Basics of AI and ML for clinical specialists

1. Målgrupp

Nivå

Alla nivåer

Specialitet

Klinisk fysiologi, Psykiatri, Radiologi, Klinisk kemi, Neurologi, Neuroradiologi, Klinisk mikrobiologi, Barn- och ungdomshematologi och onkologi, Gynekologisk onkologi, Hud- och könssjukdomar, Kirurgi, Klinisk patologi, Infektionssjukdomar, Kardiologi, Klinisk farmakologi, Lungsjukdomar, Klinisk genetik, Medicinsk gastroenterologi och hepatologi, Onkologi

Andra yrken

Sjukhusfysiker, Biomedicinsk analytiker

Ytterligare information

Kursens primära målgrupp är kliniker med minimal eller inga erfarenhet av AI. Kursen rekommenderas särskilt till följande grupper:

1. Kliniker som använder/kommer exponeras för AI.
2. Kliniska forskare som planerar användning av AI i sina forskningspipeline.
3. Beslutsfattare, t.ex. gruppledare.

2. Behovsbeskrivning

AI/ML blir allt viktigare inom hälso- och sjukvård[1-7]. Samtidigt är kunskapen därom bristfällig och många missuppfattningar råder[1,8-10]. Förutom grundläggande förståelse av AI/ML, adresserar kursen några vanliga frågor, som: hur kan AI användas av en läkare? Hur ska dessa redskap användas i klinisk rutin? Vilken plats kommer en klinisk specialist att ha i modern sjukvård om AI-revolutionen verkligen inträffar? Ett av kursens mål är att bemöta några vanliga missuppfattningar och myter och lära deltagarna hur man korrekt och ansvarsfullt använder nya verktyg. Kursen är baserad på KI-kursen ”5223: Artificiell intelligens och maskininlärande för biomedicinsk och klinisk forskning” (2020-).

1. M. Österberg, L. Lindsköld. AI för bättre hälsa. SWElife, 2020.
2. M. Österberg. AI och machine learning för beslutsstöd inom hälso- och sjukvård. SWElife, 2018.
3. Steiner DF, MacDonald R, Liu Y, Truszkowski P, Hipp JD, Gammage C, Thng F, Peng L, Stumpe MC. Impact of Deep Learning Assistance on the Histopathologic Review of Lymph Nodes for Metastatic Breast Cancer. Am J Surg Pathol. 2018 Dec;42(12):1636-1646. doi: 10.1097/PAS.0000000000001151. PMID: 30312179; PMCID: PMC6257102.
4. Naqa IE, Kosorok MR, Jin J, Mierzwa M, Ten Haken RK. Prospects and challenges for clinical decision support in the era of big data. JCO Clin Cancer Inform. 2018;2:CCI.18.00002. doi: 10.1200/CCI.18.00002. Epub 2018 Nov 9. PMID: 30613823; PMCID: PMC6317743.
5. Manickam P, Mariappan SA, Murugesan SM, Hansda S, Kaushik A, Shinde R, Thipperudraswamy SP. Artificial Intelligence (AI) and Internet of Medical Things (IoMT) Assisted Biomedical Systems for Intelligent Healthcare. Biosensors (Basel). 2022 Jul 25;12(8):562. doi: 10.3390/bios12080562. PMID: 35892459; PMCID: PMC9330886.
6. Noorbakhsh-Sabet N, Zand R, Zhang Y, Abedi V. Artificial Intelligence Transforms the Future of Health Care. Am J Med. 2019 Jul;132(7):795-801. doi: 10.1016/j.amjmed.2019.01.017. Epub 2019 Jan 31. PMID: 30710543; PMCID: PMC6669105.
7. I-AID – regional kraftsamling för att snabbare införa AI i vården: https://www.karolinska.se/iaid
8. Leufer D. Why We Need to Bust Some Myths about AI. Patterns (N Y). 2020 Oct 9;1(7):100124. doi: 10.1016/j.patter.2020.100124. PMID: 33205143; PMCID: PMC7660373.
9. Google Developer Blog, Health: 5 myths about medical AI, debunked: https://blog.google/technology/health/5-myths-about-medical-ai-debunked/
10. Emmert-Streib F, Yli-Harja O, Dehmer M. Artificial Intelligence: A Clarification of Misconceptions, Myths and Desired Status. Front Artif Intell. 2020 Dec 23;3:524339. doi: 10.3389/frai.2020.524339. PMID: 33733197; PMCID: PMC7944138.

