වෛද්‍ය සිසුන්ට කෘතිම බුද්ධිය ඉගැන්වීම පිළිබඳ කැනේඩියානු ඉදිරිදර්ශනය

Nature.com වෙත පිවිසීම ගැන ඔබට ස්තූතියි. ඔබ භාවිතා කරන බ්‍රව්සර් අනුවාදයේ සීමිත CSS සහාය ඇත. හොඳම ප්‍රතිඵල සඳහා, ඔබගේ බ්‍රව්සරයේ නවතම අනුවාදයක් භාවිතා කිරීම (හෝ Internet Explorer හි අනුකූලතා මාදිලිය අක්‍රිය කිරීම) අපි නිර්දේශ කරමු. මේ අතරතුර, අඛණ්ඩ සහාය සහතික කිරීම සඳහා, අපි මෝස්තරයක් හෝ JavaScript නොමැතිව අඩවිය පෙන්වමු.
සායනික කෘතිම බුද්ධියේ (AI) යෙදීම් වේගයෙන් වර්ධනය වෙමින් පවතී, නමුත් පවතින වෛද්‍ය පාසල් විෂයමාලා මෙම ක්ෂේත්‍රය ආවරණය වන පරිදි සීමිත ඉගැන්වීම් ලබා දෙයි. මෙහිදී අපි කැනේඩියානු වෛද්‍ය සිසුන්ට සංවර්ධනය කර ලබා දුන් කෘතිම බුද්ධි පුහුණු පාඨමාලාවක් විස්තර කර අනාගත පුහුණුව සඳහා නිර්දේශ ඉදිරිපත් කරමු.
වෛද්‍ය විද්‍යාවේ කෘත්‍රිම බුද්ධිය (AI) සේවා ස්ථානයේ කාර්යක්ෂමතාව වැඩි දියුණු කිරීමට සහ සායනික තීරණ ගැනීමට උපකාරී වේ. කෘත්‍රිම බුද්ධිය භාවිතය ආරක්ෂිතව මෙහෙයවීම සඳහා, වෛද්‍යවරුන්ට කෘත්‍රිම බුද්ධිය පිළිබඳ යම් අවබෝධයක් තිබිය යුතුය. බොහෝ අදහස් AI සංකල්ප ඉගැන්වීමට පක්ෂව කතා කරයි1, AI ආකෘති සහ සත්‍යාපන ක්‍රියාවලීන් පැහැදිලි කිරීම වැනි2. කෙසේ වෙතත්, විශේෂයෙන් ජාතික මට්ටමින් ව්‍යුහගත සැලසුම් කිහිපයක් ක්‍රියාත්මක කර ඇත. පින්ටෝ ඩොස් සැන්ටොස් සහ තවත් අය.3. වෛද්‍ය සිසුන් 263 දෙනෙකු සමීක්ෂණයට ලක් කරන ලද අතර 71% ක් එකඟ වූයේ ඔවුන්ට කෘත්‍රිම බුද්ධිය පිළිබඳ පුහුණුවක් අවශ්‍ය බවයි. වෛද්‍ය ප්‍රේක්ෂකයින්ට කෘත්‍රිම බුද්ධිය ඉගැන්වීම සඳහා බොහෝ විට පුළුල් පූර්ව දැනුමක් ඇති සිසුන් සඳහා තාක්ෂණික සහ තාක්ෂණික නොවන සංකල්ප ඒකාබද්ධ කරන ප්‍රවේශමෙන් නිර්මාණයක් අවශ්‍ය වේ. වෛද්‍ය සිසුන් කණ්ඩායම් තුනකට AI වැඩමුළු මාලාවක් ලබා දීමේ අපගේ අත්දැකීම් අපි විස්තර කරන අතර AI හි අනාගත වෛද්‍ය අධ්‍යාපනය සඳහා නිර්දේශ ඉදිරිපත් කරමු.
වෛද්‍ය සිසුන් සඳහා වූ අපගේ සති පහක වෛද්‍ය විද්‍යාවේ කෘතිම බුද්ධිය හඳුන්වාදීමේ වැඩමුළුව 2019 පෙබරවාරි සහ 2021 අප්‍රේල් අතර තුන් වතාවක් පැවැත්විණි. පාඨමාලාවේ වෙනස්කම් පිළිබඳ කෙටි විස්තරයක් සහිත සෑම වැඩමුළුවක් සඳහාම කාලසටහනක් රූප සටහන 1 හි දක්වා ඇත. අපගේ පාඨමාලාවට ප්‍රාථමික ඉගෙනුම් අරමුණු තුනක් ඇත: කෘත්‍රිම බුද්ධි යෙදුම්වල දත්ත සකසන ආකාරය සිසුන් තේරුම් ගැනීම, සායනික යෙදුම් සඳහා කෘත්‍රිම බුද්ධි සාහිත්‍යය විශ්ලේෂණය කිරීම සහ කෘත්‍රිම බුද්ධිය වර්ධනය කරන ඉංජිනේරුවන් සමඟ සහයෝගයෙන් කටයුතු කිරීමට ඇති අවස්ථාවන්ගෙන් ප්‍රයෝජන ගැනීම.
