மருத்துவ மாணவர்களுக்கு செயற்கை நுண்ணறிவு கற்பிப்பதற்கான கனடிய முன்னோக்கு

Nature.com ஐப் பார்வையிட்டதற்கு நன்றி.நீங்கள் பயன்படுத்தும் உலாவியின் பதிப்பு குறைந்த CSS ஆதரவைக் கொண்டுள்ளது.சிறந்த முடிவுகளுக்கு, உங்கள் உலாவியின் புதிய பதிப்பைப் பயன்படுத்த பரிந்துரைக்கிறோம் (அல்லது Internet Explorer இல் பொருந்தக்கூடிய பயன்முறையை முடக்கவும்).இதற்கிடையில், தற்போதைய ஆதரவை உறுதிப்படுத்த, ஸ்டைலிங் அல்லது ஜாவாஸ்கிரிப்ட் இல்லாமல் தளத்தைக் காண்பிக்கிறோம்.
மருத்துவ செயற்கை நுண்ணறிவின் (AI) பயன்பாடுகள் வேகமாக வளர்ந்து வருகின்றன, ஆனால் தற்போதுள்ள மருத்துவப் பள்ளி பாடத்திட்டங்கள் இந்த பகுதியை உள்ளடக்கிய வரையறுக்கப்பட்ட கற்பித்தலை வழங்குகின்றன.கனேடிய மருத்துவ மாணவர்களுக்கு நாங்கள் உருவாக்கி வழங்கிய செயற்கை நுண்ணறிவு பயிற்சி வகுப்பை இங்கு விவரிக்கிறோம் மற்றும் எதிர்கால பயிற்சிக்கான பரிந்துரைகளை வழங்குகிறோம்.
மருத்துவத்தில் செயற்கை நுண்ணறிவு (AI) பணியிடத் திறனை மேம்படுத்தி மருத்துவ முடிவெடுக்க உதவுகிறது.செயற்கை நுண்ணறிவைப் பயன்படுத்துவதைப் பாதுகாப்பாக வழிநடத்த, மருத்துவர்கள் செயற்கை நுண்ணறிவைப் பற்றி ஓரளவு புரிந்து கொள்ள வேண்டும்.AI மாதிரிகள் மற்றும் சரிபார்ப்பு செயல்முறைகளை விளக்குவது போன்ற AI கருத்துகளை1 கற்பிக்க பல கருத்துகள் பரிந்துரைக்கின்றன.இருப்பினும், சில கட்டமைக்கப்பட்ட திட்டங்கள் செயல்படுத்தப்பட்டுள்ளன, குறிப்பாக தேசிய அளவில்.பின்டோ டோஸ் சாண்டோஸ் மற்றும் பலர்.3.263 மருத்துவ மாணவர்கள் ஆய்வுக்கு உட்படுத்தப்பட்டனர் மற்றும் 71% பேர் தங்களுக்கு செயற்கை நுண்ணறிவில் பயிற்சி தேவை என்று ஒப்புக்கொண்டனர்.மருத்துவ பார்வையாளர்களுக்கு செயற்கை நுண்ணறிவைக் கற்பிக்க, விரிவான முன் அறிவைக் கொண்ட மாணவர்களுக்கு தொழில்நுட்ப மற்றும் தொழில்நுட்பமற்ற கருத்துகளை ஒருங்கிணைக்கும் கவனமாக வடிவமைப்பு தேவைப்படுகிறது.மருத்துவ மாணவர்களின் மூன்று குழுக்களுக்கு தொடர்ச்சியான AI பட்டறைகளை வழங்குவதற்கான எங்கள் அனுபவத்தை நாங்கள் விவரிக்கிறோம் மற்றும் AI இல் எதிர்கால மருத்துவக் கல்விக்கான பரிந்துரைகளை வழங்குகிறோம்.
மருத்துவ மாணவர்களுக்கான மருத்துவத்தில் செயற்கை நுண்ணறிவு பற்றிய எங்கள் ஐந்து வார அறிமுகம் பிப்ரவரி 2019 மற்றும் ஏப்ரல் 2021 க்கு இடையில் மூன்று முறை நடைபெற்றது. ஒவ்வொரு பட்டறைக்கும் ஒரு அட்டவணை, பாடத்திட்டத்தில் மாற்றங்கள் பற்றிய சுருக்கமான விளக்கத்துடன் படம் 1 இல் காட்டப்பட்டுள்ளது. மூன்று முதன்மைக் கற்றல் நோக்கங்கள்: செயற்கை நுண்ணறிவு பயன்பாடுகளில் தரவு எவ்வாறு செயலாக்கப்படுகிறது என்பதை மாணவர்கள் புரிந்துகொள்கிறார்கள், மருத்துவப் பயன்பாடுகளுக்கான செயற்கை நுண்ணறிவு இலக்கியங்களைப் பகுப்பாய்வு செய்கிறார்கள் மற்றும் செயற்கை நுண்ணறிவை உருவாக்கும் பொறியாளர்களுடன் ஒத்துழைப்பதற்கான வாய்ப்புகளைப் பயன்படுத்திக் கொள்கிறார்கள்.
