文献速递技术与安全

阿拉伯医学生对医学与放射学中人工智能的知识、态度和认知:多国横断面研究

Knowledge, attitude, and perception of Arab medical students towards artificial intelligence in medicine and radiology: A multi-national cross-sectional study.
PubMed 文献 · Eur Radiol · 2023-12-27

该多国多中心横断面研究于2022年3月至4月调查九个阿拉伯国家4492名本科医学生,发现92.4%未接受正式AI培训、87.1%对AI知识水平低,但84.9%认为AI将革新医学与放射学。高/中等AI知识及培训者更倾向同意AI可替代放射科医生并减少其需求,且更不考虑放射科作为职业。

要点

  • 92.4%的阿拉伯医学生未接受过正式AI培训,87.1%对AI知识水平低(答对<60%)。
  • 84.9%的学生认为AI将革新医学与放射学,48.9%同意AI可减少对放射科医生的需求。
  • 高/中等AI知识者同意AI替代放射科医生的AOR=1.69,有AI培训者AOR=2.81,均高于低知识/无培训者。

核心结论

  • 阿拉伯医学生在AI知识与培训方面存在显著不足,但对AI在医学与放射学中的应用持积极认知。
  • 高/中等AI知识及有AI培训者更倾向于同意AI可替代放射科医生、减少放射科医生数量,且更不考虑将放射科作为职业。

研究设计与样本

  • 多国多中心横断面研究,于2022年3月1日至2022年4月13日通过在线自填问卷开展。
  • 纳入中东和北非地区九个国家(利比亚、埃及、伊拉克、约旦、叙利亚、苏丹、阿尔及利亚、巴勒斯坦、也门)的本科医学生,共4492名。
  • 采用便利抽样,Raosoft样本量计算器估算每国至少382名学生(误差5%、置信水平95%、应答分布50%)。
  • 问卷含社会人口学、AI与DL知识(10题,Cronbach’s alpha 0.75)、态度(18题,0.81)、认知(4题,0.66)四个部分。
  • 知识水平分级:高(>80%正确)、中等(60%至80%正确)、低(<60%正确)。

诊断标准与关键数值

  • 知识水平高定义为正确回答>80%,中等为60%至80%,低为<60%。
  • 87.1%(n=3914)为低知识水平,10.6%(n=479)为中等,2.2%(n=99)为高。
  • 83.7%(n=3762)对深度学习知识水平低。
  • 92.4%(n=4152)未接受AI教学或培训;接受培训者中142名(41.8%)的培训属于课程组成部分。
  • 私立大学学生高/中等知识AOR=1.55(95%CI 1.18–2.03,p=0.001),有AI培训者AOR=7.63(95%CI 5.86–9.94,p<0.001)。

临床应用与阅片要点

  • 原文未据此给出针对放射科/超声科医生的推荐。
  • 原文结论指出阿拉伯医学生AI知识与培训存在显著缺口,并强调AI教育对医疗系统与医学课程的重要性。

局限性

  • 原文未报告局限性。
全文中译23 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2023 Dec 27;34(7):1–14. doi: 10.1007/s00330-023-10509-2

引言

人工智能(AI)是计算机科学的一个领域,在学习与解决问题方面模拟人类智能。AI 的一个子领域——机器学习(ML),专注于开发能够通过模式识别和数据分析来提高准确性的算法[1–3]。深度学习(DL)属于机器学习(ML)的范畴,在医疗健康领域受到了广泛关注。DL 利用人工神经网络来处理和分析大量数据,使其在图像处理、分析,甚至辅助机器人手术方面尤其有价值[4, 5]。在医学领域,AI 研究涵盖了广泛的应用范围。这包括收集和解读医疗健康数据、成像技术,以及将 AI 的能力扩展到治疗和外科方法中。此外,AI 在必要时向患者和医疗专业人员提供及时警示方面发挥着至关重要的作用[6]。