නිල් යනු දේශනයේ මාතෘකාව වන අතර ලා නිල් යනු අන්තර්ක්‍රියාකාරී ප්‍රශ්නෝත්තර කාල පරිච්ඡේදයයි. අළු කොටස කෙටි සාහිත්‍ය සමාලෝචනයේ කේන්ද්‍රස්ථානයයි. තැඹිලි කොටස් කෘතිම බුද්ධි ආකෘති හෝ ශිල්පීය ක්‍රම විස්තර කරන තෝරාගත් සිද්ධි අධ්‍යයන වේ. කොළ යනු සායනික ගැටළු විසඳීමට සහ ආකෘති ඇගයීමට කෘතිම බුද්ධිය ඉගැන්වීම සඳහා නිර්මාණය කර ඇති මාර්ගෝපදේශක ක්‍රමලේඛන පාඨමාලාවකි. වැඩමුළුවල අන්තර්ගතය සහ කාලසීමාව සිසුන්ගේ අවශ්‍යතා තක්සේරු කිරීම මත පදනම්ව වෙනස් වේ.
පළමු වැඩමුළුව 2019 පෙබරවාරි සිට අප්‍රේල් දක්වා බ්‍රිතාන්‍ය කොලොම්බියා විශ්ව විද්‍යාලයේ පැවති අතර, සහභාගී වූ 8 දෙනාම ධනාත්මක ප්‍රතිපෝෂණ ලබා දුන්හ4. COVID-19 හේතුවෙන්, දෙවන වැඩමුළුව 2020 ඔක්තෝබර්-නොවැම්බර් මාසවලදී පාහේ පවත්වන ලද අතර, වෛද්‍ය සිසුන් 222 ක් සහ කැනේඩියානු වෛද්‍ය විද්‍යාල 8 ක පදිංචිකරුවන් 3 දෙනෙකු ලියාපදිංචි විය. ඉදිරිපත් කිරීමේ විනිවිදක සහ කේතය විවෘත ප්‍රවේශ අඩවියකට (http://ubcaimed.github.io) උඩුගත කර ඇත. පළමු පුනරාවර්තනයේ ප්‍රධාන ප්‍රතිපෝෂණය වූයේ දේශන ඉතා තීව්‍ර බවත් ද්‍රව්‍ය න්‍යායාත්මක බවත්ය. කැනඩාවේ විවිධ කාල කලාප හයට සේවය කිරීම අමතර අභියෝග ඇති කරයි. මේ අනුව, දෙවන වැඩමුළුව සෑම සැසියක්ම පැය 1 දක්වා කෙටි කර, පාඨමාලා ද්‍රව්‍ය සරල කර, තවත් සිද්ධි අධ්‍යයන එකතු කර, සහභාගිවන්නන්ට අවම නිදොස්කරණයකින් කේත කොටස් සම්පූර්ණ කිරීමට ඉඩ සලසන බොයිලර් ප්ලේට් වැඩසටහන් නිර්මාණය කළේය (කොටුව 1). දෙවන පුනරාවර්තනයේ ප්‍රධාන ප්‍රතිපෝෂණයට ක්‍රමලේඛන අභ්‍යාස පිළිබඳ ධනාත්මක ප්‍රතිපෝෂණ සහ යන්ත්‍ර ඉගෙනුම් ව්‍යාපෘතියක් සඳහා සැලසුම් කිරීම නිරූපණය කිරීමට ඉල්ලීමක් ඇතුළත් විය. එමනිසා, 2021 මාර්තු-අප්‍රේල් මාසවල වෛද්‍ය සිසුන් 126 දෙනෙකු සඳහා අතථ්‍ය ආකාරයෙන් පවත්වන ලද අපගේ තුන්වන වැඩමුළුවේදී, ව්‍යාපෘති සඳහා වැඩමුළු සංකල්ප භාවිතා කිරීමේ බලපෑම පෙන්නුම් කිරීම සඳහා අපි වඩාත් අන්තර්ක්‍රියාකාරී කේතීකරණ අභ්‍යාස සහ ව්‍යාපෘති ප්‍රතිපෝෂණ සැසි ඇතුළත් කළෙමු.
දත්ත විශ්ලේෂණය: දත්ත රටා විශ්ලේෂණය, සැකසීම සහ සන්නිවේදනය කිරීම මගින් දත්තවල අර්ථවත් රටා හඳුනා ගන්නා සංඛ්‍යාලේඛන අධ්‍යයන ක්ෂේත්‍රයකි.