நீலம் என்பது விரிவுரையின் தலைப்பு மற்றும் வெளிர் நீலம் என்பது ஊடாடும் கேள்வி மற்றும் பதில் காலம்.சுருக்கமான இலக்கிய மதிப்பாய்வின் மையமாக சாம்பல் பகுதி உள்ளது.செயற்கை நுண்ணறிவு மாதிரிகள் அல்லது நுட்பங்களை விவரிக்கும் ஆரஞ்சு பிரிவுகள் தேர்ந்தெடுக்கப்பட்ட வழக்கு ஆய்வுகள் ஆகும்.பச்சை என்பது மருத்துவப் பிரச்சனைகளைத் தீர்ப்பதற்கும் மாதிரிகளை மதிப்பிடுவதற்கும் செயற்கை நுண்ணறிவைக் கற்பிப்பதற்காக வடிவமைக்கப்பட்ட வழிகாட்டப்பட்ட நிரலாக்கப் பாடமாகும்.மாணவர் தேவைகளின் மதிப்பீட்டின் அடிப்படையில் பட்டறைகளின் உள்ளடக்கம் மற்றும் கால அளவு மாறுபடும்.
முதல் பட்டறை பிரிட்டிஷ் கொலம்பியா பல்கலைக்கழகத்தில் பிப்ரவரி முதல் ஏப்ரல் 2019 வரை நடைபெற்றது, மேலும் 8 பங்கேற்பாளர்களும் நேர்மறையான கருத்துக்களை வழங்கினர்.கோவிட்-19 காரணமாக, 8 கனேடிய மருத்துவப் பள்ளிகளைச் சேர்ந்த 222 மருத்துவ மாணவர்களும் 3 குடியிருப்பாளர்களும் பதிவுசெய்து கொண்ட இரண்டாவது பயிலரங்கம் 2020 அக்டோபர்-நவம்பர் மாதங்களில் நடத்தப்பட்டது.விளக்கக்காட்சி ஸ்லைடுகள் மற்றும் குறியீடு திறந்த அணுகல் தளத்தில் (http://ubcaimed.github.io) பதிவேற்றப்பட்டன.விரிவுரைகள் மிகவும் தீவிரமானவை மற்றும் பொருள் மிகவும் தத்துவார்த்தமானது என்பது முதல் மறு செய்கையின் முக்கிய கருத்து.கனடாவின் ஆறு வெவ்வேறு நேர மண்டலங்களுக்குச் சேவை செய்வது கூடுதல் சவால்களை ஏற்படுத்துகிறது.எனவே, இரண்டாவது பட்டறை ஒவ்வொரு அமர்வையும் 1 மணிநேரமாக சுருக்கி, பாடத்திட்டத்தை எளிமையாக்கியது, மேலும் வழக்கு ஆய்வுகளைச் சேர்த்தது மற்றும் கொதிகலன் நிரல்களை உருவாக்கியது, இது பங்கேற்பாளர்கள் குறைந்தபட்ச பிழைத்திருத்தத்துடன் (பெட்டி 1) குறியீடு துணுக்குகளை முடிக்க அனுமதிக்கிறது.இரண்டாவது மறு செய்கையின் முக்கிய பின்னூட்டங்களில் நிரலாக்கப் பயிற்சிகள் பற்றிய நேர்மறையான கருத்துக்கள் மற்றும் இயந்திர கற்றல் திட்டத்திற்கான திட்டமிடலை நிரூபிக்கும் கோரிக்கை ஆகியவை அடங்கும்.எனவே, மார்ச்-ஏப்ரல் 2021 இல் 126 மருத்துவ மாணவர்களுக்காக நடத்தப்பட்ட எங்களின் மூன்றாவது பயிலரங்கில், திட்டங்களில் பட்டறைக் கருத்துகளைப் பயன்படுத்துவதன் தாக்கத்தை விளக்குவதற்கு அதிக ஊடாடும் குறியீட்டு பயிற்சிகள் மற்றும் திட்ட பின்னூட்ட அமர்வுகளைச் சேர்த்துள்ளோம்.
தரவு பகுப்பாய்வு: தரவு வடிவங்களை பகுப்பாய்வு செய்தல், செயலாக்குதல் மற்றும் தொடர்புகொள்வதன் மூலம் தரவுகளில் அர்த்தமுள்ள வடிவங்களை அடையாளம் காணும் புள்ளியியல் ஆய்வுத் துறை.
தரவுச் செயலாக்கம்: தரவுகளை அடையாளம் கண்டு பிரித்தெடுக்கும் செயல்முறை.செயற்கை நுண்ணறிவின் பின்னணியில், இது பெரும்பாலும் பெரியது, ஒவ்வொரு மாதிரிக்கும் பல மாறிகள் இருக்கும்.
