医学和健康信息学学生的人工智能教育和工具:系统综述

介绍

概述

人工智能(AI)是医疗保健领域最具颠覆性的创新之一，这个话题吸引了医生、临床医生、研究人员和医疗器械行业专业人士的关注。机器学习(ML)和深度学习(DL)算法以及云计算的最新进展增加了人工智能的采用。因此，能够处理大量非结构化数据集和解决复杂问题的应用程序已成为日常临床实践的一部分。

大多数人工智能应用程序在后台处理数据并运行自学习算法。尽管一些人工智能应用程序向临床医生提供数据驱动的建议，但其他应用程序可能不提供接受、拒绝或修改输出的选项。人工智能应用程序通过统计相关性提供的建议可能不是最好的选择，因为人工智能算法可能存在缺陷。为了使用和筛选基于人工智能的决策，开发人工智能应用程序的临床医生和卫生信息学家应该对潜在的人工智能概念有很好的理解。本文将重点关注医学和健康信息学中对正式人工智能教育的新需求。

背景

智力需要能够感知环境，将环境与行动联系起来，并采取行动。尽管机器模仿人类智能行为的概念并不新鲜，但人工智能最近已经成为一个感兴趣的话题[1]。作为一门学科，1956年由John McCarthy组织的达特茅斯学院人工智能会议被认为是该领域的诞生[2]。

AI、ML和DL是密切相关的，缺乏通用的定义可能会令人困惑;然而，AI、ML和DL之间的区别很简单。人工智能被定义为“能够执行通常需要人类智能的任务的计算机系统的理论和发展，例如视觉感知、语音识别、决策和语言翻译”[3.]。基于人工智能的设备可以感知环境，模拟人类智能，解决问题。它们通过渐进式学习算法的适应能力是人工智能技术与机器人和硬件驱动的自动化的区别所在。换句话说，计算机可以使用人工智能技术模仿人类的智能[4]。机器学习是人工智能的子集，它允许系统从数据中学习并开发自学习算法。机器学习应用程序可以从数据中学习，而无需显式编程;使用各种工具进行预测和建议;并使计算机应用程序能够提高其性能[5]。深度学习是ML的一个子领域，它允许机器使用受神经网络结构启发的算法。计算机可以通过使用DL算法学习如何对图像进行分类以及如何为句子中的单词分配标签(语义标记)[5]。深度学习编程使用大量非结构化数据，计算复杂的统计模型，并在没有明确编程的情况下预测结果。虚拟助理、聊天机器人和面部识别算法是深度学习的其他一些实际例子。

本研究的主要目的是调查以人工智能教育为重点的同行评议出版物，并确定医疗和卫生信息学专业人员人工智能技能和能力培训的客观评估方法。评估了人工智能对学习体验的影响，以评估人工智能教育的必要性。由于医学教育、临床信息学教育和健康信息学教育密切相关，因此对医学和健康信息学教育的发展趋势进行了分析。美国医学信息学协会一直在与卫生信息学和信息管理教育认证委员会密切合作，以确定卫生信息学能力;2011年临床信息学成为医学专科[6]。虽然临床和健康信息学课程是为那些计划追求不同职业道路的学生设计的，但他们使用相似的能力。根据所使用的算法、数据源和方法，在医疗保健中实施ML可能会导致意想不到的挑战和有偏见的决策[7]。不熟悉人工智能证据标准的医生可能无法使用正确的方法将人工智能融入临床护理。尽管有几项研究探讨了人工智能算法如何帮助提高教育水平[8-12]，关注医学人工智能教育的同行评议出版物数量有限(图1)。

‎ 查看此图

方法

使用可复制的系统搜索策略，在2019年11月至2020年2月期间进行了全文综述。PRISMA-P(系统评价和荟萃分析方案的首选报告项目)系统评价方法，由Moher等人介绍[13]被用来识别和分析可靠的文献。PRISMA-P方法采用结构化程序，包括17项检查表，以促进系统审查方案。