දත්ත කැණීම: දත්ත හඳුනා ගැනීමේ සහ උපුටා ගැනීමේ ක්‍රියාවලිය. කෘතිම බුද්ධියේ සන්දර්භය තුළ, මෙය බොහෝ විට විශාල වන අතර, එක් එක් නියැදිය සඳහා බහු විචල්‍යයන් ඇත.
මාන අඩු කිරීම: මුල් දත්ත කට්ටලයේ වැදගත් ගුණාංග ආරක්ෂා කරමින් බොහෝ තනි ලක්ෂණ සහිත දත්ත අඩු ලක්ෂණ බවට පරිවර්තනය කිරීමේ ක්‍රියාවලිය.
ලක්ෂණ (කෘතිම බුද්ධියේ සන්දර්භය තුළ): නියැදියක මැනිය හැකි ගුණාංග. බොහෝ විට "ගුණාංගය" හෝ "විචල්‍යය" සමඟ හුවමාරු කර භාවිතා වේ.
අනුක්‍රමික සක්‍රියකරණ සිතියම: කෘත්‍රිම බුද්ධි ආකෘති (විශේෂයෙන් සංවෘත ස්නායු ජාල) අර්ථ නිරූපණය කිරීමට භාවිතා කරන තාක්‍ෂණයකි, එය ඉහළ පුරෝකථනයක් සහිත දත්ත හෝ රූප කලාප හඳුනා ගැනීම සඳහා ජාලයේ අවසාන කොටස ප්‍රශස්ත කිරීමේ ක්‍රියාවලිය විශ්ලේෂණය කරයි.
සම්මත ආකෘතිය: සමාන කාර්යයන් ඉටු කිරීම සඳහා පූර්ව පුහුණුව ලබා ඇති පවතින AI ආකෘතියකි.
(කෘත්‍රිම බුද්ධියේ සන්දර්භය තුළ) පරීක්ෂා කිරීම: ආකෘතියක් මීට පෙර හමු නොවූ දත්ත භාවිතයෙන් කාර්යයක් ඉටු කරන ආකාරය නිරීක්ෂණය කිරීම.
පුහුණුව (කෘතිම බුද්ධියේ සන්දර්භය තුළ): නව දත්ත භාවිතයෙන් කාර්යයන් ඉටු කිරීමේ හැකියාව ප්‍රශස්ත කිරීම සඳහා ආකෘතිය එහි අභ්‍යන්තර පරාමිතීන් සකස් කර ගැනීම සඳහා දත්ත සහ ප්‍රතිඵල සහිත ආකෘතියක් සැපයීම.
දෛශිකය: දත්ත පෙළ. යන්ත්‍ර ඉගෙනීමේදී, සෑම අරා අංගයක්ම සාමාන්‍යයෙන් නියැදියේ අනන්‍ය ලක්ෂණයකි.
1 වන වගුවේ 2021 අප්‍රේල් සඳහා නවතම පාඨමාලා ලැයිස්තුගත කර ඇති අතර, එක් එක් මාතෘකාව සඳහා ඉලක්කගත ඉගෙනුම් අරමුණු ද ඇතුළත් වේ. මෙම වැඩමුළුව තාක්ෂණික මට්ටමට නවකයින් සඳහා අදහස් කරන අතර උපාධි අපේක්ෂක වෛද්‍ය උපාධියක පළමු වසරෙන් ඔබ්බට කිසිදු ගණිතමය දැනුමක් අවශ්‍ය නොවේ. මෙම පාඨමාලාව වෛද්‍ය සිසුන් 6 දෙනෙකු සහ ඉංජිනේරු විද්‍යාව පිළිබඳ උසස් උපාධි ඇති ගුරුවරුන් 3 දෙනෙකු විසින් සංවර්ධනය 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 මඟ පෙන්වන වැඩසටහන් ඇතුළත් වේ. පළමු දේශනයේදී, දත්ත දෘශ්‍යකරණය, සැපයුම් ප්‍රතිගාමීත්වය සහ විස්තරාත්මක සහ ප්‍රේරක සංඛ්‍යාලේඛන සංසන්දනය ඇතුළුව ජෛව සංඛ්‍යාලේඛනවල දත්ත විශ්ලේෂණයේ තෝරාගත් සංකල්ප අපි සමාලෝචනය කරමු. දත්ත විශ්ලේෂණය කෘතිම බුද්ධියේ පදනම වුවද, දත්ත කැණීම, වැදගත්කම පරීක්ෂා කිරීම හෝ අන්තර්ක්‍රියාකාරී දෘශ්‍යකරණය වැනි මාතෘකා අපි බැහැර කරමු. මෙය කාල සීමාවන් නිසා සහ සමහර උපාධි අපේක්ෂකයින්ට ජෛව සංඛ්‍යාලේඛන පිළිබඳ පූර්ව පුහුණුවක් තිබූ අතර වඩාත් අද්විතීය යන්ත්‍ර ඉගෙනුම් මාතෘකා ආවරණය කිරීමට අවශ්‍ය වූ නිසා විය. ඊළඟ දේශනය නවීන ක්‍රම හඳුන්වා දෙන