பரிமாணக் குறைப்பு: அசல் தரவுத் தொகுப்பின் முக்கியமான பண்புகளைப் பாதுகாக்கும் போது, ​​பல தனிப்பட்ட அம்சங்களுடன் தரவைக் குறைவான அம்சங்களாக மாற்றும் செயல்முறை.
சிறப்பியல்புகள் (செயற்கை நுண்ணறிவின் சூழலில்): ஒரு மாதிரியின் அளவிடக்கூடிய பண்புகள்.பெரும்பாலும் "சொத்து" அல்லது "மாறி" என்று ஒன்றுக்கொன்று மாற்றாகப் பயன்படுத்தப்படுகிறது.
கிரேடியன்ட் ஆக்டிவேஷன் வரைபடம்: செயற்கை நுண்ணறிவு மாதிரிகளை (குறிப்பாக கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள்) விளக்குவதற்குப் பயன்படுத்தப்படும் ஒரு நுட்பம், இது மிகவும் கணிக்கக்கூடிய தரவு அல்லது படங்களின் பகுதிகளை அடையாளம் காண நெட்வொர்க்கின் கடைசி பகுதியை மேம்படுத்தும் செயல்முறையை பகுப்பாய்வு செய்கிறது.
ஸ்டாண்டர்ட் மாடல்: ஏற்கனவே உள்ள AI மாடல், இது போன்ற பணிகளைச் செய்ய முன் பயிற்சியளிக்கப்பட்டது.
சோதனை (செயற்கை நுண்ணறிவின் பின்னணியில்): ஒரு மாதிரியானது அது முன்பு சந்திக்காத தரவைப் பயன்படுத்தி ஒரு பணியை எவ்வாறு செய்கிறது என்பதைக் கவனிப்பது.
பயிற்சி (செயற்கை நுண்ணறிவு சூழலில்): தரவு மற்றும் முடிவுகளுடன் கூடிய மாதிரியை வழங்குதல், புதிய தரவைப் பயன்படுத்தி பணிகளைச் செய்வதற்கான அதன் திறனை மேம்படுத்துவதற்கு மாதிரி அதன் உள் அளவுருக்களை சரிசெய்கிறது.
திசையன்: தரவுகளின் வரிசை.இயந்திர கற்றலில், ஒவ்வொரு வரிசை உறுப்புகளும் பொதுவாக மாதிரியின் தனித்துவமான அம்சமாகும்.
ஏப்ரல் 2021க்கான சமீபத்திய படிப்புகளை அட்டவணை 1 பட்டியலிடுகிறது, இதில் ஒவ்வொரு தலைப்புக்கும் இலக்குக் கற்றல் நோக்கங்களும் அடங்கும்.இந்த பட்டறையானது தொழில்நுட்ப மட்டத்திற்கு புதியவர்களுக்காக வடிவமைக்கப்பட்டுள்ளது மற்றும் இளங்கலை மருத்துவ பட்டத்தின் முதல் வருடத்திற்கு மேல் எந்த கணித அறிவும் தேவையில்லை.6 மருத்துவ மாணவர்களும், பொறியியல் பட்டப்படிப்பில் 3 ஆசிரியர்களும் சேர்ந்து பாடத்திட்டத்தை உருவாக்கியுள்ளனர்.பொறியாளர்கள் கற்பிப்பதற்காக செயற்கை நுண்ணறிவுக் கோட்பாட்டை உருவாக்கி வருகின்றனர், மேலும் மருத்துவ மாணவர்கள் மருத்துவரீதியாகத் தொடர்புடைய விஷயங்களைக் கற்றுக்கொள்கிறார்கள்.
