වෛද්‍ය සිසුන්ට කෘතිම බුද්ධිය ඉගැන්වීම පිළිබඳ කැනේඩියානු ඉදිරිදර්ශනය

Nature.com වෙත පිවිසීම ගැන ඔබට ස්තුතියි.ඔබ භාවිතා කරන බ්‍රවුසරයේ අනුවාදයට සීමිත CSS සහය ඇත.හොඳම ප්‍රතිඵල සඳහා, අපි ඔබගේ බ්‍රවුසරයේ නව අනුවාදයක් භාවිතා කිරීම නිර්දේශ කරමු (හෝ Internet Explorer හි ගැළපුම් ප්‍රකාරය අක්‍රිය කරන්න).මේ අතරතුර, අඛණ්ඩ සහාය සහතික කිරීම සඳහා, අපි මෝස්තරය හෝ JavaScript නොමැතිව වෙබ් අඩවිය පෙන්වමු.
සායනික කෘතිම බුද්ධියේ (AI) යෙදුම් වේගයෙන් වර්ධනය වෙමින් පවතී, නමුත් පවතින වෛද්‍ය විද්‍යාල විෂයමාලා මෙම ප්‍රදේශය ආවරණය වන පරිදි සීමිත ඉගැන්වීම් ලබා දෙයි.මෙහිදී අපි කැනේඩියානු වෛද්‍ය සිසුන්ට අප විසින් සංවර්ධනය කර ලබා දුන් කෘත්‍රිම බුද්ධි පුහුණු පාඨමාලාවක් විස්තර කර අනාගත පුහුණුව සඳහා නිර්දේශ ඉදිරිපත් කරමු.
වෛද්‍ය විද්‍යාවේ කෘත්‍රිම බුද්ධිය (AI) රැකියා ස්ථානයේ කාර්යක්ෂමතාව වැඩි දියුණු කිරීමට සහ සායනික තීරණ ගැනීමට සහාය විය හැක.කෘත්‍රිම බුද්ධිය භාවිතයට ආරක්ෂිතව මග පෙන්වීම සඳහා වෛද්‍යවරුන්ට කෘතිම බුද්ධිය පිළිබඳ යම් අවබෝධයක් තිබිය යුතුය.AI ආකෘති පැහැදිලි කිරීම සහ සත්‍යාපන ක්‍රියාවලි2 වැනි AI සංකල්ප1 ඉගැන්වීමට බොහෝ අදහස් යෝජනා කරයි.කෙසේ වෙතත්, විශේෂයෙන් ජාතික මට්ටමින් ව්‍යුහගත සැලසුම් කිහිපයක් ක්‍රියාත්මක කර ඇත.Pinto dos Santos et al.3.වෛද්‍ය සිසුන් 263ක් සමීක්‍ෂණය කරන ලද අතර 71%ක් ඔවුන්ට කෘතිම බුද්ධිය පිළිබඳ පුහුණුව අවශ්‍ය බවට එකඟ වූහ.කෘත්‍රිම බුද්ධිය වෛද්‍ය ප්‍රේක්ෂක පිරිසකට ඉගැන්වීම සඳහා බොහෝ විට පුළුල් පූර්ව දැනුමක් ඇති සිසුන් සඳහා තාක්ෂණික සහ තාක්ෂණික නොවන සංකල්ප ඒකාබද්ධ කරන ප්‍රවේශමෙන් සැලසුම් කිරීම අවශ්‍ය වේ.අපි වෛද්‍ය සිසුන් කණ්ඩායම් තුනකට AI වැඩමුළු මාලාවක් ලබා දීමේ අපගේ අත්දැකීම් විස්තර කරන අතර AI හි අනාගත වෛද්‍ය අධ්‍යාපනය සඳහා නිර්දේශ ඉදිරිපත් කරමු.
වෛද්‍ය සිසුන් සඳහා වෛද්‍ය විද්‍යාව පිළිබඳ කෘතිම බුද්ධිය පිළිබඳ සති පහක හැඳින්වීම 2019 පෙබරවාරි සහ 2021 අප්‍රේල් අතර තෙවරක් පැවැත්විණි. එක් එක් වැඩමුළුව සඳහා කාලසටහනක්, පාඨමාලාවේ වෙනස්කම් පිළිබඳ කෙටි විස්තරයක් රූප සටහන 1 හි පෙන්වා ඇත. මූලික ඉගෙනුම් අරමුණු තුනක්: කෘත්‍රිම බුද්ධි යෙදුම්වල දත්ත සැකසෙන ආකාරය සිසුන් අවබෝධ කර ගැනීම, සායනික යෙදුම් සඳහා කෘත්‍රිම බුද්ධි සාහිත්‍යය විශ්ලේෂණය කිරීම සහ කෘත්‍රිම බුද්ධිය වර්ධනය කරන ඉංජිනේරුවන් සමඟ සහයෝගයෙන් කටයුතු කිරීමට අවස්ථාවන්ගෙන් ප්‍රයෝජන ගැනීම.