使用五组关键词的组合来检索PubMed、IEEE(电气和电子工程师协会)Xplore数字图书馆、CINAHL(护理和联合健康文献累积索引)Plus和ScienceDirect数据库:(1)医学教育、(2)医学培训、(3)人工智能、(4)机器学习和(5)深度学习。图2和表1)。总的来说，有2082篇文章符合搜索条件。在删除重复研究并进行摘要综述后，选择了76篇全文文章进行综述。所有的搜索结果被输入到EPPI-Reviewer 4文本挖掘软件(EPPI-Centre, University of London)中，并识别出符合纳入标准的研究。两名研究人员独立进行了提取并评估了质量。

‎ 查看此图

根据以下纳入和排除标准进行选择。包括1990年以后发表的同行评议的研究论文、综述论文、会议论文、病例报告、信函、讨论、观点论文、社论、小型评论和简短的交流论文，这些论文都聚焦于人工智能工具，以增强医学和卫生信息学教育的学习经验，或将人工智能作为一种新的能力来教授。表1)。不包括1990年以前以英语以外的语言出版的书籍章节、新闻和扩展摘要。为了确立有效性，讨论分歧直到达成共识。总共有26篇文章符合本研究的纳入标准(图3)。

‎ 查看此图

结果

本系统文献综述的目标之一是评估现有研究并确定人工智能教育的现状。选定的论文被用来确定三个研究问题的答案。

第一个研究问题如下:在关注医学和卫生信息学教育和人工智能的同行评审出版物中讨论了哪些主题?为了回答这个问题，所选的出版物根据其教育重点进行了分类，并总结了纳入研究的特点表2。侧重于在医疗和卫生信息学教育中使用人工智能应用的出版物被归类为第一类。这些研究使用了各种基于人工智能的工具来增强学习体验。还确定了几个案例研究和教授特定人工智能技能的新举措，例如ML编程语言和大数据分析软件。评价人工智能教育的出版物被归类为第2类。第一类研究讨论了人工智能在加强教育方面的不同应用，并总结了人工智能对医学和健康信息学教育的影响，而第二类研究侧重于人工智能概念的教学。

在26份出版物中，16份(61%)调查了人工智能在医学教育中的应用(第1类)，10份(39%)评估了医学中的人工智能教育(第2类);图4)。

第一批关于将人工智能用于医疗应用的出版物发表于20世纪90年代初，当时人工智能应用的能力受到技术限制。Klar和Bayer的论文[27]，发表于1990年，是第一批关于人工智能应用的出版物之一，他们讨论了将专家知识整合到医学计算机辅助教学中的问题。利勒豪格和拉乔伊[16]在他们1998年的论文中提出了人工智能的更大整合，他们是最早倡导智能决策支持系统和基于人工智能的医学教育应用的研究人员之一。弗里兹和弗拉森[17]研究了决策支持和智能辅导系统在医学教育中的作用，并在2000年推荐了多学科研究。

‎ 查看此图

大多数第一类研究探索了旨在改善学习体验的创新应用。例如，陈和Zary [15]评估了现有的人工智能在医学中的应用，确定在医学教育中使用人工智能的主要原因是提供反馈，并确定重大挑战包括评估有效性和管理技术困难。Chary等人进行的另一项系统综述[19]确定了30篇评估自然语言处理(NLP)在医学教育中的应用的文章。NLP是人工智能的一个子领域，是指使用自然语言的智能通信方法。该研究揭示了NLP培训在住院医师教育中的好处，并提出了其应用策略。

基于模拟的学习在过去十年中不断发展，虚拟环境已成为教育的必要条件。我们的审查确定了关于高级虚拟环境的多个案例研究。例如，Winkler-Schwartz等人[14]分析了使用人工智能的虚拟现实模拟器，并制定了一份清单来评估使用ML算法评估技术技能的研究。本研究得出结论，该清单有可能减少在外科教育中使用人工智能的知识差距。同样，Zhao等[18得出的结论是，虚拟病人系统和其他使用人工智能的远程教育系统提高了医学教育的效率。另一个专注于虚拟病人模拟器的案例研究确定了利用人工智能虚拟现实应用增强学习过程的教育和技术挑战[20.]。Bowyer等人发表的案例研究[22描述了先进的虚拟环境在外科训练中的作用。此外，Conde等[25在无法选择模拟人类患者的情况下，建议使用人工智能应用程序进行培训和教育。