பட்டறைகளில் விரிவுரைகள், வழக்கு ஆய்வுகள் மற்றும் வழிகாட்டப்பட்ட நிரலாக்கம் ஆகியவை அடங்கும்.முதல் விரிவுரையில், தரவு காட்சிப்படுத்தல், லாஜிஸ்டிக் பின்னடைவு மற்றும் விளக்கமான மற்றும் தூண்டல் புள்ளிவிவரங்களின் ஒப்பீடு உட்பட, உயிரியல்புலத்தில் தரவு பகுப்பாய்வின் தேர்ந்தெடுக்கப்பட்ட கருத்துகளை மதிப்பாய்வு செய்கிறோம்.தரவு பகுப்பாய்வு என்பது செயற்கை நுண்ணறிவின் அடித்தளம் என்றாலும், தரவுச் செயலாக்கம், முக்கியத்துவ சோதனை அல்லது ஊடாடும் காட்சிப்படுத்தல் போன்ற தலைப்புகளை நாங்கள் விலக்குகிறோம்.இது நேரக் கட்டுப்பாடுகள் மற்றும் சில இளங்கலை மாணவர்கள் உயிரியலில் முன் பயிற்சி பெற்றிருந்ததாலும் மேலும் தனித்துவமான இயந்திர கற்றல் தலைப்புகளை உள்ளடக்கியதாலும் ஏற்பட்டது.அடுத்த விரிவுரை நவீன முறைகளை அறிமுகப்படுத்துகிறது மற்றும் AI சிக்கல் உருவாக்கம், AI மாதிரிகளின் நன்மைகள் மற்றும் வரம்புகள் மற்றும் மாதிரி சோதனை பற்றி விவாதிக்கிறது.விரிவுரைகள் இலக்கியம் மற்றும் தற்போதுள்ள செயற்கை நுண்ணறிவு சாதனங்களில் நடைமுறை ஆராய்ச்சி மூலம் நிரப்பப்படுகின்றன.தற்போதுள்ள செயற்கை நுண்ணறிவு சாதனங்களின் வரம்புகளைப் புரிந்துகொள்வது உட்பட மருத்துவ கேள்விகளுக்கு தீர்வு காண ஒரு மாதிரியின் செயல்திறன் மற்றும் சாத்தியக்கூறுகளை மதிப்பிடுவதற்கு தேவையான திறன்களை நாங்கள் வலியுறுத்துகிறோம்.எடுத்துக்காட்டாக, குப்பர்மேன் மற்றும் பலர் முன்மொழிந்த குழந்தைகளின் தலை காய வழிகாட்டுதல்களை விளக்குமாறு மாணவர்களைக் கேட்டோம். இது ஒரு மருத்துவர் பரிசோதனையின் அடிப்படையில் CT ஸ்கேன் பயனுள்ளதாக இருக்குமா என்பதைத் தீர்மானிக்க ஒரு செயற்கை நுண்ணறிவு முடிவு மர அல்காரிதத்தை செயல்படுத்தியது.மருத்துவர்களை மாற்றுவதற்குப் பதிலாக, மருத்துவர்கள் விளக்குவதற்கு முன்கணிப்பு பகுப்பாய்வுகளை AI வழங்குவதற்கு இது ஒரு பொதுவான எடுத்துக்காட்டு என்பதை நாங்கள் வலியுறுத்துகிறோம்.
கிடைக்கும் ஓப்பன் சோர்ஸ் பூட்ஸ்ட்ராப் நிரலாக்க எடுத்துக்காட்டுகளில் (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ஆய்வு தரவு பகுப்பாய்வு, பரிமாணக் குறைப்பு, நிலையான மாதிரி ஏற்றுதல் மற்றும் பயிற்சி ஆகியவற்றை எவ்வாறு செய்வது என்பதை நாங்கள் விளக்குகிறோம். .மற்றும் சோதனை.இணைய உலாவியில் இருந்து பைதான் குறியீட்டை இயக்க அனுமதிக்கும் Google Colaboratory நோட்புக்குகளை (Google LLC, Mountain View, CA) பயன்படுத்துகிறோம்.படம் 2 இல் ஒரு நிரலாக்கப் பயிற்சிக்கான உதாரணம் உள்ளது.இந்தப் பயிற்சியானது விஸ்கான்சின் ஓபன் ப்ரெஸ்ட் இமேஜிங் டேட்டாசெட்6 மற்றும் ஒரு முடிவு மர அல்காரிதம் ஆகியவற்றைப் பயன்படுத்தி வீரியம் மிக்கவற்றைக் கணிப்பதை உள்ளடக்கியது.
தொடர்புடைய தலைப்புகளில் வாரம் முழுவதும் நிகழ்ச்சிகளை வழங்கவும் மற்றும் வெளியிடப்பட்ட AI பயன்பாடுகளிலிருந்து எடுத்துக்காட்டுகளைத் தேர்ந்தெடுக்கவும்.எதிர்கால மருத்துவ நடைமுறைகள் பற்றிய நுண்ணறிவை வழங்குவதற்கு பொருத்தமானதாக கருதப்பட்டால் மட்டுமே நிரலாக்க கூறுகள் சேர்க்கப்படும், அதாவது மருத்துவ பரிசோதனைகளில் பயன்படுத்தத் தயாராக உள்ளதா என்பதைத் தீர்மானிக்க மாதிரிகளை எவ்வாறு மதிப்பிடுவது.இந்த எடுத்துக்காட்டுகள், மருத்துவப் பட அளவுருக்களின் அடிப்படையில் கட்டிகளை தீங்கற்ற அல்லது வீரியம் மிக்கவை என வகைப்படுத்தும் ஒரு முழு அளவிலான எண்ட்-டு-எண்ட் பயன்பாட்டில் முடிவடைகிறது.