AI 在放射学中的应用具有重大意义,因为经 FDA 批准的基于 AI 的算法在检测特定疾病方面已表现出显著准确性,在特异性和敏感性方面可与人类专家相媲美[7]。然而,推动 AI 增长的快速技术进步引发了围绕诊断和介入放射学未来的讨论,引起了对其实践长期可行性潜在影响的担忧[8]。在过去十年中,AI 和 ML 一直是放射学领域激烈辩论的主题,根据截至 2023 年 3 月 25 日在 PubMed 上进行的检索,2018 年至 2023 年间发表了 5000 多篇文章,即为佐证。

因此,这些技术进步已经形成了关于 AI 在医学中作用的大量知识基础和多样观点。调查显示,放射科医生对 AI 的态度从热情接受到处怀疑不一,主要驱动因素是对被技术取代的担忧[9, 10]。值得注意的是,自 20 世纪 90 年代以来,放射学作为美国医学毕业生职业选择的受欢迎程度有所下降[11, 12]。与关于被取代的担忧相反,欧洲放射学会断言 AI 不会取代放射科医生,而是会提升其价值并改善整个领域[13]。作为回应,放射科医生必须主动学习 AI 及其应用,并与 AI 研究人员合作以优化患者照护。此外,AI 的影响超出了放射学范围,并将同样影响其他医疗健康专业,包括病理学、心脏病学等[13, 14]。

鉴于人工智能在医疗保健系统中的最新进展,越来越明显的是,医生和医学生需要接受全面的人工智能教育。因此,提高未来医疗保健专业人员对人工智能的认识对于指导他们的职业选择至关重要。这一话题在欧洲、加拿大和美国受到了广泛关注;然而,在中东和阿拉伯国家,相关研究仍然相对不足。关于阿拉伯医学生对医学和放射学中人工智能与深度学习(DL)的认知和看法,以及影响其知识和态度的因素(如人口统计学特征、学业表现、技术熟练程度和既往人工智能培训),现有信息有限。此外,调查他们对将人工智能纳入医学院课程的意见,并探索阿拉伯医学生与外国医学生在态度和认知方面的潜在差异,也是至关重要的。

我们旨在评估学生对人工智能在医学中应用的知识、态度和认知,特别关注其在放射学中的应用。此外,我们试图识别不同学生群体在认知和态度上的差异。通过这项调查,我们旨在深入了解这些学生对医学中人工智能的想法和感受,并确定将人工智能应用研究作为其教育课程必修组成部分的潜在效用。

方法

设计

我们于2022年3月1日至2022年4月13日期间,在中东和北非(MENA)地区九个国家的本科医学生中开展了一项多国、多中心横断面研究(利比亚、埃及、伊拉克、约旦、叙利亚、苏丹、阿尔及利亚、巴勒斯坦和也门),使用在线自填问卷。所有本科生均被纳入。在年龄或性别方面没有排除标准。本文的实施和报告遵循了加强流行病学观察性研究报告(STROBE)清单。

抽样

我们的研究采用了便利抽样法。使用Raosoft样本量计算器估算样本量[15]。在5%误差范围、95%置信水平和50%应答分布(根据沙特阿拉伯的一项研究,该研究发现约50%的学生认为自己对中国人工智能有良好的理解;然而,当测试人工智能知识时,只有22%的题目被正确回答[16])的条件下,计算得出每个国家至少需要382名学生的样本量。

问卷编制与验证

该问卷是基于加拿大、英国、克罗地亚、美国和德国先前发表的国家调查中的常见问题开发的[17–21]。人工智能和放射学领域的专家从相关性、全面性和清晰度方面对每个问题进行了修订,并根据他们的意见改进了一些细节。问卷由两名双语翻译人员译为阿拉伯语,随后阿拉伯语版本由另外两名翻译人员回译为英语。将新的英文版本与原始版本进行比较,直至达成最终版本。问卷以两种语言分发;每位参与者可选择其偏好的语言。我们还对阿拉伯语和英语版本进行了初步抽样,共获得265份未纳入分析的回复,以评估问卷各领域的Cronbach's alpha。

