지능에 대한 기본적인 이해를 갖추어야 합니다. 많은 연구자들이 AI 모델 설명 및 검증 과정 교육과 같은 AI 개념 교육의 필요성을 강조하고 있습니다.1 그러나 특히 국가 차원에서 체계적인 교육 계획이 수립된 사례는 드뭅니다. Pinto dos Santos 등3은 의대생 263명을 대상으로 설문조사를 실시한 결과, 71%가 인공지능 교육의 필요성을 느낀다고 응답했습니다. 의학 분야 학생들에게 인공지능을 교육할 때는 학생들이 이미 상당한 사전 지식을 가지고 있는 경우가 많다는 점을 고려하여 기술적 개념과 비기술적 개념을 적절히 결합한 교육 과정 설계가 중요합니다. 본 연구에서는 세 그룹의 의대생을 대상으로 AI 워크숍을 진행한 경험을 바탕으로 향후 의학 분야의 AI 교육 방향을 제시합니다.
의대생을 위한 5주간의 의학 인공지능 입문 워크숍이 2019년 2월부터 2021년 4월까지 세 차례에 걸쳐 진행되었습니다. 각 워크숍의 일정과 변경 사항에 대한 간략한 설명은 그림 1에 나와 있습니다. 본 워크숍의 주요 학습 목표는 다음과 같습니다. 첫째, 학생들이 인공지능 응용 프로그램에서 데이터가 어떻게 처리되는지 이해합니다. 둘째, 임상 적용을 위해 인공지능 관련 문헌을 분석합니다. 셋째, 인공지능을 개발하는 엔지니어들과 협력할 기회를 활용합니다.
파란색은 강의 주제이고, 연한 파란색은 질의응답 시간입니다. 회색 부분은 간략한 문헌 검토 내용입니다. 주황색 부분은 인공지능 모델 또는 기술을 설명하는 엄선된 사례 연구입니다. 녹색은 임상 문제를 해결하고 모델을 평가하기 위해 인공지능을 활용하는 방법을 가르치는 맞춤형 프로그래밍 강좌입니다. 워크숍의 내용과 기간은 학생들의 요구 사항에 따라 달라집니다.
첫 번째 워크숍은 2019년 2월부터 4월까지 브리티시컬럼비아 대학교에서 개최되었으며, 참가자 8명 전원이 긍정적인 피드백을 주었습니다.4 코로나19 팬데믹으로 인해 두 번째 워크숍은 2020년 10월부터 11월까지 온라인으로 진행되었으며, 캐나다 8개 의과대학의 의대생 222명과 레지던트 3명이 등록했습니다. 발표 자료와 코드는 공개 웹사이트(http://ubcaimed.github.io)에 업로드되어 있습니다. 첫 번째 워크숍에서 나온 주요 피드백은 강의 내용이 너무 강렬하고 이론적이라는 것이었습니다. 캐나다의 6개 시차를 고려한 진행 방식은 추가적인 어려움을 야기했습니다. 따라서 두 번째 워크숍에서는 각 세션을 1시간으로 단축하고, 교육 자료를 간소화했으며, 더 많은 사례 연구를 추가하고, 참가자들이 최소한의 디버깅으로 코드 조각을 완성할 수 있도록 기본 프로그램을 제작했습니다(Box 1). 두 번째 워크숍에서 나온 주요 피드백으로는 프로그래밍 연습에 대한 긍정적인 평가와 머신러닝 프로젝트 계획 수립에 대한 요청이 있었습니다. 따라서 2021년 3월부터 4월까지 126명의 의대생을 대상으로 온라인으로 진행한 세 번째 워크숍에서는 워크숍에서 배운 개념을 프로젝트에 적용했을 때의 효과를 보여주기 위해 더욱 상호작용적인 코딩 연습과 프로젝트 피드백 세션을 포함시켰습니다.