முன் அறிவின் பன்முகத்தன்மை.எங்கள் பங்கேற்பாளர்கள் தங்கள் கணித அறிவின் மட்டத்தில் வேறுபட்டனர்.எடுத்துக்காட்டாக, மேம்பட்ட பொறியியல் பின்னணியைக் கொண்ட மாணவர்கள் தங்கள் சொந்த ஃபோரியர் மாற்றங்களை எவ்வாறு செய்வது போன்ற ஆழமான விஷயங்களைத் தேடுகிறார்கள்.இருப்பினும், வகுப்பில் ஃபோரியர் அல்காரிதம் பற்றி விவாதிப்பது சாத்தியமில்லை, ஏனெனில் அதற்கு சமிக்ஞை செயலாக்கம் பற்றிய ஆழமான அறிவு தேவைப்படுகிறது.
வருகை வெளியேற்றம்.குறிப்பாக ஆன்லைன் வடிவங்களில், பின்தொடர்தல் சந்திப்புகளில் வருகை குறைந்தது.வருகையைக் கண்காணித்து முடித்ததற்கான சான்றிதழை வழங்குவதே ஒரு தீர்வாக இருக்கலாம்.மருத்துவப் பள்ளிகள் மாணவர்களின் சாராத கல்வி நடவடிக்கைகளின் டிரான்ஸ்கிரிப்டுகளை அங்கீகரிப்பதாக அறியப்படுகிறது, இது மாணவர்களை பட்டப்படிப்பைத் தொடர ஊக்குவிக்கும்.
பாடநெறி வடிவமைப்பு: AI பல துணைப் புலங்களை உள்ளடக்கியிருப்பதால், பொருத்தமான ஆழம் மற்றும் அகலத்தின் அடிப்படைக் கருத்துகளைத் தேர்ந்தெடுப்பது சவாலானதாக இருக்கும்.எடுத்துக்காட்டாக, ஆய்வகத்திலிருந்து கிளினிக் வரை AI கருவிகளின் தொடர்ச்சி ஒரு முக்கியமான தலைப்பு.தரவு முன் செயலாக்கம், மாதிரி உருவாக்கம் மற்றும் சரிபார்ப்பு ஆகியவற்றை நாங்கள் உள்ளடக்கும் போது, ​​பெரிய தரவு பகுப்பாய்வு, ஊடாடும் காட்சிப்படுத்தல் அல்லது AI மருத்துவ பரிசோதனைகளை நடத்துதல் போன்ற தலைப்புகளை நாங்கள் சேர்க்க மாட்டோம், மாறாக நாங்கள் மிகவும் தனித்துவமான AI கருத்துகளில் கவனம் செலுத்துகிறோம்.கல்வியறிவை மேம்படுத்துவதே எங்கள் வழிகாட்டுதல் கொள்கை, திறன் அல்ல.எடுத்துக்காட்டாக, ஒரு மாதிரி உள்ளீட்டு அம்சங்களை எவ்வாறு செயலாக்குகிறது என்பதைப் புரிந்துகொள்வது விளக்கத்திற்கு முக்கியமானது.இதைச் செய்வதற்கான ஒரு வழி, கிரேடியன்ட் ஆக்டிவேஷன் வரைபடங்களைப் பயன்படுத்துவதாகும், இது தரவின் எந்தப் பகுதிகளை யூகிக்கக்கூடியது என்பதைக் காட்சிப்படுத்த முடியும்.இருப்பினும், இதற்கு பன்முக கால்குலஸ் தேவைப்படுகிறது மற்றும் அறிமுகப்படுத்த முடியாது8.ஒரு பொதுவான சொற்களை உருவாக்குவது சவாலானது, ஏனென்றால் கணித முறைமை இல்லாமல் திசையன்களாக தரவுகளுடன் எவ்வாறு செயல்படுவது என்பதை நாங்கள் விளக்க முயற்சித்தோம்.வெவ்வேறு சொற்கள் ஒரே பொருளைக் கொண்டிருப்பதைக் கவனியுங்கள், எடுத்துக்காட்டாக, தொற்றுநோயியல் துறையில், "பண்பு" என்பது "மாறி" அல்லது "பண்பு" என்று விவரிக்கப்படுகிறது.
அறிவைத் தக்கவைத்தல்.AI இன் பயன்பாடு குறைவாக இருப்பதால், பங்கேற்பாளர்கள் எந்த அளவிற்கு அறிவைத் தக்கவைத்துக் கொள்கிறார்கள் என்பதைப் பார்க்க வேண்டும்.நடைமுறைச் சுழற்சிகளின் போது அறிவை வலுப்படுத்த மருத்துவப் பள்ளி பாடத்திட்டங்கள் அடிக்கடி இடைவெளியில் திரும்பத் திரும்பச் செயல்படுவதை நம்பியுள்ளன, 9 இது AI கல்விக்கும் பயன்படுத்தப்படலாம்.
