Nature.comにご訪問いただきありがとうございます。お使いのブラウザのバージョンはCSSのサポートが制限されています。最適な表示のためには、より新しいバージョンのブラウザをご利用いただくか、Internet Explorerの互換表示モードをオフにすることをお勧めします。当面の間、継続的なサポートを確保するため、スタイルシートやJavaScriptを適用せずにサイトを表示しています。
臨床における人工知能（AI）の応用は急速に拡大しているが、既存の医学部カリキュラムではこの分野を網羅した教育は限られている。本稿では、我々が開発し、カナダの医学生向けに実施した人工知能トレーニングコースについて説明し、今後のトレーニングに関する提言を行う。
医療における人工知能（AI）は、職場の効率性を向上させ、臨床上の意思決定を支援することができます。人工知能を安全に活用するためには、医師は人工知能についてある程度の理解を持っている必要があります。多くの意見では、AIモデルや検証プロセスの説明など、AIの概念を教えることを推奨しています1。しかし、特に国レベルでは、体系的な計画はほとんど実施されていません。Pinto dos Santosら3は、263人の医学生を対象に調査を行い、71%が人工知能のトレーニングが必要であることに同意しました。医療従事者を対象に人工知能を教えるには、多くの場合、豊富な事前知識を持つ学生のために、技術的な概念と非技術的な概念を組み合わせた慎重な設計が必要です。私たちは、3つの医学生グループに一連のAIワークショップを実施した経験について説明し、将来のAIに関する医学教育への提言を行います。
医学生を対象とした5週間の「医療における人工知能入門」ワークショップは、2019年2月から2021年4月にかけて3回開催されました。各ワークショップのスケジュールとコースの変更点の簡単な説明を図1に示します。このコースには3つの主要な学習目標があります。学生が人工知能アプリケーションでデータがどのように処理されるかを理解すること、臨床応用に関する人工知能の文献を分析すること、そして人工知能を開発するエンジニアと協力する機会を活用することです。
青色は講義のテーマ、水色は質疑応答の時間です。灰色の部分は、簡潔な文献レビューの焦点となります。オレンジ色の部分は、人工知能モデルや技術を説明する厳選された事例研究です。緑色は、臨床上の問題を解決し、モデルを評価するために人工知能を習得することを目的とした、指導付きプログラミングコースです。ワークショップの内容と期間は、学生のニーズの評価に基づいて異なります。
最初のワークショップは、2019 年 2 月から 4 月にかけてブリティッシュコロンビア大学で開催され、参加者 8 名全員から肯定的なフィードバックが得られました 4。COVID-19 の影響により、2 回目のワークショップは 2020 年 10 月から 11 月にかけてオンラインで開催され、カナダの 8 つの医科大学から 222 名の医学生と 3 名の研修医が登録しました。プレゼンテーション スライドとコードはオープン アクセス サイト (http://ubcaimed.github.io) にアップロードされています。最初のワークショップでの主なフィードバックは、講義が濃密すぎ、教材が理論的すぎるというものでした。カナダの 6 つの異なるタイム ゾーンに対応することは、さらなる課題となります。そのため、2 回目のワークショップでは、各セッションを 1 時間に短縮し、コース 教材を簡素化し、ケース スタディを増やし、参加者が最小限のデバッグでコード スニペットを完成させることができる定型プログラムを作成しました (ボックス 1)。2 回目のワークショップでの主なフィードバックには、プログラミング演習に対する肯定的なフィードバックと、機械学習プロジェクトの計画を実演してほしいという要望がありました。そのため、2021年3月から4月にかけて126名の医学生を対象にオンラインで開催した第3回ワークショップでは、ワークショップのコンセプトをプロジェクトに活用することの効果を示すために、よりインタラクティブなコーディング演習とプロジェクトに関するフィードバックセッションを取り入れました。
データ分析：統計学の一分野であり、データのパターンを分析、処理、伝達することによって、データの中に意味のあるパターンを特定する。
データマイニング：データの特定と抽出のプロセス。人工知能の分野では、データ量は膨大になることが多く、各サンプルに複数の変数が含まれる。
次元削減：多数の個々の特徴を持つデータを、元のデータセットの重要な特性を維持しながら、より少ない特徴に変換するプロセス。