问卷包括四个部分:社会人口学数据:包括性别、国家、居住地(城市/农村)、大学、年级,以及是否熟练使用现代技术。

关于AI和DL的知识:由10个问题组成,涉及AI的基本原理、其局限性,以及他们是否熟悉与AI相关的术语。该部分的Cronbach's alpha为0.75。

对AI和DL的态度:由18个问题组成,评估他们对AI和DL在医学和放射学中的感受和看法。该部分的Cronbach's alpha为0.81。

对AI的认知:由四个问题组成:一个问题评估他们是否接受在特定临床工作流程中与AI协同工作,三个问题询问AI在放射学实践中的潜在应用。该部分的Cronbach's alpha为0.66。

最后,又增加了四个问题。一个问题是学生认为哪些专业将最早且受到AI影响最大,另外三个问题涉及他们是否接受过AI培训。

验证性因子分析模型对数据表现出可接受的拟合。该模型与基线模型进行了检验,结果显示两个模型之间存在统计学显著差异。比较拟合指数(CFI)和Tucker-Lewis指数(TLI)值分别为0.460和0.417,提示模型拟合尚可。近似误差均方根(RMSEA)为0.123,90%置信区间为0.118至0.129,表明拟合合理。问卷所有三个部分的载荷因子见表S1(补充材料)。

问卷的阿拉伯语和英语版本见补充材料。

数据收集

为确保数据收集过程的质量,我们指定了一名国家负责人,负责其所在国家的数据收集过程并获取伦理批准。我们向其讲解了研究的性质和 data collection 策略。每位国家负责人在2022年1月1日至2022年2月10日期间招募了兩至五名合作者,以帮助收集所需样本。

使用在线Google Forms进行数据收集。由于在设置列表中启用了仅限一次回答选项的限制,每位受访者只能通过其电子邮件填写问卷一次,因此没有重复数据。在线问卷数据被自动收集并保存在Excel电子表格中。每位合作者只能访问自己的回复;但中央研究者可以访问全国所有回复。阿拉伯语答案被翻译成英文,并与英文回复合并在一个Excel电子表格中进行分析。

伦理考量

在开始数据收集过程之前,我们获得了六个国家伦理委员会的伦理批准。此外,在填写问卷之前,在详细解释研究后获得了参与者的书面同意,强调其保密性和数据的完整保存。

数据分析

使用R统计软件(v4.1.3;R Core Team 2022)进行描述性统计和回归分析。使用简单的描述性统计以频数和百分比表示学生的态度和认知。知识部分被评为高(>80%正确答案)、中等(60%至80%正确答案)和低知识水平(<60%正确答案)。使用单变量和多变量逻辑回归分析评估学生知识、态度和认知的预测因素(人口学特征包括性别、年级、大学、居住地、技术经验和既往人工智能培训)。我们还使用了Hosmer–Lemeshow检验来评估回归模型的拟合优度。

使用Python 3.10.6进行K-means聚类分析,以发现学生态度和认知的模式,并了解哪些参与者具有哪种观点。我们使用StandardScaler函数对变量进行标准化,该函数将数据分布调整为均值为0、标准差为1。这一步确保了每个变量在聚类过程中具有相同权重。最佳聚类数通过轮廓系数法确定,该方法基于簇内对象的相似性和簇间的不相似性评估聚类质量。得分越高,聚类分析拟合越好。使用卡方p值评估各变量在聚类中的统计显著性。

结果

人口学数据

研究样本包括来自九个国家的4492名医学生。除也门外,所有国家的女性人数均多于男性,女性参与者为2768名(61.6%)。大多数参与者在公立大学学习(n = 3877,86.3%),居住在城市地区(n = 3486,77.6%)。约19.2%的参与者(n = 864)就读于医学院三年级。此外,1784名参与者(39.7%)认为自己在对技术的熟悉程度上为中立。纳入参与者的人口学特征见表1。

表1 参与研究的阿拉伯医学生人口学特征 查看原表 ↗

知识

大多数学生(n = 3914,87.1%)对人工智能的知识水平较低。此外,分别有479名学生(10.6%)和99名学生(2.2%)具有中等和高知识水平。83.7%的学生(n = 3762)对深度学习的知识水平较低。苏丹学生中对基本人工智能计算原理、术语、局限性和深度学习知识水平较低的学生比例最高(n = 440,92.8%)。相比之下,高知识水平学生人数最多的是叙利亚学生(n = 23,4.8%),如图1所示。