නිල් යනු දේශනයේ මාතෘකාව වන අතර ලා නිල් යනු අන්තර්ක්‍රියාකාරී ප්‍රශ්න සහ පිළිතුරු කාලයයි.අළු කොටස කෙටි සාහිත්‍ය සමාලෝචනයේ අවධානය යොමු කරයි.තැඹිලි කොටස් කෘත්‍රිම බුද්ධි ආකෘති හෝ ශිල්පීය ක්‍රම විස්තර කරන තෝරාගත් සිද්ධි අධ්‍යයනයන් වේ.Green යනු සායනික ගැටළු විසඳීමට සහ ආකෘති ඇගයීමට කෘතිම බුද්ධිය ඉගැන්වීම සඳහා නිර්මාණය කර ඇති මාර්ගෝපදේශන ක්‍රමලේඛන පාඨමාලාවකි.ශිෂ්‍ය අවශ්‍යතා තක්සේරු කිරීම මත වැඩමුළුවල අන්තර්ගතය සහ කාලසීමාව වෙනස් වේ.
පළමු වැඩමුළුව 2019 පෙබරවාරි සිට අප්‍රේල් දක්වා බ්‍රිතාන්‍ය කොලොම්බියා විශ්ව විද්‍යාලයේ පැවැත්වුණු අතර සහභාගී වූ 8 දෙනාම ධනාත්මක ප්‍රතිපෝෂණ ලබා දුන්හ.COVID-19 හේතුවෙන්, කැනේඩියානු වෛද්‍ය විද්‍යාල 8කින් වෛද්‍ය සිසුන් 222ක් සහ පදිංචිකරුවන් 3ක් ලියාපදිංචි කරමින්, දෙවන වැඩමුළුව 2020 ඔක්තෝබර්-නොවැම්බර් මාසවලදී පැවැත්විණි.ඉදිරිපත් කිරීමේ විනිවිදක සහ කේතය විවෘත ප්‍රවේශ අඩවියකට උඩුගත කර ඇත (http://ubcaimed.github.io).පළමු පුනරාවර්තනයේ ඇති ප්‍රධාන ප්‍රතිපෝෂණය වූයේ දේශන ඉතා තීව්‍ර වූ අතර ද්‍රව්‍ය න්‍යායාත්මක වැඩි බවයි.කැනඩාවේ විවිධ කාල කලාප හයකට සේවය කිරීම අමතර අභියෝග මතු කරයි.මේ අනුව, දෙවන වැඩමුළුව එක් එක් සැසිවාරය පැය 1 දක්වා කෙටි කර, පාඨමාලා තොරතුරු සරල කර, තවත් සිද්ධි අධ්‍යයන එකතු කර, අවම නිදොස්කරණයකින් (කොටුව 1) කේත කොටස් සම්පූර්ණ කිරීමට සහභාගිවන්නන්ට ඉඩ සලසන බොයිලේරු ප්ලේට් වැඩසටහන් නිර්මාණය කරන ලදී.දෙවන පුනරාවර්තනයේ ප්‍රධාන ප්‍රතිපෝෂණයට ක්‍රමලේඛන අභ්‍යාස පිළිබඳ ධනාත්මක ප්‍රතිපෝෂණ සහ යන්ත්‍ර ඉගෙනීමේ ව්‍යාපෘතියක් සඳහා සැලසුම් කිරීම ප්‍රදර්ශනය කිරීමට ඉල්ලීමක් ඇතුළත් විය.එබැවින්, 2021 මාර්තු-අප්‍රේල් මාසවල වෛද්‍ය සිසුන් 126 දෙනෙකු සඳහා පාහේ පවත්වන ලද අපගේ තුන්වන වැඩමුළුවේදී, ව්‍යාපෘති සඳහා වැඩමුළු සංකල්ප භාවිතා කිරීමේ බලපෑම ප්‍රදර්ශනය කිරීම සඳහා අපි වඩාත් අන්තර්ක්‍රියාකාරී කේතීකරණ අභ්‍යාස සහ ව්‍යාපෘති ප්‍රතිපෝෂණ සැසි ඇතුළත් කළෙමු.
දත්ත විශ්ලේෂණය: දත්ත රටා විශ්ලේෂණය කිරීම, සැකසීම සහ සන්නිවේදනය කිරීම මගින් දත්තවල අර්ථවත් රටා හඳුනා ගන්නා සංඛ්‍යාලේඛන අධ්‍යයන ක්ෂේත්‍රයකි.
දත්ත කැණීම: දත්ත හඳුනාගැනීමේ සහ උපුටාගැනීමේ ක්‍රියාවලිය.කෘතිම බුද්ධියේ සන්දර්භය තුළ, මෙය බොහෝ විට විශාල වන අතර, එක් එක් නියැදිය සඳහා බහු විචල්‍යයන් ඇත.