特性（人工知能の文脈において）：サンプルの測定可能な特性。しばしば「特性」または「変数」とほぼ同義で用いられる。
勾配活性化マップ：人工知能モデル（特に畳み込みニューラルネットワーク）を解釈するために使用される手法で、ネットワークの最終部分を最適化するプロセスを分析し、予測力の高いデータまたは画像の領域を特定します。
標準モデル：同様のタスクを実行するように事前学習された既存のAIモデル。
テスト（人工知能の文脈において）：モデルがこれまで遭遇したことのないデータを用いてタスクを実行する様子を観察すること。
（人工知能の文脈における）トレーニング：モデルにデータと結果を提供することで、モデルが内部パラメータを調整し、新しいデータを使用してタスクを実行する能力を最適化すること。
ベクトル：データの配列。機械学習では、配列の各要素は通常、サンプルの固有の特徴量を表します。
表1は、2021年4月に開講される最新のコース一覧で、各トピックの学習目標も記載されています。このワークショップは、技術レベルに初めて触れる方を対象としており、医学部1年次以上の数学の知識は必要ありません。このコースは、6名の医学生と工学系の高度な学位を持つ3名の教員によって開発されました。エンジニアは人工知能の理論を開発して教え、医学生は臨床的に関連のある内容を学習します。
ワークショップには、講義、ケーススタディ、ガイド付きプログラミングが含まれます。最初の講義では、データ可視化、ロジスティック回帰、記述統計と帰納統計の比較など、生物統計学におけるデータ分析の選択された概念を復習します。データ分析は人工知能の基礎ですが、データマイニング、有意性検定、インタラクティブな可視化などのトピックは除外します。これは時間の制約によるものであり、また、一部の学部生は生物統計学の事前トレーニングを受けており、より独自の機械学習トピックを扱いたいと考えていたためです。次の講義では、最新の手法を紹介し、AI の問題定式化、AI モデルの利点と限界、モデルテストについて議論します。講義は、既存の人工知能デバイスに関する文献と実践的な研究によって補完されます。既存の人工知能デバイスの限界を理解することを含め、臨床上の疑問に対処するモデルの有効性と実現可能性を評価するために必要なスキルを重視します。たとえば、Kupperman ら5が提案した小児頭部外傷ガイドラインを解釈するように学生に求めました。このガイドラインでは、医師の診察に基づいて CT スキャンが有用かどうかを判断するために、人工知能決定木アルゴリズムが実装されています。これは、AIが医師を置き換えるのではなく、医師が解釈するための予測分析を提供するという、よくある例であることを強調しておきます。
利用可能なオープンソースのブートストラッププログラミング例 (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) では、探索的データ分析、次元削減、標準モデルのロード、トレーニング、テストの実行方法を示しています。Web ブラウザから Python コードを実行できる Google Colaboratory ノートブック (Google LLC、カリフォルニア州マウンテン ビュー) を使用します。図 2 は、プログラミング演習の例を示しています。この演習では、Wisconsin Open Breast Imaging Dataset6 と決定木アルゴリズムを使用して悪性腫瘍を予測します。
週を通して関連トピックに関するプログラムを発表し、公開されているAIアプリケーションから厳選した事例を紹介します。プログラミング要素は、将来の臨床実践への洞察を提供する上で関連性があると判断されるもののみを含めます。例えば、モデルを評価して臨床試験での使用に適しているかどうかを判断する方法などです。これらの事例は、医用画像パラメータに基づいて腫瘍を良性または悪性に分類する、本格的なエンドツーエンドのアプリケーションへと結実します。
事前知識の多様性。参加者の数学的知識レベルは様々でした。例えば、高度な工学系のバックグラウンドを持つ学生は、フーリエ変換を自分で実行する方法など、より詳細な内容を求めていました。しかし、フーリエ変換アルゴリズムを授業で扱うには信号処理に関する深い知識が必要となるため、それは不可能です。
出席率の低下。フォローアップミーティングへの出席率は、特にオンライン形式で低下した。出席状況を記録し、修了証を発行することが解決策となるかもしれない。医学部では、学生の課外活動の成績証明書を評価対象とすることが知られており、これは学生が学位取得を目指す意欲を高めることにつながる。