图1 阿拉伯医学生人工智能知识水平评估 查看原图 ↗

态度

人工智能与深度学习

关于对医学和放射学中人工智能与深度学习的情感和态度,1958名参与者强烈同意人工智能将彻底改变放射学(43.6%)。此外,1593份回答对未来人类放射科医生被替代持中立态度(35.5%);同时,1620名学生(36.1%)同意这将减少所需放射科医生的数量。38.7%的回答(n = 1738)对学生在人工智能发展背景下考虑从事放射学职业的可能性持中立态度(表S2,补充材料)。

人工智能与医学课程

大多数参与者强烈同意所有医学生都应接受人工智能教育(n = 1950,43.4%),且这对其职业生涯有益(n = 1850,41.2%),如表S3(补充材料)所示。

人工智能培训

92.4%的参与者(n = 4152)未接受过人工智能教学或培训。在接受过培训的学生中,仅有142名(41.8%)是作为课程的一部分接受的培训,而在接受过培训的学生中,有111名(32.6%)将满意度评为5分中的3分(中立)。

受人工智能影响的专科

据报告,诊断放射学是在人工智能应用发展早期受影响最大的专科(n = 2214,49.3%),其次是外科和肿瘤学,如图2所示。

图2 阿拉伯医学生对人工智能对不同医学专科影响的认知 查看原图 ↗

回归分析

知识水平(高/中等 vs. 低)

多因素logistic回归分析显示,就读于私立大学的学生(调整比值比(AOR):1.55;95%CI:1.18–2.03;p = 0.001)、对自己精通技术持中立态度(AOR:3.45;95%CI:1.87–7.11;p < 0.001)、“同意”(AOR:10.14;95%CI:5.53–20.89;p < 0.001)或“强烈同意”(AOR:25.17;95%CI:13.52–52.35;p < 0.001)者,以及接受过人工智能培训者(AOR:7.63;95%CI:5.86–9.94;p < 0.001),被发现与获得高/中等知识水平的几率增加独立相关(表2)。Hosmer–Lemeshow检验的检验统计量为− 30,930,自由度为8,p值大于0.5,表明模型拟合良好。

表2 多因素logistic回归分析显示阿拉伯医学生知识水平(高/中等 vs. 低)的预测因素 查看原表 ↗

态度与认知

我们观察到,与人工智能知识和培训水平较低且未接受过人工智能培训的学生相比,具有高/中等人工智能知识和培训的学生强烈同意/同意人工智能将取代放射科医师的比值比更高(AOR = 1.69;95%CI:1.35–2.12;p < 0.001,AOR = 2.81;95%CI:2.12–3.76;p < 0.001),并认为人工智能将减少所需放射科医师数量的比值比也更高(AOR = 1.35;95%CI:1.05–1.75;p = 0.023,AOR = 1.36;95%CI:0.97–1.94;p = 0.076)。同样,具有高/中等人工智能知识和培训的学生同意(强烈同意或同意)学生更不可能考虑从事放射科职业的比值比更高(AOR = 1.77;95%CI:1.33–2.36;p < 0.001,AOR = 1.52;95%CI:1.21–1.90;p < 0.001)。

此外,我们的研究显示,与学年学生(第1至第3学年)相比,临床学年医学生(第4、5、6学年及实习医师)同意(强烈同意或同意)人工智能未来将取代放射科医师的比值比独立地更低(AOR = 0.83;95%CI:0.72–0.97;p = 0.021)。

另一方面,我们的研究发现,具有高/中等人工智能知识独立地与强烈同意或同意所有医学生都应接受人工智能培训或教学的较高比值比相关(AOR = 2.09;1.46–3.08;p < 0.001)。然而,与未接受培训的受试者相比,先前接受过人工智能培训的学生同意(强烈同意或同意)该建议的比值比更低(AOR = 0.44;95%CI:0.31–0.63,p < 0.001)。