Dimensionality අඩු කිරීම: මුල් දත්ත කට්ටලයේ වැදගත් ගුණාංග සංරක්ෂණය කරමින් බොහෝ තනි ලක්ෂණ සහිත දත්ත අඩු විශේෂාංග බවට පරිවර්තනය කිරීමේ ක්‍රියාවලිය.
ලක්ෂණ (කෘතිම බුද්ධියේ සන්දර්භය තුළ): නියැදියක මැනිය හැකි ගුණාංග.බොහෝ විට "දේපල" හෝ "විචල්ය" සමඟ හුවමාරු කර ගනී.
Gradient Activation Map: කෘත්‍රිම බුද්ධි ආකෘති (විශේෂයෙන් convolutional neural networks) අර්ථකථනය කිරීමට භාවිතා කරන තාක්‍ෂණයක් වන අතර එය ඉතා පුරෝකථනය කරන දත්ත හෝ රූපවල කලාප හඳුනා ගැනීම සඳහා ජාලයේ අවසාන කොටස ප්‍රශස්ත කිරීමේ ක්‍රියාවලිය විශ්ලේෂණය කරයි.
සම්මත මාදිලිය: සමාන කාර්යයන් කිරීමට පෙර පුහුණු කර ඇති දැනට පවතින AI ආකෘතියකි.
පරීක්ෂා කිරීම (කෘතිම බුද්ධියේ සන්දර්භය තුළ): ආකෘතියක් එය මින් පෙර හමු නොවූ දත්ත භාවිතයෙන් කාර්යයක් ඉටු කරන ආකාරය නිරීක්ෂණය කිරීම.
පුහුණුව (කෘතිම බුද්ධියේ සන්දර්භය තුළ): නව දත්ත භාවිතයෙන් කාර්යයන් ඉටු කිරීමට ඇති හැකියාව ප්‍රශස්ත කිරීම සඳහා ආකෘතිය එහි අභ්‍යන්තර පරාමිතීන් සකස් කරන පරිදි දත්ත සහ ප්‍රතිඵල සහිත ආකෘතියක් සැපයීම.
දෛශිකය: දත්ත මාලාවක්.යන්ත්‍ර ඉගෙනීමේදී, එක් එක් අරා මූලද්‍රව්‍ය සාමාන්‍යයෙන් නියැදියේ සුවිශේෂී ලක්ෂණයකි.
වගුව 1 එක් එක් මාතෘකාව සඳහා ඉලක්කගත ඉගෙනුම් අරමුණු ඇතුළුව, 2021 අප්‍රේල් සඳහා නවතම පාඨමාලා ලැයිස්තුගත කරයි.මෙම වැඩමුළුව තාක්ෂණික මට්ටමට නවකයන් සඳහා අදහස් කරන අතර උපාධි අපේක්ෂක වෛද්‍ය උපාධියේ පළමු වසරෙන් ඔබ්බට කිසිදු ගණිත දැනුමක් අවශ්‍ය නොවේ.මෙම පාඨමාලාව වෛද්‍ය සිසුන් 6 දෙනෙකු සහ ඉංජිනේරු විද්‍යාව පිළිබඳ උසස් උපාධි සහිත ගුරුවරුන් 3 දෙනෙකු විසින් සකස් කරන ලදී.ඉංජිනේරුවන් ඉගැන්වීම සඳහා කෘතිම බුද්ධි න්‍යාය සංවර්ධනය කරමින් සිටින අතර වෛද්‍ය සිසුන් සායනිකව අදාළ ද්‍රව්‍ය ඉගෙන ගනිමින් සිටිති.