コース設計: AI は非常に多くのサブ分野にまたがるため、適切な深さと幅を持つコアコンセプトを選択することは困難です。たとえば、研究室から臨床現場への AI ツールの使用の継続性は重要なトピックです。データの前処理、モデル構築、検証は扱いますが、ビッグデータ分析、インタラクティブな視覚化、AI 臨床試験の実施などのトピックは含めず、最もユニークな AI コンセプトに焦点を当てます。私たちの指導原則は、スキルではなくリテラシーを向上させることです。たとえば、モデルが入力特徴をどのように処理するかを理解することは、解釈可能性にとって重要です。これを行う 1 つの方法は、データのどの領域が予測可能であるかを視覚化できる勾配活性化マップを使用することです。ただし、これには多変数微積分が必要であり、導入することはできません 8。共通の用語を開発することは困難でした。なぜなら、数学的な形式化なしにデータをベクトルとして扱う方法を説明しようとしていたからです。異なる用語が同じ意味を持つことに注意してください。たとえば、疫学では、「特性」は「変数」または「属性」として説明されます。
知識の保持。AIの応用は限られているため、参加者がどの程度知識を保持できるかはまだ不明である。医学部のカリキュラムでは、実習中に知識を強化するために間隔反復法がよく用いられるが、これはAI教育にも応用できる。
読み書き能力よりもプロ意識の方が重要です。教材の深さは数学的な厳密さを伴わずに設計されており、これは人工知能の臨床コースを開始する際に問題となった点です。プログラミングの例では、参加者が完全なプログラミング環境のセットアップ方法を理解する必要なく、フィールドに入力してソフトウェアを実行できるテンプレートプログラムを使用しています。
人工知能に関する懸念事項への対応：人工知能が臨床業務の一部を代替する可能性があるという懸念が広く存在します3。この問題に対処するため、規制当局によって承認されたほぼすべてのAI技術には医師の監督が必要であるという事実を含め、AIの限界について説明します11。また、アルゴリズムはバイアスを受けやすく、特にデータセットが多様でない場合はバイアスが顕著になるため、バイアスの重要性を強調します12。その結果、特定のサブグループが誤ってモデル化され、不公平な臨床判断につながる可能性があります。
リソースは一般公開されています。講義スライドやコードなど、一般公開可能なリソースを作成しました。時差の関係で同期型コンテンツへのアクセスは制限されますが、AIの専門知識はすべての医科大学で利用できるわけではないため、オープンソースコンテンツは非同期型学習に便利な方法です。
学際的連携：このワークショップは、医学生がエンジニアと共同でコースを企画するために立ち上げた共同事業です。これにより、両分野における連携の機会と知識のギャップが明らかになり、参加者は将来的に自身が貢献できる可能性のある役割を理解することができます。
AIの中核となる能力を定義する。能力リストを定義することで、既存の能力ベースの医学カリキュラムに統合できる標準化された構造が提供される。このワークショップでは現在、ブルームの分類法の学習目標レベル2（理解）、3（応用）、4（分析）を使用している。プロジェクトの作成など、より高いレベルの分類リソースを活用することで、知識をさらに強化できる。そのためには、臨床専門家と協力して、AIのトピックを臨床ワークフローにどのように適用できるかを判断し、標準的な医学カリキュラムに既に含まれている重複したトピックの指導を避ける必要がある。
AI を使用したケーススタディを作成する。臨床例と同様に、ケースベース学習は、抽象的な概念が臨床上の疑問にどのように関連しているかを強調することで、その概念を強化することができる。例えば、あるワークショップ研究では、Google の AI ベースの糖尿病網膜症検出システム 13 を分析し、外部検証要件や規制当局の承認経路など、研究室から臨床現場への道のりにおける課題を特定した。
体験学習を活用する：技術スキルを習得するには、臨床研修医のローテーション学習経験と同様に、集中的な練習と繰り返しの応用が必要です。潜在的な解決策の1つは反転授業モデルであり、これは工学教育における知識の定着を向上させると報告されています14。このモデルでは、学生は理論的な教材を自主的に復習し、授業時間はケーススタディを通して問題を解決することに費やされます。
多分野にわたる参加者への対応：AIの導入には、医師や様々な訓練レベルを持つ医療従事者など、複数の分野にわたる連携が不可欠であると想定しています。そのため、カリキュラムは、医療の様々な分野に合わせて内容を調整できるよう、異なる学部の教員と協議しながら開発する必要があるかもしれません。