增强现实是虚拟现实的另一种形式，这项技术将图像叠加在视频观看者的上面。静坐等[23]描述了虚拟现实、增强现实、严肃游戏和游戏化之间的差异，并分享了他们初步研究的初步发现，该研究确定了模拟体验与现实环境相似。

在我们的研究中，我们注意到不同的创新人工智能应用于特殊的学习活动。guimar等人在2017年的文章中[21回顾了目前解剖学教育的教育模式，并建议使用人工智能分析工具来个性化学习过程。布列特和杜宁[24]讨论了人工智能在取代人类评级和评估医学教育能力方面的应用。另一项使用增强现实和人工智能算法的研究评估了一个关于开发腹腔镜盒子训练器以评估外科精神运动技能的案例研究，并得出结论，该系统具有潜在的益处[29]。

将智能技术融入自适应电子学习系统是另一个研究小组的重点。Kabassi等[26]为医学教育设计了一个基于网络的教育系统，结合智能算法使学习体验个性化，并分享研究成果。作者建议进一步研究更多的参与者。杨和舒鲁夫[28]设计了一项试点研究，以证明人工智能辅助辅导的价值，并确定这种额外的辅导显著提高了医学生的表现。

我们的第二个研究问题涉及确定当前研究的最高证据水平。这些文章是根据牛津循证医学中心(OCEBM)证据等级排序方案[40]。在26篇文章中，18篇(69%)被列为IV级证据(病例系列)，8篇(31%)被列为V级证据(专家意见)。大多数出版物具有IV级和V级证据，这被认为是较差的参考标准。因此，这些发现强调了设计新的研究的必要性。

最后，我们的第三个研究问题是:AI教育在医学和健康信息学中的地位如何?在我们的研究中，确定了10篇讨论人工智能教育的文章。由于这一主题在医学和健康信息学教育中是一个相对较新的领域，我们的发现与最近的发展是一致的。

在他们的综述中，Paranjape等人[39]总结了人工智能在医学教育中的多项举措，其中学生与数据专家合作，解决了医疗保健问题。作者建议学生熟悉基于人工智能的临床应用，并在医学教育的不同阶段引入线性代数、微积分和概率论。同样，陈仪和厄普舒尔[37]讨论了人工智能和机器学习应用产生的随机误差和偏倚数据，并强调了医学教育对评价临床判断的作用。

Park等人[31]强调了理解人工智能的重要性，以便能够验证人工智能算法的临床准确性。此外，多份出版物指出有必要超越传统医学教育，建议进行改革，使教育与新的实践要求保持一致，并强调学者和教师在发展适当的人工智能应用技能方面的作用[32，33，36]。

如前所述，ML是一种人工智能技术，用于处理大量数据并使用计算机进行预测。Kolachalama和Garg [30.]提出整合医学生、住院医师和同事教育中与机器学习相关的内容。作者建议将现实世界的临床例子整合到ML课程中，以及选择正确工具的实用指南。

放射界早在其他医学专业之前就接受了人工智能和机器学习，并率先在高级成像应用中使用人工智能算法。一项针对本科医学生的多中心调查显示，学生对人工智能应用于放射学的影响持乐观态度[38]。法国放射学协会制定了规范人工智能工具使用的原则，并建议进行具体教育以评估人工智能技术[34]。同样，加拿大放射科医师协会建议在住院医师教育期间整合计算机科学、健康信息学和统计学培训[35]。

讨论

概述

计算机和软件技术的技术进步;卫生保健数据数字化;信息科学、哲学、数学、语言学和心理学学科的方法论发展加速了专注于机器学习和商业化的医学研究项目。人工智能技术的成熟改变了临床医生的角色，医疗环境中的新决策过程和创新的基于人工智能的协议有可能通过分析复杂数据集来提供诊断和治疗决策[41]。

在过去的十年中，许多人工智能研究人员专注于为临床医生和患者开发概念验证系统。评估智能推理有效性的研究越来越多。智能监测技术需要新的算法来检测异常、预测模式并做出决策。

最近为英国卫生和社会保健大臣编写的一份独立报告探讨了如何使卫生保健工作人员做好使用数字技术的准备。该报告强调了劳动力的技能差距，并就在本科课程中整合数字医疗技术、人工智能和数据分析提出了一些建议[42，43]。