වැඩමුළුවලට දේශන, සිද්ධි අධ්‍යයන සහ මාර්ගෝපදේශ වැඩසටහන් ඇතුළත් වේ.පළමු දේශනයේදී, දත්ත දෘශ්‍යකරණය, ලොජිස්ටික් ප්‍රතිගමනය සහ විස්තරාත්මක සහ ප්‍රේරක සංඛ්‍යාලේඛන සංසන්දනය කිරීම ඇතුළුව ජෛව සංඛ්‍යාලේඛනවල දත්ත විශ්ලේෂණයේ තෝරාගත් සංකල්ප අපි සමාලෝචනය කරමු.දත්ත විශ්ලේෂණය කෘතිම බුද්ධියේ පදනම වුවද, අපි දත්ත කැණීම, වැදගත්කම පරීක්ෂා කිරීම හෝ අන්තර්ක්‍රියාකාරී දෘශ්‍යකරණය වැනි මාතෘකා බැහැර කරමු.මෙයට හේතු වූයේ කාල සීමාවන් සහ සමහර උපාධි අපේක්ෂකයින්ට ජෛව සංඛ්‍යාලේඛන පිළිබඳ පූර්ව පුහුණුවක් තිබූ නිසා සහ වඩාත් අද්විතීය යන්ත්‍ර ඉගෙනුම් මාතෘකා ආවරණය කිරීමට අවශ්‍ය වූ බැවිනි.පසුකාලීන දේශනය නවීන ක්‍රම හඳුන්වා දෙන අතර AI ගැටළු සැකසීම, AI මාදිලිවල වාසි සහ සීමාවන් සහ ආකෘති පරීක්ෂාව සාකච්ඡා කරයි.දේශන සාහිත්‍ය සහ දැනට පවතින කෘතිම බුද්ධි උපාංග පිළිබඳ ප්‍රායෝගික පර්යේෂණ මගින් අනුපූරක වේ.පවතින කෘත්‍රිම බුද්ධි උපාංගවල සීමාවන් අවබෝධ කර ගැනීම ඇතුළුව සායනික ප්‍රශ්න විසඳීම සඳහා ආකෘතියක සඵලතාවය සහ ශක්‍යතාව ඇගයීමට අවශ්‍ය කුසලතා අපි අවධාරණය කරමු.උදාහරණයක් ලෙස, වෛද්‍යවරයෙකුගේ පරීක්ෂණය මත පදනම්ව CT ස්කෑන් පරීක්ෂණයක් ප්‍රයෝජනවත් වේද යන්න තීරණය කිරීම සඳහා කෘතිම බුද්ධි තීරණ ගැනීමේ ඇල්ගොරිතමයක් ක්‍රියාත්මක කරන ලද Kupperman et al., 5 විසින් යෝජනා කරන ලද ළමා හිස තුවාල මාර්ගෝපදේශ අර්ථකථනය කරන ලෙස අපි සිසුන්ගෙන් ඉල්ලා සිටියෙමු.මෙය වෛද්‍යවරුන් ප්‍රතිස්ථාපනය කරනවාට වඩා වෛද්‍යවරුන්ට අර්ථකථනය කිරීම සඳහා අනාවැකි විශ්ලේෂණ සපයන AI සඳහා පොදු උදාහරණයක් බව අපි අවධාරණය කරමු.
පවතින විවෘත මූලාශ්‍ර බූට්ස්ට්‍රැප් ක්‍රමලේඛන උදාහරණ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) තුළ, ගවේෂණාත්මක දත්ත විශ්ලේෂණය, මානයන් අඩු කිරීම, සම්මත මාදිලි පැටවීම සහ පුහුණුව සිදු කරන ආකාරය අපි නිරූපණය කරමු. .සහ පරීක්ෂණ.අපි Google Colaboratory notebooks (Google LLC, Mountain View, CA) භාවිත කරන අතර එමඟින් Python කේතය වෙබ් බ්‍රවුසරයකින් ක්‍රියාත්මක කිරීමට ඉඩ සලසයි.රූප සටහන 2 හි වැඩසටහන් අභ්‍යාසයක උදාහරණයක් සපයයි.මෙම අභ්‍යාසයට විස්කොන්සින් Open Breast Imaging Dataset6 සහ තීරන ගස් ඇල්ගොරිතමයක් භාවිතා කරමින් පිළිකාවන් පුරෝකථනය කිරීම ඇතුළත් වේ.
අදාළ මාතෘකා මත සතිය පුරා වැඩසටහන් ඉදිරිපත් කරන්න සහ ප්‍රකාශිත AI යෙදුම්වලින් උදාහරණ තෝරන්න.ක්‍රමලේඛන මූලද්‍රව්‍ය ඇතුළත් වන්නේ ඒවා සායනික අත්හදා බැලීම් වලදී භාවිතා කිරීමට සුදානම්ද යන්න තීරණය කිරීම සඳහා ආකෘති ඇගයීමට ලක් කරන්නේ කෙසේද වැනි අනාගත සායනික පරිචයන් පිළිබඳ අවබෝධයක් ලබා දීමට අදාළ යැයි සැලකේ නම් පමණි.මෙම නිදසුන් වෛද්‍ය රූප පරාමිතීන් මත පදනම්ව පිළිකා නිරපේක්ෂ හෝ මාරාන්තික ලෙස වර්ගීකරණය කරන පූර්ණ-අන්ත-අන්ත යෙදුමකින් අවසන් වේ.
පෙර දැනුමේ විෂමතාවය.අපගේ සහභාගිවන්නන් ඔවුන්ගේ ගණිතමය දැනුමේ මට්ටමින් වෙනස් විය.උදාහරණයක් ලෙස, උසස් ඉංජිනේරු පසුබිමක් ඇති සිසුන් ඔවුන්ගේම ෆූරියර් පරිවර්තන සිදු කරන්නේ කෙසේද යන්න වැනි වඩාත් ගැඹුරු තොරතුරු සොයමින් සිටිති.කෙසේ වෙතත්, ෆූරියර් ඇල්ගොරිතම පන්තියේ සාකච්ඡා කිරීම කළ නොහැක්කේ එයට සංඥා සැකසීම පිළිබඳ ගැඹුරු දැනුමක් අවශ්‍ය වන බැවිනි.