所有这些回归模型的Hosmer–Lemeshow检验p值均大于0.5,表明模型拟合良好。

聚类分析

通过验证性因子分析和Cronbach α结果,我们的问卷结构分为三个不同部分:知识(9个变量)、态度(18个变量)和认知(4个变量)。这些部分的详细分解见补充材料表S1。此外,态度部分进一步分为两个子部分:人工智能与深度学习态度(13个变量)和人工智能与医学课程态度(5个变量)。我们对除知识部分外的所有这些部分进行了三轮K-means聚类分析,以评估学生对人工智能的态度和认知模式。在我们的聚类分析中,我们使用轮廓系数作为指导,以确定每次分析的最佳聚类数。结果显示,在我们所有三次聚类分析中,轮廓系数均指示两个聚类为最佳选择。我们并未强制设定为两个聚类;而是根据最高轮廓系数选择该数量,这表明分析拟合更好。

人工智能与深度学习态度

采用K-means方法对涉及人工智能与深度学习态度的部分进行聚类分析,涵盖13个变量。分析结果识别出两个不同的聚类,如表3所示,轮廓系数为0.325。这些变量的选择基于它们在捕捉参与者对人工智能与深度学习整合于医学和放射学中的情感和态度方面所表现出的相关性,此相关性已通过既往因子分析确定。通过考察这些变量,我们旨在深入探究参与者对人工智能的态度和情感反应,并全面理解研究人群中多样化的观点。

聚类1包含3818名学生,其中大多数人认同人工智能在医学和放射学中的变革潜力,认为这些进展令人兴奋。然而,他们也承认对人工智能进展及其对放射科医生需求潜在影响的忧虑,表达了对需求下降的担忧。此外,聚类1的参与者不同意完全取代医生和放射科医生的观点,而是表现出更大的倾向考虑从事放射学职业。

相比之下,聚类2由674名参与者组成,他们同样认可人工智能可能为医学和放射学带来的革命性变化。然而,在人工智能取代放射科医生和医生、个人对人工智能的恐惧、从事放射学职业的兴趣以及人工智能可能导致放射科医生数量减少等方面,他们的观点更为中立。

值得注意的是,与聚类2相比,聚类1展现出更高水平的技术熟练度,拥有更全面的人工智能知识和培训。在两个聚类之间,未观察到性别、大学隶属关系、学术年级或居住地方面的显著差异。

表3 医学生对医学和放射学中人工智能与深度学习的情感和态度的聚类分析 查看原表 ↗

人工智能与医学课程态度

对于人工智能与医学课程态度部分的分析,采用五个相关变量进行K-means聚类分析。该分析生成两个不同的聚类,如表4所示,轮廓系数为0.42。这些变量的选择基于它们在评估学生对将人工智能纳入医学课程的态度和看法方面所表现出的相关性,此相关性已通过既往因子分析确定。通过探究这些变量,我们的目标是获得关于学生对人工智能融入医学课程的观点及其参与人工智能技术准备程度的宝贵见解。

聚类1包含3084名参与者,与聚类2(n = 1408)相比,他们表现出更高水平的人工智能知识、技术熟练度(技术精通度)和相关经验。两个聚类均认同将人工智能教育纳入医学课程的重要性,并认识到其对未来职业的潜在益处。然而,聚类1的学生主要表达了对在医疗保健中使用基本人工智能工具和方法的信心、理解和知识,而聚类2的学生在这些方面保持中立态度。

值得注意的是,两个聚类在性别分布、所属大学、学业年级、居住地点或人工智能培训方面未观察到显著差异。

表4 学生对人工智能和医学课程态度的聚类分析 查看原表 ↗

认知

为调查医学生对放射学中人工智能整合的认知,对认知部分采用K-means聚类分析,使用四个相关变量。分析得出两个不同的聚类,如表5所示,轮廓系数为0.5。这些变量的选择基于既往因子分析所确定的它们在捕捉医学生对放射学中人工智能整合认知方面的相关性。通过考察这些变量,我们旨在探索学生对人工智能在放射学中潜在应用和益处的看法,以及他们接受人工智能技术的意愿。

聚类1包含3536名学生,其中大多数人同意在特定工作流程中与人工智能协作的理念,即在人工智能初步分析后对医学图像和人工智能生成的结果进行双重审核。他们还认可人工智能在检测和诊断病理以及影像检查适当适应证方面的潜在应用。相比之下,聚类2(n = 956)对这些问题的回答主要呈中立态度。