අතර AI ගැටළු සූත්‍රගත කිරීම, AI ආකෘතිවල වාසි සහ සීමාවන් සහ ආකෘති පරීක්ෂණ සාකච්ඡා කරයි. පවතින කෘතිම බුද්ධි උපාංග පිළිබඳ සාහිත්‍යය සහ ප්‍රායෝගික පර්යේෂණ මගින් දේශන අනුපූරක වේ. පවතින කෘතිම බුද්ධි උපාංගවල සීමාවන් තේරුම් ගැනීම ඇතුළුව සායනික ප්‍රශ්නවලට විසඳුම් සෙවීම සඳහා ආකෘතියක කාර්යක්ෂමතාව සහ ශක්‍යතාව ඇගයීමට අවශ්‍ය කුසලතා අපි අවධාරණය කරමු. උදාහරණයක් ලෙස, වෛද්‍යවරයෙකුගේ පරීක්ෂණයක් මත පදනම්ව CT ස්කෑන් කිරීම ප්‍රයෝජනවත් වේද යන්න තීරණය කිරීම සඳහා කෘතිම බුද්ධි තීරණ ගස් ඇල්ගොරිතමයක් ක්‍රියාත්මක කළ කුපර්මන් සහ වෙනත් අය විසින් යෝජනා කරන ලද ළමා හිස තුවාල මාර්ගෝපදේශ අර්ථ නිරූපණය කරන ලෙස අපි සිසුන්ගෙන් ඉල්ලා සිටියෙමු. වෛද්‍යවරුන් ප්‍රතිස්ථාපනය කිරීම වෙනුවට වෛද්‍යවරුන්ට අර්ථ නිරූපණය කිරීම සඳහා පුරෝකථන විශ්ලේෂණ සපයන AI පිළිබඳ පොදු උදාහරණයක් මෙය බව අපි අවධාරණය කරමු.
ලබා ගත හැකි විවෘත මූලාශ්‍ර bootstrap ක්‍රමලේඛන උදාහරණ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) තුළ, අපි ගවේෂණාත්මක දත්ත විශ්ලේෂණය, මානයන් අඩු කිරීම, සම්මත ආකෘති පැටවීම සහ පුහුණුව සිදු කරන ආකාරය නිරූපණය කරමු. සහ පරීක්ෂා කිරීම. අපි Google Colaboratory සටහන් පොත් (Google LLC, Mountain View, CA) භාවිතා කරන අතර එමඟින් වෙබ් බ්‍රවුසරයකින් Python කේතය ක්‍රියාත්මක කිරීමට ඉඩ සලසයි. රූපයේ. රූපය 2 ක්‍රමලේඛන අභ්‍යාසයක උදාහරණයක් සපයයි. මෙම අභ්‍යාසයට Wisconsin Open Breast Imaging Dataset6 සහ තීරණ ගස් ඇල්ගොරිතමයක් භාවිතයෙන් මාරාන්තික රෝග පුරෝකථනය කිරීම ඇතුළත් වේ.
අදාළ මාතෘකා පිළිබඳ සතිය පුරා වැඩසටහන් ඉදිරිපත් කරන්න සහ ප්‍රකාශිත AI යෙදුම් වලින් උදාහරණ තෝරන්න. ක්‍රමලේඛන අංග ඇතුළත් කරනු ලබන්නේ ඒවා සායනික අත්හදා බැලීම් සඳහා භාවිතයට සූදානම්ද යන්න තීරණය කිරීම සඳහා ආකෘති ඇගයීමට ලක් කරන්නේ කෙසේද යන්න වැනි අනාගත සායනික භාවිතයන් පිළිබඳ අවබෝධයක් ලබා දීමට අදාළ යැයි සලකන්නේ නම් පමණි. මෙම උදාහරණ වෛද්‍ය රූප පරාමිතීන් මත පදනම්ව පිළිකා නිරෝගී හෝ මාරාන්තික ලෙස වර්ගීකරණය කරන සම්පූර්ණ අන්තයේ සිට අවසානය දක්වා යෙදුමකින් අවසන් වේ.
පෙර දැනුමේ විෂමතාවය. අපගේ සහභාගිවන්නන් ඔවුන්ගේ ගණිතමය දැනුමේ මට්ටම අනුව වෙනස් විය. උදාහරණයක් ලෙස, උසස් ඉංජිනේරු පසුබිමක් ඇති සිසුන් තමන්ගේම ෆූරියර් පරිවර්තන සිදු කරන්නේ කෙසේද යන්න වැනි වඩාත් ගැඹුරු ද්‍රව්‍ය සොයමින් සිටිති. කෙසේ වෙතත්, සංඥා සැකසීම පිළිබඳ ගැඹුරු දැනුමක් අවශ්‍ය වන බැවින්, පන්තියේදී ෆූරියර් ඇල්ගොරිතම සාකච්ඡා කිරීම කළ නොහැක.