පැමිණීම පිටතට ගලා යාම.පසු විපරම් රැස්වීම්වලට පැමිණීම ප්‍රතික්ෂේප විය, විශේෂයෙන් සබැඳි ආකෘතිවලින්.පැමිණීම නිරීක්ෂණය කිරීම සහ සම්පූර්ණ කිරීමේ සහතිකයක් ලබා දීම විසඳුමක් විය හැකිය.වෛද්‍ය විද්‍යාල සිසුන්ගේ විෂය බාහිර අධ්‍යයන ක්‍රියාකාරකම්වල පිටපත් හඳුනා ගන්නා බව දන්නා අතර එමඟින් සිසුන් උපාධියක් හැදෑරීමට දිරිමත් කළ හැකිය.
පාඨමාලා නිර්මාණය: AI බොහෝ උප ක්ෂේත්‍ර පුරා විහිදෙන නිසා, සුදුසු ගැඹුර සහ පළල පිළිබඳ මූලික සංකල්ප තෝරා ගැනීම අභියෝගාත්මක විය හැක.උදාහරණයක් ලෙස, රසායනාගාරයේ සිට සායනය දක්වා AI මෙවලම් අඛණ්ඩව භාවිතා කිරීම වැදගත් මාතෘකාවකි.අපි දත්ත පෙර සැකසුම්, ආකෘති ගොඩනැගීම සහ වලංගුකරණය ආවරණය කරන අතර, අපි විශාල දත්ත විශ්ලේෂණ, අන්තර්ක්‍රියාකාරී දෘශ්‍යකරණය හෝ AI සායනික අත්හදා බැලීම් වැනි මාතෘකා ඇතුළත් නොකරමු, ඒ වෙනුවට අපි වඩාත් සුවිශේෂී AI සංකල්ප කෙරෙහි අවධානය යොමු කරමු.අපගේ මාර්ගෝපදේශක මූලධර්මය වන්නේ කුසලතා නොව සාක්ෂරතාවය වැඩි දියුණු කිරීමයි.උදාහරණයක් ලෙස, ආකෘතියක් ආදාන විශේෂාංග සකසන ආකාරය තේරුම් ගැනීම අර්ථකථනය සඳහා වැදගත් වේ.මෙය කළ හැකි එක් ක්‍රමයක් නම් අනුක්‍රමික සක්‍රීය කිරීමේ සිතියම් භාවිතා කිරීමයි, එමඟින් දත්තවල කුමන ප්‍රදේශ පුරෝකථනය කළ හැකිද යන්න දෘශ්‍යමාන කළ හැකිය.කෙසේ වෙතත්, මෙය බහුවිචල්‍ය කලනය අවශ්‍ය වන අතර හඳුන්වා දිය නොහැක8.ගණිතමය විධිමත්භාවයකින් තොරව දත්ත සමඟ දෛශික ලෙස ක්‍රියා කරන ආකාරය පැහැදිලි කිරීමට අප උත්සාහ කළ නිසා පොදු පාරිභාෂිතයක් සංවර්ධනය කිරීම අභියෝගාත්මක විය.විවිධ පදවලට එකම අර්ථයක් ඇති බව සලකන්න, උදාහරණයක් ලෙස, වසංගතවේදය තුළ, "ලක්ෂණයක්" විස්තර කරන්නේ "විචල්‍ය" හෝ "ගුණාංගයක්" ලෙසිනි.
දැනුම රඳවා තබා ගැනීම.AI භාවිතය සීමිත බැවින්, සහභාගිවන්නන් දැනුම රඳවා තබා ගන්නා ප්‍රමාණය දැකගත හැකිය.වෛද්‍ය විද්‍යාල විෂයමාලා බොහෝ විට ප්‍රායෝගික භ්‍රමණයන් වලදී දැනුම ශක්තිමත් කිරීම සඳහා අවකාශ පුනරාවර්තනය මත රඳා පවතී, 9 එය AI අධ්‍යාපනයට ද යෙදිය හැකිය.
සාක්ෂරතාවයට වඩා වෘත්තීයභාවය වැදගත් ය.කෘතිම බුද්ධිය පිළිබඳ සායනික පාඨමාලා දියත් කිරීමේදී ගැටළුවක් වූ ගණිතමය දෘඩතාවයකින් තොරව ද්රව්යයේ ගැඹුර නිර්මාණය කර ඇත.ක්‍රමලේඛන උදාහරණ වලදී, සම්පූර්ණ ක්‍රමලේඛන පරිසරයක් සකසන්නේ කෙසේදැයි සොයා බැලීමකින් තොරව ක්ෂේත්‍ර පිරවීමට සහ මෘදුකාංගය ක්‍රියාත්මක කිරීමට සහභාගිවන්නන්ට ඉඩ සලසන අච්චු වැඩසටහනක් අපි භාවිතා කරමු.