3. Kursens mål - förväntat resultat

Övergripande mål

Kursens övergripande mål är att ge kunskap om tillämpning av AI/ML inom hälso- och sjukvården och utveckla ett kritiskt förhållningssätt till AI/ML. Kursen ska ge tillräckliga grundläggande kunskaper för egen vidareutbildning och/eller för att kunna tillgodogöra sig mer avancerade kurser inom AI/ML.

Resultat för deltagaren

Efter kursen deltagare ska:

1. Kunna beskriva olika AI/ML metoder.
2. Nämna olika AI/ML modellers styrkor och svagheter.
3. Analysera och kritiskt granska vetenskapliga artiklar om AI-relaterade metoder.
4. Utveckla etiskt ansvarfull använding av AI-verktyg.

Resultat för patient och samhället

1. Ökad produktivitet för läkare med AI-verktyg.
2. Ansvarsfull och etisk tillämpning av AI inom hälso- och sjukvård.
3. Mer sofistikerad patientdiagnostik och behandlingsmetodik.

Delmål för ST angivna av kursgivare

Radiologi

STc1/c1 – ha kunskap om undersökningsmetodernas styrkor, svagheter och risker

STc3/c3 – ha kunskap om fysikaliska, tekniska, matematiska och statistiska principer för metoder som ingår i kompetensområdet

Neuroradiologi

STc1/c1 – ha kunskap om undersökningsmetodernas styrkor, svagheter och risker

Klinisk mikrobiologi

STc8/c8 – behärska systematisk utvärdering och utveckling av nya analysmetoder i ett patientnyttoperspektiv

Alla specialister

STa1 – uppvisa kunskap om hur förändringar av medicinska, tekniska eller organisatoriska förutsättningar kan få betydelse för var, när och hur hälso- och sjukvård kan bedrivas

a5 – kunna tillämpa medicinskt vetenskapliga metoder och forskningsetiska principer

4. Program

Schema

Se bifogad fil nedan.