පැමිණීමේ පිටතට ගලායාම. පසු විපරම් රැස්වීම්වලට පැමිණීම අඩු විය, විශේෂයෙන් මාර්ගගත ආකෘතිවල. විසඳුමක් විය හැක්කේ පැමිණීම නිරීක්ෂණය කිරීම සහ සම්පූර්ණ කිරීමේ සහතිකයක් ලබා දීමයි. වෛද්‍ය විද්‍යාල සිසුන්ගේ විෂය බාහිර අධ්‍යයන ක්‍රියාකාරකම්වල පිටපත් හඳුනා ගැනීමට ප්‍රසිද්ධය, එමඟින් සිසුන් උපාධියක් හැදෑරීමට දිරිමත් කළ හැකිය.
පාඨමාලා නිර්මාණය: AI බොහෝ උප ක්ෂේත්‍ර ආවරණය කරන බැවින්, සුදුසු ගැඹුර සහ පළල පිළිබඳ මූලික සංකල්ප තෝරා ගැනීම අභියෝගාත්මක විය හැකිය. උදාහරණයක් ලෙස, රසායනාගාරයේ සිට සායනය දක්වා AI මෙවලම් භාවිතයේ අඛණ්ඩතාව වැදගත් මාතෘකාවකි. අපි දත්ත පූර්ව සැකසුම්, ආකෘති ගොඩනැගීම සහ වලංගුකරණය ආවරණය කරන අතර, අපි විශාල දත්ත විශ්ලේෂණ, අන්තර්ක්‍රියාකාරී දෘශ්‍යකරණය හෝ AI සායනික අත්හදා බැලීම් පැවැත්වීම වැනි මාතෘකා ඇතුළත් නොකරමු, ඒ වෙනුවට අපි අවධානය යොමු කරන්නේ වඩාත්ම අද්විතීය AI සංකල්ප කෙරෙහි ය. අපගේ මාර්ගෝපදේශක මූලධර්මය වන්නේ කුසලතා නොව සාක්ෂරතාවය වැඩි දියුණු කිරීමයි. උදාහරණයක් ලෙස, ආකෘතියක් ආදාන විශේෂාංග සකසන ආකාරය තේරුම් ගැනීම අර්ථ නිරූපණය සඳහා වැදගත් වේ. මෙය කිරීමට එක් ක්‍රමයක් නම් අනුක්‍රමික සක්‍රිය කිරීමේ සිතියම් භාවිතා කිරීමයි, එමඟින් දත්තවල කුමන කලාප පුරෝකථනය කළ හැකිද යන්න දෘශ්‍යමාන කළ හැකිය. කෙසේ වෙතත්, මේ සඳහා බහුවිචල්‍ය කලනය අවශ්‍ය වන අතර එය හඳුන්වා දිය නොහැක8. ගණිතමය විධිමත්භාවයකින් තොරව දෛශික ලෙස දත්ත සමඟ වැඩ කරන්නේ කෙසේද යන්න පැහැදිලි කිරීමට අපි උත්සාහ කළ නිසා පොදු පාරිභාෂිතයක් සංවර්ධනය කිරීම අභියෝගාත්මක විය. විවිධ පදවලට එකම අර්ථයක් ඇති බව සලකන්න, උදාහරණයක් ලෙස, වසංගත රෝග විද්‍යාවේදී, “ලක්ෂණයක්” “විචල්‍යයක්” හෝ “ගුණාංගයක්” ලෙස විස්තර කෙරේ.
දැනුම රඳවා ගැනීම. AI භාවිතය සීමිත බැවින්, සහභාගිවන්නන් දැනුම රඳවා ගන්නා ප්‍රමාණය තවමත් දැකගත හැකිය. වෛද්‍ය විද්‍යාල විෂයමාලා බොහෝ විට ප්‍රායෝගික භ්‍රමණයන් අතරතුර දැනුම ශක්තිමත් කිරීම සඳහා පරතරය සහිත පුනරාවර්තනය මත රඳා පවතින අතර, එය AI අධ්‍යාපනයට ද යෙදිය හැකිය.
වෘත්තීයභාවය සාක්ෂරතාවයට වඩා වැදගත් ය. ද්‍රව්‍යයේ ගැඹුර ගණිතමය දැඩි බවකින් තොරව නිර්මාණය කර ඇති අතර එය කෘතිම බුද්ධිය පිළිබඳ සායනික පාඨමාලා දියත් කිරීමේදී ගැටළුවක් විය. ක්‍රමලේඛන උදාහරණ වලදී, අපි සහභාගිවන්නන්ට සම්පූර්ණ ක්‍රමලේඛන පරිසරයක් සකසන්නේ කෙසේදැයි සොයා නොගෙන ක්ෂේත්‍ර පුරවා මෘදුකාංගය ක්‍රියාත්මක කිරීමට ඉඩ සලසන සැකිලි වැඩසටහනක් භාවිතා කරමු.