කෘත්‍රිම බුද්ධිය පිළිබඳ අවධානය යොමු කෙරේ: කෘත්‍රිම බුද්ධියට සමහර සායනික රාජකාරි ප්‍රතිස්ථාපනය කළ හැකි බවට පුළුල් සැලකිල්ලක් පවතී3.මෙම ගැටළුව විසඳීම සඳහා, නියාමකයින් විසින් අනුමත කරන ලද සියලුම AI තාක්ෂණයන් පාහේ වෛද්‍ය අධීක්ෂණය අවශ්‍ය වන බව ඇතුළුව, AI හි සීමාවන් අපි පැහැදිලි කරන්නෙමු11.ඇල්ගොරිතම පක්ෂග්‍රාහී වීමට ඉඩ ඇති බැවින්, විශේෂයෙන් දත්ත කට්ටලය විවිධ නොවේ නම්, අපි පක්ෂග්‍රාහී වැදගත්කම අවධාරණය කරමු12.එහි ප්‍රතිඵලයක් වශයෙන්, යම් උප සමූහයක් වැරදි ලෙස ආදර්ශනය කළ හැකි අතර, අසාධාරණ සායනික තීරණවලට තුඩු දෙනු ඇත.
සම්පත් ප්‍රසිද්ධියේ තිබේ: අපි දේශන විනිවිදක සහ කේතය ඇතුළුව, ප්‍රසිද්ධියේ ලබා ගත හැකි සම්පත් නිර්මාණය කර ඇත.කාල කලාප හේතුවෙන් සමමුහුර්ත අන්තර්ගතයට ප්‍රවේශය සීමා වුවද, සියලුම වෛද්‍ය විද්‍යාලවල AI විශේෂඥතාව ලබා ගත නොහැකි බැවින් විවෘත මූලාශ්‍ර අන්තර්ගතය අසමමුහුර්ත ඉගෙනීම සඳහා පහසු ක්‍රමයකි.
අන්තර් විනය සහයෝගීතාව: මෙම වැඩමුළුව වෛද්‍ය සිසුන් විසින් ඉංජිනේරුවන් සමඟ එක්ව පාඨමාලා සැලසුම් කිරීම සඳහා ආරම්භ කරන ලද හවුල් ව්‍යාපාරයකි.මෙම ක්ෂේත්‍ර දෙකෙහිම සහයෝගීතා අවස්ථා සහ දැනුමේ හිඩැස් පෙන්නුම් කරයි, අනාගතයේදී ඔවුන්ට දායක විය හැකි විභව භූමිකාව අවබෝධ කර ගැනීමට සහභාගිවන්නන්ට ඉඩ සලසයි.
AI මූලික නිපුණතා නිර්වචනය කරන්න.නිපුණතා ලැයිස්තුවක් නිර්වචනය කිරීම දැනට පවතින නිපුණතා මත පදනම් වූ වෛද්‍ය විෂය මාලාවට ඒකාබද්ධ කළ හැකි ප්‍රමිතිගත ව්‍යුහයක් සපයයි.මෙම වැඩමුළුව දැනට Bloom's Taxonomy හි ඉගෙනුම් අරමුණු මට්ටම් 2 (අවබෝධය), 3 (යෙදුම) සහ 4 (විශ්ලේෂණය) භාවිතා කරයි.ව්‍යාපෘති නිර්මාණය කිරීම වැනි වර්ගීකරණයේ ඉහළ මට්ටම්වල සම්පත් තිබීම දැනුම තවදුරටත් ශක්තිමත් කළ හැකිය.සායනික කාර්ය ප්‍රවාහයන් සඳහා AI මාතෘකා යෙදිය හැකි ආකාරය සහ සම්මත වෛද්‍ය විෂයමාලාවල දැනටමත් ඇතුළත් කර ඇති පුනරාවර්තන මාතෘකා ඉගැන්වීම වැළැක්වීම සඳහා සායනික විශේෂඥයින් සමඟ වැඩ කිරීම මේ සඳහා අවශ්‍ය වේ.
AI භාවිතයෙන් සිද්ධි අධ්‍යයන සාදන්න.සායනික උදාහරණවලට සමානව, සිද්ධි පදනම් කරගත් ඉගෙනීම සායනික ප්‍රශ්නවලට අදාළත්වය ඉස්මතු කිරීමෙන් වියුක්ත සංකල්ප ශක්තිමත් කළ හැක.උදාහරණයක් ලෙස, එක් වැඩමුළු අධ්‍යයනයක් Google හි AI මත පදනම් වූ දියවැඩියා රෙටිනෝපති හඳුනාගැනීමේ පද්ධතිය 13 විශ්ලේෂණය කළේ බාහිර වලංගු කිරීමේ අවශ්‍යතා සහ නියාමන අනුමත මාර්ග වැනි රසායනාගාරයේ සිට සායනයට යන මාර්ගය ඔස්සේ අභියෝග හඳුනා ගැනීමට ය.