人工知能は高度な技術であり、その中核となる概念は数学とコンピュータサイエンスに関連しています。医療従事者に人工知能を理解させるための研修は、コンテンツの選択、臨床的関連性、および提供方法において特有の課題を伴います。AI教育ワークショップで得られた知見が、将来の教育者がAIを医学教育に統合するための革新的な方法を取り入れる一助となることを願っています。
Google ColaboratoryのPythonスクリプトはオープンソースであり、以下のURLから入手できます：https://github.com/ubcaimed/ubcaimed.github.io/tree/master/。
Prober, KG および Khan, S. 医学教育の再考：行動への呼びかけ。Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG 他「医学生は人工知能について本当に何を知っておく必要があるのか？NPZh 数値」医学 3、1–3 (2020)。
Dos Santos, DP, et al. 医学生の人工知能に対する態度：多施設調査。EURO. radiation. 29, 1640–1646 (2019).
Fan, KY、Hu, R.、Singla, R.「医学生のための機械学習入門：パイロットプロジェクト」J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, et al. 頭部外傷後の臨床的に重大な脳損傷のリスクが非常に低い小児の特定：前向きコホート研究。Lancet 374, 1160–1170 (2009).
Street, WN、Wolberg, WH、Mangasarian, OL。乳がん診断のための核特徴抽出。Biomedical Science。画像処理。Biomedical Science。Weiss。1905、861–870（1993）。
Chen, PHC、Liu, Y.、Peng, L. 医療のための機械学習モデルの開発方法。Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR 他「Grad-cam: 勾配ベースの位置特定による深層ネットワークの視覚的解釈」IEEE 国際コンピュータビジョン会議議事録、618–626 (2017)。
Kumaravel B、Stewart K、Ilic D. 学部医学教育におけるOSCEを用いたエビデンスに基づく医療能力評価のためのスパイラルモデルの開発と評価。BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB および Garg PS 機械学習と医学教育。NPZh 番号。医学。1、1–3 (2018)。
van Leeuwen, KG、Schalekamp, S.、Rutten, MJ、van Pinneken, B.、de Rooy, M. 放射線医学における人工知能: 100 の市販製品とその科学的証拠。ユーロ。放射線。 31、3797–3804 (2021)。
Topol, EJ 高性能医療：人間と人工知能の融合。Nat. medicine. 25, 44–56 (2019).
Bede, E. et al. 糖尿病網膜症の検出のために臨床現場に導入された深層学習システムの人間中心評価。2020年CHI会議「ヒューマンファクター・イン・コンピューティングシステム」議事録（2020年）。
Kerr, B. 工学教育における反転授業：研究レビュー。2015年インタラクティブ協調学習国際会議議事録（2015年）。
著者らは、ブリティッシュコロンビア大学の生物医学画像処理および人工知能研究クラスターのダニエル・ウォーカー、ティム・サルクディン、ピーター・ザンドストラからの支援と資金提供に感謝いたします。
RH、PP、ZH、RS、MAはワークショップの指導内容の開発を担当しました。RHとPPはプログラミング例の開発を担当しました。KYF、OY、MT、PWはプロジェクトのロジスティクス管理とワークショップの分析を担当しました。RH、OY、MT、RSは図表の作成を担当しました。RH、KYF、PP、ZH、OY、MY、PW、TL、MA、RSは文書の草稿作成と編集を担当しました。
コミュニケーション医学誌は、本研究のレビューにご協力いただいたキャロリン・マクレガー、ファビオ・モラエス、アディティヤ・ボラカティに感謝いたします。
投稿日時：2024年2月19日