කෘත්‍රිම බුද්ධිය පිළිබඳ සැලකිලිමත් වීම්: කෘත්‍රිම බුද්ධිය සමහර සායනික රාජකාරි ප්‍රතිස්ථාපනය කළ හැකි බවට පුළුල් කනස්සල්ලක් පවතී3. මෙම ගැටළුව විසඳීම සඳහා, නියාමකයින් විසින් අනුමත කරන ලද සියලුම AI තාක්ෂණයන්ට පාහේ වෛද්‍ය අධීක්ෂණය අවශ්‍ය බව ඇතුළුව AI හි සීමාවන් අපි පැහැදිලි කරමු11. ඇල්ගොරිතම පක්ෂග්‍රාහී වීමට නැඹුරු වන බැවින්, විශේෂයෙන් දත්ත කට්ටලය විවිධ නොවේ නම්12, පක්ෂග්‍රාහීත්වයේ වැදගත්කම ද අපි අවධාරණය කරමු. එහි ප්‍රතිඵලයක් ලෙස, යම් උප සමූහයක් වැරදි ලෙස ආකෘතිගත කළ හැකි අතර, එය අසාධාරණ සායනික තීරණ වලට මග පාදයි.
සම්පත් ප්‍රසිද්ධියේ ලබා ගත හැකිය: දේශන විනිවිදක සහ කේත ඇතුළුව ප්‍රසිද්ධියේ ලබා ගත හැකි සම්පත් අපි නිර්මාණය කර ඇත්තෙමු. කාල කලාප හේතුවෙන් සමමුහුර්ත අන්තර්ගතයට ප්‍රවේශය සීමිත වුවද, සියලුම වෛද්‍ය විද්‍යාලවල AI විශේෂඥතාව නොමැති බැවින් විවෘත මූලාශ්‍ර අන්තර්ගතය අසමමුහුර්ත ඉගෙනීම සඳහා පහසු ක්‍රමයකි.
අන්තර් විෂය සහයෝගීතාව: මෙම වැඩමුළුව වෛද්‍ය සිසුන් ඉංජිනේරුවන් සමඟ එක්ව පාඨමාලා සැලසුම් කිරීම සඳහා ආරම්භ කරන ලද ඒකාබද්ධ ව්‍යාපාරයකි. මෙය ක්ෂේත්‍ර දෙකෙහිම සහයෝගීතා අවස්ථා සහ දැනුමේ හිඩැස් පෙන්නුම් කරන අතර, අනාගතයේදී සහභාගිවන්නන්ට දායක විය හැකි විභව භූමිකාව තේරුම් ගැනීමට ඉඩ සලසයි.
AI මූලික නිපුණතා නිර්වචනය කරන්න. නිපුණතා ලැයිස්තුවක් නිර්වචනය කිරීමෙන් පවතින නිපුණතා පාදක වෛද්‍ය විෂයමාලාවලට ඒකාබද්ධ කළ හැකි ප්‍රමිතිගත ව්‍යුහයක් සපයයි. මෙම වැඩමුළුව දැනට බ්ලූම්ගේ වර්ගීකරණයේ ඉගෙනුම් අරමුණු මට්ටම් 2 (අවබෝධය), 3 (යෙදුම) සහ 4 (විශ්ලේෂණය) භාවිතා කරයි. ව්‍යාපෘති නිර්මාණය කිරීම වැනි ඉහළ මට්ටමේ වර්ගීකරණයන්හි සම්පත් තිබීම දැනුම තවදුරටත් ශක්තිමත් කළ හැකිය. මේ සඳහා AI මාතෘකා සායනික වැඩ ප්‍රවාහයන්ට යෙදිය හැකි ආකාරය තීරණය කිරීම සහ සම්මත වෛද්‍ය විෂයමාලාවල දැනටමත් ඇතුළත් කර ඇති පුනරාවර්තන මාතෘකා ඉගැන්වීම වැළැක්වීම සඳහා සායනික විශේෂඥයින් සමඟ වැඩ කිරීම අවශ්‍ය වේ.
AI භාවිතයෙන් සිද්ධි අධ්‍යයන සාදන්න. සායනික උදාහරණවලට සමානව, සිද්ධි පාදක ඉගෙනීම සායනික ප්‍රශ්නවලට ඒවායේ අදාළත්වය ඉස්මතු කිරීමෙන් වියුක්ත සංකල්ප ශක්තිමත් කළ හැකිය. උදාහරණයක් ලෙස, බාහිර වලංගුකරණ අවශ්‍යතා සහ නියාමන අනුමත කිරීමේ මාර්ග වැනි රසායනාගාරයේ සිට සායනය දක්වා යන මාර්ගයේ අභියෝග හඳුනා ගැනීම සඳහා ගූගල් හි AI මත පදනම් වූ දියවැඩියා රෙටිනෝපති හඳුනාගැනීමේ පද්ධතිය 13 විශ්ලේෂණය කළ එක් වැඩමුළු අධ්‍යයනයක්.