පළපුරුදු ඉගෙනීම භාවිතා කරන්න: සායනික අභ්‍යාසලාභීන්ගේ භ්‍රමණය වන ඉගෙනුම් අත්දැකීම්වලට සමානව, තාක්ෂණික කුසලතා සඳහා අවධානය යොමු කළ පුහුණුවීම් සහ ප්‍රගුණ කිරීමට නැවත නැවත යෙදීම අවශ්‍ය වේ.එක් විභව විසඳුමක් වන්නේ ඉංජිනේරු අධ්‍යාපනයේ දැනුම රඳවා තබා ගැනීම වැඩිදියුණු කිරීම සඳහා වාර්තා කර ඇති ෆ්ලිප්ඩ් පන්තිකාමර ආකෘතියයි.මෙම ආකෘතියේ දී, සිසුන් ස්වාධීනව න්‍යායාත්මක කරුණු සමාලෝචනය කරන අතර පන්ති කාලය සිද්ධි අධ්‍යයනය හරහා ගැටළු විසඳීමට කැප කෙරේ.
බහුවිධ සහභාගිවන්නන් සඳහා පරිමාණය කිරීම: විවිධ මට්ටම්වල පුහුණුවීම් සහිත වෛද්‍යවරුන් සහ අනුබද්ධ සෞඛ්‍ය වෘත්තිකයන් ඇතුළු විවිධ විෂයයන් හරහා සහයෝගීතාව සම්බන්ධ AI හදා ගැනීම අපි අපේක්ෂා කරමු.එබැවින්, සෞඛ්‍ය සේවාවේ විවිධ ක්ෂේත්‍රවලට තම අන්තර්ගතය සකස් කිරීම සඳහා විවිධ දෙපාර්තමේන්තුවල පීඨය සමඟ සාකච්ඡා කර විෂයමාලා සකස් කිරීම අවශ්‍ය විය හැකිය.
කෘතිම බුද්ධිය අධි තාක්‍ෂණය වන අතර එහි මූලික සංකල්ප ගණිතය සහ පරිගණක විද්‍යාව සම්බන්ධ වේ.කෘතිම බුද්ධිය අවබෝධ කර ගැනීම සඳහා සෞඛ්‍ය සේවකයින් පුහුණු කිරීම අන්තර්ගත තේරීම, සායනික අදාළත්වය සහ බෙදා හැරීමේ ක්‍රමවල අද්විතීය අභියෝග ඉදිරිපත් කරයි.අධ්‍යාපන වැඩමුළුවල AI වෙතින් ලබා ගන්නා තීක්ෂ්ණ බුද්ධිය අනාගත අධ්‍යාපනඥයින්ට AI වෛද්‍ය අධ්‍යාපනයට ඒකාබද්ධ කිරීමට නව්‍ය ක්‍රම වැලඳ ගැනීමට උපකාරී වනු ඇතැයි අපි බලාපොරොත්තු වෙමු.
Google Colaboratory Python ස්ක්‍රිප්ට් විවෘත මූලාශ්‍රය වන අතර මෙහි ලබා ගත හැක: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG සහ Khan, S. Rethinking Medical Education: a call to action.අක්කාඩ්.ඖෂධය.88, 1407-1410 (2013).
McCoy, LG යනාදිය. කෘතිම බුද්ධිය ගැන වෛද්‍ය සිසුන් ඇත්තටම දැනගත යුත්තේ කුමක්ද?NPZh අංක.වෛද්‍ය විද්‍යාව 3, 1-3 (2020).
Dos Santos, DP, et al.කෘතිම බුද්ධිය පිළිබඳ වෛද්‍ය සිසුන්ගේ ආකල්ප: බහු මධ්‍ය සමීක්ෂණයක්.යුරෝ.විකිරණ.29, 1640-1646 (2019).
Fan, KY, Hu, R., සහ Singla, R. වෛද්‍ය සිසුන් සඳහා යන්ත්‍ර ඉගෙනීම හඳුන්වාදීම: නියමු ව්‍යාපෘතියක්.J. මෙඩ්උගන්වනවා.54, 1042-1043 (2020).
Cooperman N, et al.හිස තුවාල වීමෙන් පසු සායනිකව සැලකිය යුතු මොළයේ තුවාල ඇතිවීමේ ඉතා අඩු අවදානමක් ඇති දරුවන් හඳුනා ගැනීම: අනාගත සමෝධානික අධ්යයනයක්.ලැන්සෙට් 374, 1160-1170 (2009).
වීදිය, WN, Wolberg, WH සහ Mangasarian, OL.පියයුරු පිළිකා රෝග විනිශ්චය සඳහා න්යෂ්ටික ලක්ෂණ නිස්සාරණය.ජෛව වෛද්ය විද්යාව.පින්තූර සැකසීම.ජෛව වෛද්ය විද්යාව.වයිස්.1905, 861-870 (1993).