데이터 분석: 데이터 분석은 통계학의 한 분야로, 데이터를 분석, 처리 및 전달함으로써 데이터에서 의미 있는 패턴을 식별하는 학문입니다.
데이터 마이닝: 데이터를 식별하고 추출하는 과정. 인공지능 분야에서는 데이터 규모가 크고, 각 샘플마다 여러 변수가 포함되는 경우가 많습니다.
차원 축소: 수많은 개별 특징을 가진 데이터를 원래 데이터 세트의 중요한 속성을 유지하면서 더 적은 수의 특징으로 변환하는 과정.
특성(인공지능 맥락에서): 샘플의 측정 가능한 속성. 종종 "속성" 또는 "변수"와 같은 의미로 사용됩니다.
그래디언트 활성화 맵(Gradient Activation Map): 인공지능 모델(특히 합성곱 신경망)을 해석하는 데 사용되는 기법으로, 네트워크의 마지막 부분을 최적화하는 과정을 분석하여 예측력이 높은 데이터 또는 이미지 영역을 식별합니다.
표준 모델: 유사한 작업을 수행하도록 사전 학습된 기존 AI 모델.
(인공지능 분야에서) 테스트란 모델이 이전에 접해보지 못한 데이터를 사용하여 작업을 어떻게 수행하는지 관찰하는 것을 말합니다.
(인공지능 맥락에서) 훈련이란 모델에 데이터와 결과를 제공하여 모델이 내부 매개변수를 조정하고 새로운 데이터를 사용하여 작업을 수행하는 능력을 최적화하도록 하는 과정입니다.
벡터: 데이터 배열. 머신러닝에서 배열의 각 요소는 일반적으로 샘플의 고유한 특징을 나타냅니다.
표 1은 2021년 4월에 개설된 최신 강좌 목록과 각 주제별 목표 학습 내용을 보여줍니다. 본 워크숍은 기술적인 수준에 익숙하지 않은 사람들을 대상으로 하며, 의과대학 학부 1학년 수준 이상의 수학적 지식은 요구하지 않습니다. 이 강좌는 의대생 6명과 공학 분야 석사 및 박사 학위 소지자 3명이 공동으로 개발했습니다. 공학자들은 인공지능 이론을 교육 자료로 개발하고, 의대생들은 임상적으로 관련된 내용을 학습합니다.
워크숍은 강의, 사례 연구, 그리고 실습 프로그래밍으로 구성됩니다. 첫 번째 강의에서는 데이터 시각화, 로지스틱 회귀 분석, 기술 통계와 귀납 통계의 비교 등 생물통계학의 데이터 분석 개념들을 살펴봅니다. 데이터 분석은 인공지능의 기초이지만, 시간 제약과 일부 학부생들이 생물통계학에 대한 사전 교육을 받았고 머신러닝의 보다 독창적인 주제를 다루기를 원했기 때문에 데이터 마이닝, 유의성 검정, 인터랙티브 시각화와 같은 주제는 제외했습니다. 다음 강의에서는 최신 방법론을 소개하고 인공지능 문제 공식화, 인공지능 모델의 장점과 한계, 모델 검증에 대해 논의합니다. 강의는 기존 인공지능 장치에 대한 문헌 및 실제 연구 자료로 보완됩니다. 기존 인공지능 장치의 한계를 이해하는 것을 포함하여 임상 질문에 대한 모델의 효과성과 타당성을 평가하는 데 필요한 기술을 강조합니다. 예를 들어, 학생들에게 Kupperman 등이 제안한 소아 두부 손상 가이드라인을 해석하도록 했습니다. 이 가이드라인은 의사의 진찰을 바탕으로 CT 스캔의 유용성을 판단하기 위해 인공지능 의사결정 트리 알고리즘을 구현했습니다. 이는 인공지능이 의사를 대체하는 것이 아니라 의사가 해석할 수 있도록 예측 분석 정보를 제공하는 일반적인 사례임을 강조합니다.