අත්දැකීම් සහිත ඉගෙනීම භාවිතා කරන්න: තාක්ෂණික කුසලතා සඳහා සායනික අභ්‍යාසලාභීන්ගේ භ්‍රමණය වන ඉගෙනුම් අත්දැකීම් වලට සමානව, අවධානය යොමු කළ පුහුණුව සහ ප්‍රගුණ කිරීම සඳහා නැවත නැවත යෙදීම අවශ්‍ය වේ. එක් විභව විසඳුමක් වන්නේ ඉංජිනේරු අධ්‍යාපනයේ දැනුම රඳවා තබා ගැනීම වැඩිදියුණු කිරීම සඳහා වාර්තා වී ඇති පෙරළන ලද පන්ති කාමර ආකෘතියයි14. මෙම ආකෘතියේ දී, සිසුන් ස්වාධීනව න්‍යායාත්මක ද්‍රව්‍ය සමාලෝචනය කරන අතර පන්ති කාලය නඩු අධ්‍යයන හරහා ගැටළු විසඳීම සඳහා කැප කෙරේ.
බහුවිධ සහභාගිවන්නන් සඳහා පරිමාණය කිරීම: විවිධ මට්ටමේ පුහුණුවක් සහිත වෛද්‍යවරුන් සහ අනුබද්ධ සෞඛ්‍ය වෘත්තිකයන් ඇතුළු බහු විෂයයන් හරහා සහයෝගීතාවයෙන් AI භාවිතය අපි අපේක්ෂා කරමු. එබැවින්, සෞඛ්‍ය සේවාවේ විවිධ ක්ෂේත්‍රවලට අනුකූලව ඒවායේ අන්තර්ගතය සකස් කිරීම සඳහා විවිධ දෙපාර්තමේන්තු වල පීඨය සමඟ සාකච්ඡා කර විෂයමාලා සංවර්ධනය කිරීමට අවශ්‍ය විය හැකිය.
කෘතිම බුද්ධිය අධි තාක්‍ෂණික වන අතර එහි මූලික සංකල්ප ගණිතය හා පරිගණක විද්‍යාවට සම්බන්ධ වේ. කෘතිම බුද්ධිය තේරුම් ගැනීමට සෞඛ්‍ය සේවා නිලධාරීන් පුහුණු කිරීම අන්තර්ගතය තෝරා ගැනීම, සායනික අදාළත්වය සහ බෙදා හැරීමේ ක්‍රමවල අද්විතීය අභියෝග ඉදිරිපත් කරයි. අධ්‍යාපනයේ AI වැඩමුළු වලින් ලබාගත් තීක්ෂ්ණ බුද්ධිය අනාගත අධ්‍යාපනඥයින්ට වෛද්‍ය අධ්‍යාපනයට AI ඒකාබද්ධ කිරීමට නව්‍ය ක්‍රම වැළඳ ගැනීමට උපකාරී වනු ඇතැයි අපි බලාපොරොත්තු වෙමු.
Google Colaboratory Python ස්ක්‍රිප්ට් එක විවෘත මූලාශ්‍රයක් වන අතර එය https://github.com/ubcaimed/ubcaimed.github.io/tree/master/ හි ඇත.
ප්‍රොබර්, කේ.ජී. සහ ඛාන්, එස්. වෛද්‍ය අධ්‍යාපනය නැවත සිතා බැලීම: ක්‍රියාමාර්ගයකට කැඳවීමක්. අක්කාඩ්. වෛද්‍ය විද්‍යාව. 88, 1407–1410 (2013).
මැකෝයි, එල්ජී යනාදිය. වෛද්‍ය සිසුන් කෘතිම බුද්ධිය ගැන ඇත්තටම දැනගත යුත්තේ කුමක්ද? NPZh අංක. වෛද්‍ය විද්‍යාව 3, 1–3 (2020).
ඩොස් සැන්ටොස්, ඩීපී, සහ තවත් අය. කෘතිම බුද්ධිය කෙරෙහි වෛද්‍ය සිසුන්ගේ ආකල්ප: බහු මධ්‍යස්ථාන සමීක්ෂණයක්. යුරෝ. විකිරණ. 29, 1640–1646 (2019).
ෆෑන්, කේවයි, හූ, ආර්., සහ සිංග්ලා, ආර්. වෛද්‍ය සිසුන් සඳහා යන්ත්‍ර ඉගෙනීම හැඳින්වීම: නියමු ව්‍යාපෘතියක්. ජේ. මෙඩ්. උගන්වන්න. 54, 1042–1043 (2020).