எழுத்தறிவை விட தொழில் திறன் முக்கியமானது.பொருளின் ஆழம் கணித கடுமை இல்லாமல் வடிவமைக்கப்பட்டுள்ளது, இது செயற்கை நுண்ணறிவில் மருத்துவ படிப்புகளை தொடங்கும் போது ஒரு பிரச்சனையாக இருந்தது.நிரலாக்க எடுத்துக்காட்டுகளில், பங்கேற்பாளர்கள் ஒரு முழுமையான நிரலாக்க சூழலை எவ்வாறு அமைப்பது என்பதைக் கண்டுபிடிக்காமல் புலங்களை நிரப்பவும் மென்பொருளை இயக்கவும் அனுமதிக்கும் டெம்ப்ளேட் நிரலைப் பயன்படுத்துகிறோம்.
செயற்கை நுண்ணறிவு பற்றிய கவலைகள் குறிப்பிடப்பட்டுள்ளன: செயற்கை நுண்ணறிவு சில மருத்துவ கடமைகளை மாற்றக்கூடும் என்ற பரவலான கவலை உள்ளது3.இந்தச் சிக்கலைத் தீர்க்க, AI இன் வரம்புகளை நாங்கள் விளக்குகிறோம், கட்டுப்பாட்டாளர்களால் அங்கீகரிக்கப்பட்ட கிட்டத்தட்ட அனைத்து AI தொழில்நுட்பங்களுக்கும் மருத்துவர் மேற்பார்வை தேவைப்படுகிறது.அல்காரிதம்கள் சார்புக்கு ஆளாகின்றன, குறிப்பாக தரவுத் தொகுப்பு வேறுபட்டதாக இல்லாவிட்டால், சார்பின் முக்கியத்துவத்தையும் நாங்கள் வலியுறுத்துகிறோம்.இதன் விளைவாக, ஒரு குறிப்பிட்ட துணைக்குழு தவறாக மாதிரியாக இருக்கலாம், இது நியாயமற்ற மருத்துவ முடிவுகளுக்கு வழிவகுக்கும்.
ஆதாரங்கள் பொதுவில் கிடைக்கின்றன: விரிவுரை ஸ்லைடுகள் மற்றும் குறியீடு உட்பட பொதுவில் கிடைக்கும் ஆதாரங்களை நாங்கள் உருவாக்கியுள்ளோம்.நேர மண்டலங்கள் காரணமாக ஒத்திசைவான உள்ளடக்கத்திற்கான அணுகல் குறைவாக இருந்தாலும், அனைத்து மருத்துவப் பள்ளிகளிலும் AI நிபுணத்துவம் கிடைக்காததால், திறந்த மூல உள்ளடக்கம் ஒத்திசைவற்ற கற்றலுக்கு வசதியான முறையாகும்.
இடைநிலை ஒத்துழைப்பு: இந்த பட்டறை மருத்துவ மாணவர்களால் பொறியாளர்களுடன் இணைந்து படிப்புகளைத் திட்டமிடும் ஒரு கூட்டு முயற்சியாகும்.இது இரு பகுதிகளிலும் ஒத்துழைப்பு வாய்ப்புகள் மற்றும் அறிவு இடைவெளிகளை நிரூபிக்கிறது, பங்கேற்பாளர்கள் எதிர்காலத்தில் பங்களிக்கக்கூடிய சாத்தியமான பங்கைப் புரிந்துகொள்ள அனுமதிக்கிறது.
AI முக்கிய திறன்களை வரையறுக்கவும்.திறன்களின் பட்டியலை வரையறுப்பது, தற்போதுள்ள திறன் அடிப்படையிலான மருத்துவ பாடத்திட்டத்தில் ஒருங்கிணைக்கக்கூடிய தரப்படுத்தப்பட்ட கட்டமைப்பை வழங்குகிறது.இந்தப் பட்டறை தற்போது ப்ளூமின் வகைபிரித்தல் கற்றல் குறிக்கோள் நிலைகள் 2 (புரிதல்), 3 (பயன்பாடு) மற்றும் 4 (பகுப்பாய்வு) ஆகியவற்றைப் பயன்படுத்துகிறது.திட்டங்களை உருவாக்குவது போன்ற உயர் மட்ட வகைப்பாடுகளில் வளங்களை வைத்திருப்பது அறிவை மேலும் வலுப்படுத்த முடியும்.AI தலைப்புகளை மருத்துவ பணிப்பாய்வுகளுக்கு எவ்வாறு பயன்படுத்தலாம் மற்றும் நிலையான மருத்துவ பாடத்திட்டத்தில் ஏற்கனவே சேர்க்கப்பட்டுள்ள மீண்டும் மீண்டும் தலைப்புகளை கற்பிப்பதைத் தடுப்பதற்கு மருத்துவ நிபுணர்களுடன் இணைந்து பணியாற்ற வேண்டும்.