제공된 오픈 소스 부트스트랩 프로그래밍 예제(https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples)에서는 탐색적 데이터 분석, 차원 축소, 표준 모델 로딩, 학습 및 테스트를 수행하는 방법을 보여줍니다. 웹 브라우저에서 Python 코드를 실행할 수 있는 Google Colaboratory 노트북(Google LLC, Mountain View, CA)을 사용합니다. 그림 2는 프로그래밍 연습의 예시를 보여줍니다. 이 연습에서는 위스콘신 오픈 유방 영상 데이터셋6과 의사결정 트리 알고리즘을 사용하여 악성 종양을 예측합니다.
관련 주제에 대한 프로그램을 일주일 내내 진행하고, 발표된 AI 응용 사례들을 선별하여 소개합니다. 프로그래밍 요소는 향후 임상 실습에 대한 통찰력을 제공하는 데 관련성이 있다고 판단되는 경우에만 포함됩니다. 예를 들어, 임상 시험에서 사용 가능한 모델인지 평가하는 방법 등이 있습니다. 이러한 예시들을 통해 의료 영상 매개변수를 기반으로 종양을 양성 또는 악성으로 분류하는 완전한 엔드투엔드 애플리케이션을 완성합니다.
참가자들의 사전 지식 수준이 다양했습니다. 예를 들어, 공학적 배경이 탄탄한 학생들은 푸리에 변환을 직접 수행하는 방법과 같은 심도 있는 내용을 원했습니다. 하지만 푸리에 알고리즘을 수업 시간에 다루는 것은 신호 처리 분야에 대한 심층적인 지식이 필요하기 때문에 불가능했습니다.
참석률 저하. 특히 온라인 형식의 후속 모임 참석률이 감소했습니다. 해결책으로는 참석 현황을 추적하고 수료증을 제공하는 방안이 있을 수 있습니다. 의과대학에서는 학생들의 교외 학업 활동 기록을 인정하는 경우가 많으며, 이는 학생들이 학위 취득을 위해 노력하도록 장려할 수 있습니다.
강좌 설계: 인공지능(AI)은 매우 다양한 하위 분야를 포괄하기 때문에 적절한 깊이와 폭을 가진 핵심 개념을 선정하는 것이 어려울 수 있습니다. 예를 들어, 연구실에서 임상 현장으로 AI 도구를 지속적으로 활용하는 것은 중요한 주제입니다. 본 강좌에서는 데이터 전처리, 모델 구축 및 검증을 다루지만, 빅데이터 분석, 대화형 시각화 또는 AI 임상 시험 수행과 같은 주제는 포함하지 않고, 가장 독창적인 AI 개념에 집중합니다. 우리의 기본 원칙은 기술이 아닌 이해도를 향상시키는 것입니다. 예를 들어, 모델이 입력 특징을 처리하는 방식을 이해하는 것은 해석 가능성을 위해 중요합니다. 이를 위한 한 가지 방법은 데이터의 어떤 영역이 예측 가능한지 시각화하는 데 사용할 수 있는 그래디언트 활성화 맵을 활용하는 것입니다. 그러나 이는 다변수 미적분을 필요로 하므로 본 강좌에서 다룰 수 없습니다.8 수학적 형식 없이 데이터를 벡터로 다루는 방법을 설명해야 했기 때문에 공통 용어를 개발하는 것이 어려웠습니다. 예를 들어 역학에서 "특성"은 "변수" 또는 "속성"으로 설명되는 것처럼, 서로 다른 용어가 같은 의미를 가질 수 있다는 점에 유의하십시오.
지식 유지. AI의 적용이 제한적이기 때문에 참가자들이 지식을 얼마나 유지하는지는 아직 알 수 없습니다. 의과대학 교육과정에서는 실습 기간 동안 지식을 강화하기 위해 간격 반복 학습을 자주 활용하는데, 이는 AI 교육에도 적용될 수 있습니다.