කූපර්මන් එන්, සහ තවත් අය. හිස තුවාල වීමෙන් පසු සායනිකව සැලකිය යුතු මොළයේ තුවාල ඇතිවීමේ ඉතා අඩු අවදානමක් ඇති දරුවන් හඳුනා ගැනීම: අනාගත සාමූහික අධ්‍යයනයක්. ලැන්සෙට් 374, 1160–1170 (2009).
වීදිය, WN, Wolberg, WH සහ Mangasarian, OL. පියයුරු පිළිකා රෝග විනිශ්චය සඳහා න්‍යෂ්ටික ලක්ෂණ නිස්සාරණය. ජෛව වෛද්‍ය විද්‍යාව. රූප සැකසීම. ජෛව වෛද්‍ය විද්‍යාව. වයිස්. 1905, 861–870 (1993).
චෙන්, පීඑච්සී, ලියු, වයි. සහ පෙන්ග්, එල්. සෞඛ්‍ය සේවා සඳහා යන්ත්‍ර ඉගෙනුම් ආකෘති සංවර්ධනය කරන්නේ කෙසේද. නේට්. මැට්. 18, 410–414 (2019).
සෙල්වරාජු, ආර්ආර් සහ තවත් අය. ග්‍රැඩ්-කැම්: අනුක්‍රමික-පාදක ප්‍රාදේශීයකරණය හරහා ගැඹුරු ජාලවල දෘශ්‍ය අර්ථ නිරූපණය. පරිගණක දැක්ම පිළිබඳ IEEE ජාත්‍යන්තර සමුළුවේ ක්‍රියාදාමයන්, 618–626 (2017).
කුමාරවේල් 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. උගන්වන්න. 21, 1–9 (2021).
කොලචලමා වීබී සහ ගාර්ග් පීඑස් යන්ත්‍ර ඉගෙනීම සහ වෛද්‍ය අධ්‍යාපනය. NPZh අංක. වෛද්‍ය විද්‍යාව. 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).
ටොපෝල්, ඊජේ ඉහළ කාර්යසාධන වෛද්‍ය විද්‍යාව: මානව හා කෘතිම බුද්ධියේ අභිසාරීත්වය. ජාතික වෛද්‍ය විද්‍යාව. 25, 44–56 (2019).
බෙඩේ, ඊ. සහ තවත් අය. දියවැඩියා රෙටිනෝපති හඳුනා ගැනීම සඳහා සායනයේ යොදවා ඇති ගැඹුරු ඉගෙනුම් පද්ධතියක මානව කේන්ද්‍රීය ඇගයීම. පරිගණක පද්ධතිවල මානව සාධක පිළිබඳ 2020 CHI සමුළුවේ ක්‍රියාදාමයන් (2020).
කර්, බී. ඉංජිනේරු අධ්‍යාපනයේ පෙරළුණු පන්ති කාමරය: පර්යේෂණ සමාලෝචනයක්. අන්තර්ක්‍රියාකාරී සහයෝගීතා ඉගෙනීම පිළිබඳ 2015 ජාත්‍යන්තර සමුළුවේ ක්‍රියාදාමයන් (2015).
සහයෝගය සහ අරමුදල් සැපයීම සඳහා කතුවරුන් බ්‍රිතාන්‍ය කොලොම්බියා විශ්ව විද්‍යාලයේ ජෛව වෛද්‍ය ප්‍රතිරූපණ සහ කෘතිම බුද්ධි පර්යේෂණ පොකුරේ ඩැනියෙල් වෝකර්, ටිම් සල්කුඩින් සහ පීටර් සැන්ඩ්ස්ට්‍රාට ස්තූති කරති.
වැඩමුළු ඉගැන්වීමේ අන්තර්ගතය සංවර්ධනය කිරීම සඳහා RH, PP, ZH, RS සහ MA වගකිව යුතු විය. ක්‍රමලේඛන උදාහරණ සංවර්ධනය කිරීම සඳහා RH සහ PP වගකිව යුතු විය. ව්‍යාපෘතියේ සැපයුම් සංවිධානය සහ වැඩමුළු විශ්ලේෂණය සඳහා KYF, OY, MT සහ PW වගකිව යුතු විය. සංඛ්‍යා සහ වගු නිර්මාණය කිරීම සඳහා RH, OY, MT, RS වගකිව යුතු විය. ලේඛනය කෙටුම්පත් කිරීම සහ සංස්කරණය කිරීම සඳහා RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS වගකිව යුතු විය.
මෙම කෘතිය සමාලෝචනය කිරීම සඳහා දායක වූ කැරොලින් මැක්ග්‍රෙගර්, ෆේබියෝ මොරායස් සහ ආදිත්‍ය බොරකාටි යන අයට සන්නිවේදන වෛද්‍ය විද්‍යාව ස්තූති කරයි.