与聚类2相比,聚类1中具有高级人工智能知识、培训和技术经验(技术精通度)的学生比例更大。两个聚类在性别分布、所属大学、学业年级或居住地点方面未观察到显著差异。

表5 医学生对人工智能和放射学认知的聚类分析 查看原表 ↗

讨论

我们的研究结果揭示,大多数学生对人工智能和深度学习(DL)缺乏了解,这一情况令人担忧。这种不足明显高于既往研究的发现。例如,Santos等人在德国进行的一项研究报告称,52%的学生知晓围绕放射学中人工智能应用的持续讨论,68%表示他们对底层技术缺乏了解[18]。同样,在沙特阿拉伯进行的一项研究发现,约50%的学生认为自己很好地理解了人工智能,但在知识测试中,仅22%的学生正确回答了问题[16]。此外,在巴西进行的一项研究表明,64.3%的学生声称对人工智能技术的新进展缺乏足够的知识[22]。

人工智能(AI)在包括放射学在内的各个医学学科中的变革潜力已得到广泛认可。与这一认识相一致,我们队列中的大多数学生表示同意AI将对医疗保健产生重大影响这一观点。相应地,一项在英国进行的研究报告称,88%的学生同样认为AI将在医疗保健领域发挥关键作用[19]。此外,另一项研究的结果表明,放射科医生 themselves 预计在十年内AI将给放射学领域带来重大变化,并设想其作为第二阅片者和工作流程优化者的潜在角色[23]。

然而,尽管存在有力的相反论据,放射科医生仍对AI在医学领域的进一步整合可能导致职业替代抱有重大担忧[24]。我们的研究旨在调查阿拉伯学生对医学和放射学中AI的态度,从而识别出两个不同的聚类。规模较大且知识更丰富的聚类对AI的进步表示忧虑,并认为AI将导致对放射科医生需求的减少。然而,他们主要反对AI完全取代放射科医生,并表示对从事放射学职业仍有持续兴趣。在沙特阿拉伯由Bin Dahmash等人[16]进行的一项研究中,在将放射学列为第一、第二或第三职业选择的参与者中,52%不同意放射科医生在其有生之年被取代的观点,而44.8%同意AI将减少未来所需的放射科医生数量。Gong等人[17]报告称,67.7%的学生认为AI将减少未来对放射科医生的需求,但58.6%对AI完全取代放射科医生的观点持异议。此外,Santos等人[18]对德国医学生进行的研究显示,82.9%的参与者没有预见到AI最终会取代放射科医生。另外,一项调查放射科医生和放射学住院医师对AI的认知、知识和态度的研究发现,48%对AI表现出开放和积极的态度,而38%表达了对可能被AI取代的恐惧[25]。

我们的研究结果表明,与英国[19]、加拿大[17]和德国[18]的医学生相比,考虑从事放射学职业的阿拉伯医学生对AI进步的影响感知更为负面。此外,我们的回归分析揭示了一个值得注意的关联:与知识水平低且未接受AI培训的学生相比,具有中等/高水平AI知识和培训的阿拉伯学生更可能同意AI将取代放射科医生、减少所需放射科医生数量并降低他们从事放射学职业的兴趣。这一观察表明这些学生可能存在潜在误解,凸显了澄清的必要性。

多项研究[24, 26, 27]已对此关切进行了探讨,表明人工智能并非旨在取代放射科医生,而是促进其工作,并强调遵守既定规则和原则以确保最佳患者结局的重要性。必须认识到,放射科医生的角色超越图像解读,还包括与其他医生在诊断和治疗中的协作、疾病管理、实施图像引导的医学干预(介入放射学)以及各种其他任务[25]。此外,将阿拉伯学生中的这一误解归因于所谓的初始过度自信效应是合理的。当个体在一个新领域知识有限时,这种效应就会出现,导致他们对自己的理解产生一种不合理的自信感[28]。在我们的研究中,大多数参与者的人工智能知识水平相对较低。然而,即使是那些知识水平稍高的人,也可能因上述过度自信效应而仍然遇到局限。因此,这或许可以解释为什么这些学生继续对放射学领域的人工智能进展表达担忧和恐惧。