AI ஐப் பயன்படுத்தி வழக்கு ஆய்வுகளை உருவாக்கவும்.மருத்துவ எடுத்துக்காட்டுகளைப் போலவே, வழக்கு அடிப்படையிலான கற்றல், மருத்துவ கேள்விகளுக்கு அவற்றின் பொருத்தத்தை முன்னிலைப்படுத்துவதன் மூலம் சுருக்கக் கருத்துகளை வலுப்படுத்த முடியும்.எடுத்துக்காட்டாக, ஆய்வகத்திலிருந்து கிளினிக்கிற்குச் செல்லும் பாதையில் உள்ள சவால்களை அடையாளம் காண, வெளிப்புற சரிபார்ப்புத் தேவைகள் மற்றும் ஒழுங்குமுறை ஒப்புதல் பாதைகள் போன்றவற்றைக் கண்டறிய கூகுளின் AI-அடிப்படையிலான நீரிழிவு ரெட்டினோபதி கண்டறிதல் அமைப்பு 13ஐ ஒரு பட்டறை ஆய்வு ஆய்வு செய்தது.
அனுபவக் கற்றலைப் பயன்படுத்தவும்: மருத்துவப் பயிற்சியாளர்களின் சுழலும் கற்றல் அனுபவங்களைப் போலவே, தொழில்நுட்பத் திறன்களுக்கு கவனம் செலுத்தும் பயிற்சி மற்றும் தேர்ச்சி பெற மீண்டும் மீண்டும் பயன்பாடு தேவைப்படுகிறது.ஒரு சாத்தியமான தீர்வு புரட்டப்பட்ட வகுப்பறை மாதிரி ஆகும், இது பொறியியல் கல்வியில் அறிவைத் தக்கவைப்பதை மேம்படுத்துவதாக அறிவிக்கப்பட்டுள்ளது14.இந்த மாதிரியில், மாணவர்கள் கோட்பாட்டுப் பொருளை சுயாதீனமாக மதிப்பாய்வு செய்கிறார்கள் மற்றும் வகுப்பு நேரம் வழக்கு ஆய்வுகள் மூலம் சிக்கல்களைத் தீர்ப்பதற்கு ஒதுக்கப்படுகிறது.
பல்துறை பங்கேற்பாளர்களுக்கான அளவிடுதல்: மருத்துவர்கள் மற்றும் பல்வேறு நிலைகளில் பயிற்சியுடன் தொடர்புடைய சுகாதார வல்லுநர்கள் உட்பட பல துறைகளில் ஒத்துழைப்பை உள்ளடக்கிய AI தத்தெடுப்பை நாங்கள் கற்பனை செய்கிறோம்.எனவே, பல்வேறு துறைகளைச் சேர்ந்த ஆசிரியர்களுடன் கலந்தாலோசித்து, அவர்களின் உள்ளடக்கத்தை சுகாதாரப் பாதுகாப்பின் வெவ்வேறு பகுதிகளுக்கு ஏற்ப பாடத்திட்டங்கள் உருவாக்க வேண்டும்.
செயற்கை நுண்ணறிவு உயர் தொழில்நுட்பம் மற்றும் அதன் முக்கிய கருத்துக்கள் கணிதம் மற்றும் கணினி அறிவியல் தொடர்பானவை.செயற்கை நுண்ணறிவைப் புரிந்துகொள்ள சுகாதாரப் பணியாளர்களுக்குப் பயிற்சி அளிப்பது உள்ளடக்கத் தேர்வு, மருத்துவத் தொடர்பு மற்றும் விநியோக முறைகளில் தனித்துவமான சவால்களை முன்வைக்கிறது.கல்விப் பட்டறைகளில் AI இலிருந்து பெறப்பட்ட நுண்ணறிவு எதிர்கால கல்வியாளர்களுக்கு AI ஐ மருத்துவக் கல்வியில் ஒருங்கிணைப்பதற்கான புதுமையான வழிகளைத் தழுவ உதவும் என்று நாங்கள் நம்புகிறோம்.
Google Colaboratory Python ஸ்கிரிப்ட் ஓப்பன் சோர்ஸ் மற்றும் இங்கே கிடைக்கிறது: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
புரோபர், கேஜி மற்றும் கான், எஸ். மருத்துவக் கல்வியை மறுபரிசீலனை செய்தல்: நடவடிக்கைக்கான அழைப்பு.அக்காட்.மருந்து.88, 1407–1410 (2013).
மெக்காய், எல்ஜி போன்றவை. செயற்கை நுண்ணறிவு பற்றி மருத்துவ மாணவர்கள் உண்மையில் என்ன தெரிந்து கொள்ள வேண்டும்?NPZh எண்கள்.மருத்துவம் 3, 1–3 (2020).
டாஸ் சாண்டோஸ், டிபி மற்றும் பலர்.செயற்கை நுண்ணறிவு குறித்த மருத்துவ மாணவர்களின் அணுகுமுறை: பல மைய ஆய்வு.யூரோ.கதிர்வீச்சு.29, 1640–1646 (2019).