临床医生应该对人工智能有一个现实的看法，并熟悉人工智能在医疗保健中的正确任务。对医学和健康信息学学生的正式培训应该使他们能够开发人工智能算法，称职地使用人工智能技术，并避免对人工智能工具的偏见。任何新的人工智能技术都可能遇到它没有经验的新事物，因此医生应该能够评估有问题的决定，并在需要时采取必要的预防措施。最近关于医学教育改革必要性的讨论强调了当前教育模式的缺点[44]。过度依赖机器学习和人工智能技术可能会产生意想不到的严重不良后果，例如无法识别无效的测试结果[45]。

虽然机器学习和人工智能算法能够处理高维数据分类问题和医学图像解释，但它们在风险预测和诊断方面的成功率较低。因此，有必要确定人工智能在医疗保健领域最合适的应用领域[46]。

在临床实践中实施人工智能有不同的方法，临床医生和卫生信息学家需要接受正式培训才能使用正确的方法。设计和开发基于人工智能的协议的卫生信息学家和医师需要对复杂的算法、数据质量评估方法、概率预测和比较模型评估有很好的理解，以便与工程师合作并开发可靠的人工智能应用程序。此外，使用人工智能应用程序的临床医生应该熟悉潜在的挑战。

基于人工智能的关系时间模式分析取代了简单的基于阈值的诊断规则。目前的医学教育和健康信息学课程仍然没有提供理解人工智能通信的能力和开发能够检测和分析相关时间模式的人工智能系统所需的技能[41]。

解释人工智能算法的错误并制定最佳策略来纠正这些应用程序的能力需要专门的培训。因此，医学和健康信息学教育必须强调基于算法的平台，并在课程中包括相关的数据分析和人工智能主题。此外，计算机科学和健康信息学课程应该包括以医疗保健为重点的数字技能培训。

据我们所知，之前没有研究调查使用人工智能工具来增强医学和健康信息学学生的学习经验和人工智能教育。本系统综述的主要发现如下:(1)虽然有一些关于将人工智能纳入医学与卫生信息学课程的建议，一些学术机构也实施了实验培训计划，但人工智能和机器学习教育还不是传统医学与卫生信息学课程的一部分。(2)目前的医学教育和健康信息学认证标准不需要人工智能培训，人工智能能力尚未确定。(3)使用OCEBM证据等级分类表，大多数研究被划分为IV级和V级，表明参考标准较差。

限制

为了设计一个最佳的系统评价过程，我们做了一些努力;然而，仍然有许多限制。一些研究可能没有被列入同行评议的学术文献数据库，或者可能以非英语语言发表。虽然这是对该领域的系统综述，但人工智能是一门新的技术学科，特别是在医学领域，因此符合纳入标准的文章数量有限。

未来的发展方向

总的来说，所选的出版物并没有提供不同工作要求和课程需求的具体细节。卫生保健领域智能系统的出现需要新的学习模式。尽管一些组织、机构和工作组，如国际医学信息学协会[47]、健康资讯及资讯管理教育评审委员会[48，49]、澳洲健康资讯学会[50]、“科技资讯导学教育改革计划”[51]，以及美国医学院协会[52]公布了卫生信息学课程的技能建议，但它们尚未确定人工智能教育的具体技能集。此外，最近的一项研究评估了健康信息学学生在开发人工智能应用程序方面的技能，并强调了培养新能力的必要性[53]。

一个针对不同专业领域的专门的人工智能教育框架将是有用的;利用这一系统综述的结果，我们提出了一个针对不同领域的专门人工智能训练框架(图5)。医学生需要熟悉临床人工智能应用和预测建模技术，以评估有偏见的数据和评估创新的人工智能技术。健康信息学的学生应该熟悉适当的机器学习算法的应用和创新临床信息学系统的开发。此外，他们应该获得提取数据、管理大型数据集以执行复杂数据分析以及开发创新人工智能系统所需的动手技能。计算机科学专业的学生需要与数据科学家一起工作的专业技能，并且应该熟悉Python、R和SQL编程语言，以及数据分析工具(图5)。

‎ 查看此图