我们研究中的大多数参与者都同意有必要向所有医学生提供人工智能的全面教育。通过我们的分析,我们识别出两个关于人工智能及其融入医学课程的不同回应集群。两个集群都认同人工智能教育至关重要,并对医学生未来的职业具有显著益处。然而,规模更大且知识更丰富的集群在关于其在医疗保健中使用基本人工智能工具的信心、理解和知识方面表现出更强的一致性。这些发现与先前在英国进行的研究一致,其中89%的医学生认为将人工智能教育纳入课程将对他们的职业有利,78%支持将人工智能培训作为其医学学位的一部分[19]。同样,在克罗地亚进行的一项研究显示,89.6%的放射科医生和放射学住院医师支持将人工智能整合到医学教育和课程中,强调了在医学领域采用人工智能的重要性[21]。另一项针对放射科医生和放射学住院医师的研究表明,他们之间存在强烈共识,认为人工智能应纳入住院医师培训和放射学课程[23]。然而,我们的研究显示,与未接受过培训的同行相比,曾接受过人工智能培训的学生不太倾向于同意为所有医学生整合人工智能教育的建议。这一观察表明,这些接受过培训并接触过人工智能工具的学生可能对这些智能系统的复杂性和挑战有了更深刻的认识。因此,尽管他们承认这些技术的实用性和潜力,但认识到其中的复杂性,他们对广泛开展人工智能教育表达了保留意见。

我们的研究显示,阿拉伯学生对人工智能在放射学中的应用总体持积极看法。具体而言,第1聚类由较大规模、具备人工智能知识和培训的学生组成,该组学生对与人工智能协同工作表现出更强的认同,并认可人工智能在影像检查中检测和诊断病变及识别适当适应症方面的潜在益处。这些发现与Santos等人[18]开展的一项研究一致,该研究中30%至43.4%的德国学生对同一概念表示“较为同意”。

超过92%的参与者报告此前未接受过人工智能培训,超过80%的参与者在该领域知识水平较低。因此,他们关于人工智能对各类医疗问题影响的观点和态度的有效性可能有限。这凸显了我们数据中的一个关键问题,可能影响其代表性。这些学生对人工智能的看法很可能受到其有限知识和理解的影响。

此外,我们的回归分析表明,就读于私立大学的学生、在现代技术使用方面表现出更高熟练度的学生以及此前接受过人工智能培训的学生更可能具备高/中等水平的人工智能和深度学习知识。这一观察结果凸显了将人工智能纳入医学课程的重要性,尤其是在学生知识水平通常较低的公立大学。通过将人工智能引入教育,学生将增加接触计算机和人工智能工具的机会,提高其使用现代技术的熟练度,并培养其人工智能素养。

优势与局限性

据我们所知,本研究是中东和北非地区首个关于医学生对人工智能的知识、态度和认知的综合多国调查。纳入来自九个阿拉伯国家的数据使得能够对当前状况进行更广泛的评估。尽管如此,我们承认本研究存在一些局限性,包括使用便利抽样,这可能引入选择偏倚,并妨碍建立横断面设计所固有的所考察自变量与因变量之间的因果关系。因此,我们鼓励未来研究采用纵向研究设计以更好地阐明这些关系。

结论

阿拉伯医学生在人工智能用于医学和放射学方面的知识和培训相当匮乏。然而,他们认可人工智能对医疗系统和医学课程的重要性,并对人工智能持积极看法。这些发现提出了一个必须立即加以解决的重大关切,以确保在现代医学领域中与时俱进地使用和实践现代技术。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 788 KB)

引用

  1. Allam AH, Eltewacy NK, Alabdallat YJ, et al. Knowledge, attitude, and perception of Arab medical students towards artificial intelligence in medicine and radiology: A multi-national cross-sectional study. Eur Radiol. 2023. PMID: 38150076. doi:10.1007/s00330-023-10509-2
  2. 全文:PMC11213794(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11213794/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。