Bifogad fil

https://kursverktyg.lipus.se/app/uploads/2024/05/schedule-2025.docx

Referenser

1. P. Lee, C. Goldberg, I. Kohane. The AI Revolution in Medicine: GPT-4 and Beyond. Pearson, 2023.
2. M. Österberg, L. Lindsköld. AI för bättre hälsa. SWElife, 2020.
3. M. Wooldridge. The Road to Conscious Machines. Pelican, 2021.
4. M. Österberg. AI och machine learning för beslutsstöd inom hälso- och sjukvård. SWElife, 2018.
5. Kit-Kay Mak, Mallikarjuna Rao Pichika, Artificial intelligence in drug development: present status and future prospects, Drug Discovery Today, Volume 24, Issue 3, 2019, Pages 773-780, ISSN 1359-6446, https://doi.org/10.1016/j.drudis.2018.11.014.
6. Greener JG, Kandathil SM, Moffat L, Jones DT. A guide to machine learning for biologists. Nat Rev Mol Cell Biol. 2022 Jan;23(1):40-55. doi: 10.1038/s41580-021-00407-0. Epub 2021 Sep 13. PMID: 34518686.
7. Hoshino I, Yokota H. Radiogenomics of gastroenterological cancer: The dawn of personalized medicine with artificial intelligence-based image analysis. Ann Gastroenterol Surg. 2021;5(4):427-435. Published 2021 Feb 1. doi:10.1002/ags3.12437.
8. Zhang W, Chien J, Yong J, Kuang R. Network-based machine learning and graph theory algorithms for precision oncology. NPJ Precis Oncol. 2017 Aug 8;1(1):25. doi: 10.1038/s41698-017-0029-7. PMID: 29872707; PMCID: PMC5871915.
9. Petersen BK, Yang J, Grathwohl WS, et al. Deep Reinforcement Learning and Simulation as a Path Toward Precision Medicine. J Comput Biol. 2019;26(6):597-604. doi:10.1089/cmb.2018.0168.
10. Swan AL, Mobasheri A, Allaway D, Liddell S, Bacardit J. Application of machine learning to proteomics data: classification and biomarker identification in postgenomics biology. OMICS. 2013 Dec;17(12):595-610. doi: 10.1089/omi.2013.0017. Epub 2013 Oct 12. PMID: 24116388; PMCID: PMC3837439.
11. Jonsson A. Deep Reinforcement Learning in Medicine. Kidney Dis (Basel). 2019;5(1):18-22. doi:10.1159/000492670.
12. Kung TH, Cheatham M, Medenilla A, Sillos C, De Leon L, Elepaño C, Madriaga M, Aggabao R, Diaz-Candido G, Maningo J, Tseng V. Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digit Health. 2023 Feb 9;2(2):e0000198. doi: 10.1371/journal.pdig.0000198. PMID: 36812645; PMCID: PMC9931230.
13. Yi X, Walia E, Babyn P. Generative adversarial network in medical imaging: A review. Med Image Anal. 2019 Dec;58:101552. doi: 10.1016/j.media.2019.101552. Epub 2019 Aug 31. PMID: 31521965.
14. Baur C, Denner S, Wiestler B, Navab N, Albarqouni S. Autoencoders for unsupervised anomaly segmentation in brain MR images: A comparative study. Med Image Anal. 2021 Apr;69:101952. doi: 10.1016/j.media.2020.101952. Epub 2021 Jan 2. PMID: 33454602.
15. Litjens, G. et al. A Survey on Deep Learning in Medical Image Analysis. Medical Image Analysis 42, 60–88 (2017).
16. Xiong W, Yeung N, Wang S, Liao H, Wang L, Luo J. Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Autoencoders. BME Front. 2022 Apr 2;2022:9763284. doi: 10.34133/2022/9763284. PMID: 37850158; PMCID: PMC10521666.
17. Shi Y, Tang H, Baine MJ, Hollingsworth MA, Du H, Zheng D, Zhang C, Yu H. 3DGAUnet: 3D Generative Adversarial Networks with a 3D U-Net Based Generator to Achieve the Accurate and Effective Synthesis of Clinical Tumor Image Data for Pancreatic Cancer. Cancers (Basel). 2023 Nov 21;15(23):5496. doi: 10.3390/cancers15235496. PMID: 38067200; PMCID: PMC10705188.
18. Howard FM, Hieromnimon HM, Ramesh S, Dolezal J, Kochanny S, Zhang Q, Feiger B, Peterson J, Fan C, Perou CM, Vickery J, Sullivan M, Cole K, Khramtsova G, Pearson AT. Generative Adversarial Networks Accurately Reconstruct Pan-Cancer Histology from Pathologic, Genomic, and Radiographic Latent Features. bioRxiv [Preprint]. 2024 Mar 25:2024.03.22.586306. doi: 10.1101/2024.03.22.586306. PMID: 38585926; PMCID: PMC10996476.

Jämställdhet och likabehandling

Del av kursen är tillägnad ansvarsfull AI. En av frågorna som diskuteras är hur man använder gamla data för att undvika diskriminering och fördomar i maskininlärningsmodeller.

5. Metodik

Pedagogisk metod

Nästan varje lektion är uppdelat i 3 delar:

1. Teori – varje teknik förklaras på den mest grundläggande och begripliga nivån, tillämpbarhet på forskning och kliniska uppgifter förklaras. Detta avsnitt ger förståelse för för- och nackdelar av varje metod och hur metod kan tillämpas på medicinska data i forskning eller klinik.
2. Exempel – för varje metod det finns 1-3 exempel på användning i forskning eller klinik, alla exempel har publikationsreferenser. Extra exempel finns i ytterligare litteratur.
3. Diskussion – varje lektion slutas med en kort diskussion och frågor.

Kursmaterial

1. Presentationen skickas i förväg till alla kursdeltagare.
2. Extra litteratur lista finns i varje presentation, ytterligare litteratur lista också skickas efter kursen.

Förberedelser

Enkelt förberedelsematerial inklusive ett inledande quiz mejas ut till deltagare efter registrering.

Kunskapskontroll

Quiz i slutet av båda dagarna.

Kompetensstöd efter avslutad kurs

Läraren använder MS Teams för att skapa kontakt med kursdeltagare. Kursen är intensiv och deltagare kan ha frågor efter kursen – läraren ska besvara dessa frågor inom högst 2 veckor efter kursen.