전문성은 문해력보다 더 중요합니다. 교육 자료의 깊이는 수학적 엄밀성 없이 설계되었는데, 이는 인공지능 임상 교육 과정을 시작할 때 문제가 되었던 부분입니다. 프로그래밍 예제에서는 참가자들이 필드를 채우고 소프트웨어를 실행할 수 있도록 템플릿 프로그램을 사용하므로, 완전한 프로그래밍 환경을 설정하는 방법을 고민할 필요가 없습니다.
인공지능에 대한 우려 해소: 인공지능이 일부 임상 업무를 대체할 수 있다는 우려가 널리 퍼져 있습니다.3 이러한 우려를 해소하기 위해, 규제 기관의 승인을 받은 거의 모든 인공지능 기술에 의사의 감독이 필요하다는 점을 포함하여 인공지능의 한계를 설명합니다.11 또한, 알고리즘은 특히 데이터 세트가 다양하지 않을 경우 편향되기 쉽다는 점을 강조하여 편향의 중요성을 역설합니다.12 결과적으로 특정 하위 집단이 잘못 모델링되어 불공정한 임상적 결정으로 이어질 수 있습니다.
자료는 공개적으로 이용 가능합니다. 강의 슬라이드와 코드 등 공개적으로 이용 가능한 자료를 제작했습니다. 시차로 인해 실시간 콘텐츠 접근에 제한이 있을 수 있지만, 모든 의과대학에 AI 전문가가 있는 것은 아니므로 오픈소스 콘텐츠는 비동기 학습에 편리한 방법입니다.
학제 간 협력: 본 워크숍은 의대생들이 공대생들과 함께 교육 과정을 기획하기 위해 시작한 공동 프로젝트입니다. 이를 통해 양 분야의 협력 기회와 지식 격차를 파악하고, 참가자들이 미래에 기여할 수 있는 잠재적 역할을 이해할 수 있도록 돕습니다.
AI 핵심 역량을 정의합니다. 역량 목록을 정의하면 기존의 역량 기반 의학 교육과정에 통합할 수 있는 표준화된 구조를 제공할 수 있습니다. 이 워크숍에서는 현재 블룸 분류학의 학습 목표 수준 2(이해), 3(적용), 4(분석)를 활용합니다. 프로젝트 생성과 같은 더 높은 수준의 분류 자료를 활용하면 지식을 더욱 강화할 수 있습니다. 이를 위해서는 임상 전문가와 협력하여 AI 주제를 임상 워크플로에 적용하는 방법을 모색하고, 표준 의학 교육과정에 이미 포함된 내용을 반복적으로 가르치지 않도록 해야 합니다.
AI를 활용한 사례 연구를 만들어 보세요. 임상 사례와 마찬가지로 사례 기반 학습은 추상적인 개념을 임상 질문과의 관련성을 강조함으로써 개념을 강화할 수 있습니다. 예를 들어, 한 워크숍 연구에서는 구글의 AI 기반 당뇨병성 망막증 진단 시스템¹³을 분석하여 연구실에서 임상 현장으로의 적용 과정에서 발생하는 문제점, 예를 들어 외부 검증 요건 및 규제 승인 절차 등을 파악했습니다.
경험 학습을 활용하세요: 기술적 숙련도는 임상 연수생의 순환 학습 경험과 유사하게 숙달하기 위해 집중적인 연습과 반복적인 적용이 필요합니다. 한 가지 잠재적인 해결책은 공학 교육에서 지식 습득 및 유지율을 향상시키는 것으로 보고된 플립드 클래스룸 모델입니다.14 이 모델에서 학생들은 이론 자료를 독립적으로 복습하고 수업 시간은 사례 연구를 통해 문제를 해결하는 데 할애합니다.