Chen, PHC, Liu, Y. සහ Peng, L. සෞඛ්‍ය සේවා සඳහා යන්ත්‍ර ඉගෙනුම් ආකෘති සංවර්ධනය කරන්නේ කෙසේද?නැට්.මැට්.18, 410–414 (2019).
සෙල්වරාජු, ආර්ආර් සහ අල්.Grad-cam: Gradient-based localization හරහා ගැඹුරු ජාලවල දෘශ්‍ය අර්ථ නිරූපණය.පරිගණක දැක්ම පිළිබඳ IEEE ජාත්‍යන්තර සම්මන්ත්‍රණයේ ක්‍රියාදාමයන්, 618–626 (2017).
කුමාරවෙල් බී, ස්ටුවර්ට් කේ සහ ඉලික් ඩී. උපාධි අපේක්ෂක වෛද්‍ය අධ්‍යාපනයේ OSCE භාවිතා කරමින් සාක්ෂි මත පදනම් වූ වෛද්‍ය නිපුණතා තක්සේරු කිරීම සඳහා සර්පිලාකාර ආකෘතියක් සංවර්ධනය කිරීම සහ ඇගයීම.BMK වෛද්ය විද්යාව.උගන්වනවා.21, 1–9 (2021).
Kolachalama VB සහ Garg PS යන්ත්‍ර ඉගෙනීම සහ වෛද්‍ය අධ්‍යාපනය.NPZh අංක.ඖෂධය.1, 1-3 (2018).
van Leeuwen, KG, Schalekamp, ​​S., Rutten, MJ, van Ginneken, B. and de Rooy, M. විකිරණවේදය පිළිබඳ කෘතිම බුද්ධිය: වාණිජ නිෂ්පාදන 100 ක් සහ ඒවායේ විද්‍යාත්මක සාක්ෂි.යුරෝ.විකිරණ.31, 3797-3804 (2021).
Topol, EJ අධි-ක්‍රියාකාරී වෛද්‍ය විද්‍යාව: මානව සහ කෘතිම බුද්ධියේ අභිසාරීතාවය.නැට්.ඖෂධය.25, 44–56 (2019).
බෙඩ්, ඊ. සහ අල්.දියවැඩියා රෙටිනෝපති හඳුනාගැනීම සඳහා සායනයේ යොදවා ඇති ගැඹුරු ඉගෙනුම් පද්ධතියක් පිළිබඳ මානව කේන්ද්‍රීය ඇගයීම.පරිගණක පද්ධතිවල මානව සාධක පිළිබඳ 2020 CHI සම්මන්ත්‍රණයේ ක්‍රියාදාමයන් (2020).
කර්, බී. ඉංජිනේරු අධ්‍යාපනයේ පෙරළුණු පන්ති කාමරය: පර්යේෂණ සමාලෝචනයක්.අන්තර් ක්‍රියාකාරී සහයෝගී ඉගෙනීම පිළිබඳ 2015 ජාත්‍යන්තර සම්මන්ත්‍රණයේ ක්‍රියාදාමයන් (2015).
බ්‍රිතාන්‍ය කොලොම්බියා විශ්ව විද්‍යාලයේ ජෛව වෛද්‍ය ප්‍රතිරූපණ සහ කෘතිම බුද්ධි පර්යේෂණ පර්ෂදයේ ඩැනියෙල් වෝකර්, ටිම් සල්කුඩින් සහ පීටර් සැන්ඩ්ස්ට්‍රාට සහාය සහ අරමුදල් සැපයීම සඳහා කතුවරුන් ස්තුති කරති.
RH, PP, ZH, RS සහ MA වැඩමුළු ඉගැන්වීමේ අන්තර්ගතය සංවර්ධනය කිරීම සඳහා වගකිව යුතු විය.RH සහ PP ක්රමලේඛන උදාහරණ සංවර්ධනය කිරීම සඳහා වගකිව යුතු විය.ව්‍යාපෘතියේ සැපයුම් සංවිධානය සහ වැඩමුළු විශ්ලේෂණය සඳහා KYF, OY, MT සහ PW වගකිව යුතු විය.රූප සහ වගු නිර්මාණය කිරීම සඳහා RH, OY, MT, RS වගකිව යුතු විය.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ලේඛනය කෙටුම්පත් කිරීම සහ සංස්කරණය කිරීම සඳහා වගකිව යුතු විය.
සන්නිවේදන වෛද්‍ය විද්‍යාව කැරොලින් මැක්ග්‍රෙගෝර්, ෆේබියෝ මොරායස් සහ ආදිත්‍ය බොරකාටි මෙම කාර්යය සමාලෝචනය සඳහා ඔවුන්ගේ දායකත්වයට ස්තුති කරයි.