Kompetensöverföring

I ytterligare litteratur:

1. Referenser till böcker om AI/ML och programmering (R/Python).
2. Länkar till online-kurser och material (inklusive videoföreläsningar) som läraren kan rekommendera.

6. Utvärdering

Lipus utvärdering

Utvärdering skickas efter avslutad kurs och kommer att skickas till all föreläsare som deltagit i kursen. Resultat ska användas för att förbättra kursen för nästa år.

Planering

Fler kliniska tillämpningar av generativ AI har lagts till

Tidigare Lipus-certifiering

Lipus-nummer: 20240028

Kurstitel: Basics of AI and ML for clinical specialists

Kurstillfällen: 15-16 april 2024

Certifierad: 29 februari 2024

7. Praktisk information

Kurstillfällen

Startdatum: 14 april 2025
Slutdatum: 15 april 2025
Sista anmälningsdatum: 11 april 2025
Kursplats: Visionsgatan 56, 17164, Solna;

Kursortens län

Stockholms län

Antal deltagare

20-30

Språk

Engelska

Avgift

SEK 5 000 inkl moms för en deltagare

Kringkostnader

Kursen äger rum på plats (ej digitalt), alla resor, boende och övriga kostnader betalas av deltagaren. Fika och lunch inkluderad.

Anmälningsförfarande och krav för deltagande

Om sökande har frågor angående ansökan kontakta Iurii Petrov via mail. Efter registrering, vänta på en bekräftelse via mail. 

Antagningsförfarande och bekräftelse

Eftersom kursen inte har några förkunskapskrav ges företräde till den som först skickade in ansökan. Kursansvarig kommer att kontakta den sökande inom 3 arbetsdagar.

Kontaktperson

Iurii Petrov iurii.petrov@ki.se

Kursintyg

Intyg på genomgången kurs kommer att delas ut, i enlighet med Socialstyrelsens föreskrifter

8. Kursansvariga

Initiativtagare

Cancercentrum Karolinska (CCK)

Iurii Petrov, PhD, civilingenjör

CCK, bioinformatiker

Karolinska Institutet, MTC och OnkPat

Karolinska Universitetssjukhuset, Funktion MDK

Ansvarig för innehåll

Iurii Petrov, PhD, civilingenjör

CCK, bioinformatiker

Karolinska Institutet, MTC och OnkPat

Karolinska Universitetssjukhuset, Funktion MDK

Benedek Bozoky, MD, PhD

Karolinska Universitetssjukhuset, Tema Cancer

Karolinska Institutet, MTC

Prof. Ingemar Ernberg, PhD

Cancercentrum Karolinska

Karolinska Institutet, MTC

Övergripande kurs- och kvalitetsansvarig

Iurii Petrov är civilingenjör i datavetenskap (2016) och doktor i medicin (2023). Han har stor erfarenhet av undervisning. På KI, han är arrangör och huvudföreläsare på kurserna ”5334: Artificiell intelligens och maskininlärande för biomedicinsk och klinisk forskning / Artificial Intelligence and Machine Learning for Biomedical and Clinical Research” (2020-nutid) och ”5626: Grundläggande programmering för biomedicinsk och klinisk forskning / Basics of Programming for Biomedical and Clinical Research” (2023-nutid) vid KI. Vid CCK arbetar han med utveckling av AI och datainfrastruktur. Han arbetar också med AI-lösningar inom radiologi vid Karolinska Universitetssjukhuset. Han har några certifikat från olika institutioner, inkluderar Microsoft.

Kursadministration

Iurii Petrov, PhD, civilingenjör

CCK, bioinformatiker

Karolinska Institutet, MTC och OnkPat

Karolinska Universitetssjukhuset, Funktion MDK

Övriga samarbetspartners

Kursen organiseras under Cancercentrum Karolinska

Målgruppsrepresentant

Benedek Bozoky, MD, PhD

Karolinska Universitetssjukhuset, Tema Cancer

Karolinska Institutet, MTC

9. Finansiering

Vem/vilka finansierar?

Kursen stöds av Cancercentrum Karolinska och finansieras av kurdeltagaravgiften.

Kringarrangemang

Fika och lunch finansieras av kursdeltagarensavgiften

Sponsorers närvaro

Nej

Jävsförhållande

Inga intressekonflikter eller jävsförhållande finns.