다양한 분야의 참여자를 위한 확장성: 우리는 AI 도입이 의사와 다양한 수준의 교육을 받은 보건의료 전문가를 포함한 여러 분야의 협력을 수반할 것으로 예상합니다. 따라서 교육과정은 의료 분야의 다양한 특성에 맞춰 내용을 조정하기 위해 여러 학과의 교수진과 협의하여 개발해야 할 필요가 있습니다.
인공지능은 첨단 기술이며, 그 핵심 개념은 수학 및 컴퓨터 과학과 관련이 있습니다. 의료진에게 인공지능을 이해시키는 교육은 콘텐츠 선정, 임상적 관련성, 전달 방식 측면에서 고유한 과제를 제시합니다. 본 AI 교육 워크숍에서 얻은 통찰력이 미래의 교육자들이 의학 교육에 인공지능을 통합하는 혁신적인 방법을 모색하는 데 도움이 되기를 바랍니다.
Google Colaboratory Python 스크립트는 오픈 소스이며 다음 주소에서 확인할 수 있습니다: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG 및 Khan, S. 의학 교육 재고: 행동 촉구. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG 등. 의대생들이 인공지능에 대해 실제로 알아야 할 것은 무엇인가? NPZh 수치. 의학 3, 1–3 (2020).
Dos Santos, DP, et al. 의대생의 인공지능에 대한 태도: 다기관 설문조사. EURO. 방사선. 29, 1640–1646 (2019).
Fan, KY, Hu, R., 및 Singla, R. 의대생을 위한 기계 학습 소개: 파일럿 프로젝트. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. 두부 손상 후 임상적으로 중요한 뇌 손상 위험이 매우 낮은 어린이 식별: 전향적 코호트 연구. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH 및 Mangasarian, OL. 유방 종양 진단을 위한 핵 특징 추출. 생의학. 이미지 처리. 생의학. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. 및 Peng, L. 의료를 위한 기계 학습 모델 개발 방법. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR et al. Grad-cam: 기울기 기반 위치 파악을 통한 심층 네트워크의 시각적 해석. IEEE 국제 컴퓨터 비전 학회 회의록, 618–626 (2017).
Kumaravel B, Stewart K 및 Ilic D. 학부 의학 교육에서 OSCE를 사용하여 근거 기반 의학 역량을 평가하기 위한 나선형 모델의 개발 및 평가. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB 및 Garg PS 기계 학습 및 의학 교육. NPZh 숫자. 의학. 1, 1–3(2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. 및 de Rooy, M. 방사선학의 인공 지능: 100가지 상용 제품 및 과학적 증거. 유로. 방사. 31, 3797-3804(2021).
Topol, EJ 고성능 의학: 인간과 인공지능의 융합. 자연 의학. 25, 44–56 (2019).
Bede, E. 외. 당뇨병성 망막증 진단을 위해 임상에 배포된 딥러닝 시스템의 인간 중심적 평가. 2020 CHI 인간-컴퓨터 상호작용 학회 회의록(2020).
Kerr, B. 공학 교육에서의 플립드 클래스룸: 연구 검토. 2015년 국제 인터랙티브 협력 학습 컨퍼런스 회의록(2015).
저자들은 브리티시컬럼비아대학교 생의학 영상 및 인공지능 연구 클러스터의 다니엘 워커, 팀 살쿠딘, 피터 잔드스트라에게 지원과 자금 제공에 대해 감사를 표합니다.
RH, PP, ZH, RS, MA는 워크숍 교육 콘텐츠 개발을 담당했습니다. RH와 PP는 프로그래밍 예제 개발을 담당했습니다. KYF, OY, MT, PW는 프로젝트의 물류 조직 및 워크숍 분석을 담당했습니다. RH, OY, MT, RS는 그림과 표를 작성했습니다. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS는 문서 초안 작성 및 편집을 담당했습니다.
Communication Medicine은 본 논문의 검토에 기여해 주신 Carolyn McGregor, Fabio Moraes, Aditya Borakati 님께 감사를 표합니다.
게시 시간: 2024년 2월 19일