மின்விசிறி, KY, Hu, R., மற்றும் Singla, R. மருத்துவ மாணவர்களுக்கான இயந்திரக் கற்றல் அறிமுகம்: ஒரு முன்னோடித் திட்டம்.ஜே. மெட்கற்பிக்கின்றன.54, 1042–1043 (2020).
கூப்பர்மேன் என், மற்றும் பலர்.தலையில் காயத்திற்குப் பிறகு மருத்துவ ரீதியாக குறிப்பிடத்தக்க மூளைக் காயம் ஏற்படுவதற்கான மிகக் குறைந்த ஆபத்தில் உள்ள குழந்தைகளைக் கண்டறிதல்: ஒரு வருங்கால கூட்டு ஆய்வு.லான்செட் 374, 1160–1170 (2009).
தெரு, WN, Wolberg, WH மற்றும் Mangasarian, OL.மார்பக கட்டி நோயறிதலுக்கான அணு அம்சம் பிரித்தெடுத்தல்.உயிர் மருத்துவ அறிவியல்.பட செயலாக்கம்.உயிர் மருத்துவ அறிவியல்.வெயிஸ்.1905, 861-870 (1993).
சென், பிஎச்சி, லியு, ஒய் மற்றும் பெங், எல். ஹெல்த்கேருக்கான மெஷின் லேர்னிங் மாதிரிகளை உருவாக்குவது எப்படி.நாட்.மேட்.18, 410–414 (2019).
செல்வராஜூ, ஆர்ஆர் மற்றும் பலர்.Grad-cam: சாய்வு அடிப்படையிலான உள்ளூர்மயமாக்கல் மூலம் ஆழமான நெட்வொர்க்குகளின் காட்சி விளக்கம்.IEEE இன்டர்நேஷனல் கான்பரன்ஸ் ஆன் கம்ப்யூட்டர் விஷன், 618–626 (2017).
குமரவேல் பி, ஸ்டீவர்ட் கே மற்றும் ஐலிக் டி. இளங்கலை மருத்துவக் கல்வியில் OSCE ஐப் பயன்படுத்தி சான்று அடிப்படையிலான மருத்துவத் திறன்களை மதிப்பிடுவதற்கான சுருள் மாதிரியின் வளர்ச்சி மற்றும் மதிப்பீடு.BMK மருத்துவம்.கற்பிக்கின்றன.21, 1–9 (2021).
கோலாச்சலமா VB மற்றும் கர்க் PS இயந்திர கற்றல் மற்றும் மருத்துவக் கல்வி.NPZh எண்கள்.மருந்து.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, ​​S., Rutten, MJ, van Ginneken, B. and de Rooy, M. கதிரியக்கத்தில் செயற்கை நுண்ணறிவு: 100 வணிகப் பொருட்கள் மற்றும் அவற்றின் அறிவியல் சான்றுகள்.யூரோ.கதிர்வீச்சு.31, 3797–3804 (2021).
டோபோல், ஈஜே உயர் செயல்திறன் மருத்துவம்: மனித மற்றும் செயற்கை நுண்ணறிவின் ஒருங்கிணைப்பு.நாட்.மருந்து.25, 44–56 (2019).
பேட், ஈ. மற்றும் பலர்.நீரிழிவு ரெட்டினோபதியைக் கண்டறிவதற்காக கிளினிக்கில் பயன்படுத்தப்பட்ட ஆழமான கற்றல் அமைப்பின் மனிதனை மையமாகக் கொண்ட மதிப்பீடு.கணினி அமைப்புகளில் மனித காரணிகள் (2020) பற்றிய 2020 CHI மாநாட்டின் செயல்முறைகள்.
கெர், பி. பொறியியல் கல்வியில் புரட்டப்பட்ட வகுப்பறை: ஒரு ஆய்வு ஆய்வு.ஊடாடும் கூட்டு கற்றல் (2015) பற்றிய 2015 சர்வதேச மாநாட்டின் செயல்முறைகள்.
ஆதரவு மற்றும் நிதியுதவிக்காக பிரிட்டிஷ் கொலம்பியா பல்கலைக்கழகத்தின் உயிரியல் இமேஜிங் மற்றும் செயற்கை நுண்ணறிவு ஆராய்ச்சி கிளஸ்டரைச் சேர்ந்த டேனியல் வாக்கர், டிம் சல்குடின் மற்றும் பீட்டர் ஜாண்ட்ஸ்ட்ரா ஆகியோருக்கு ஆசிரியர்கள் நன்றி தெரிவிக்கின்றனர்.
RH, PP, ZH, RS மற்றும் MA ஆகியவை பட்டறை கற்பித்தல் உள்ளடக்கத்தை உருவாக்குவதற்கு பொறுப்பாகும்.நிரலாக்க எடுத்துக்காட்டுகளை உருவாக்குவதற்கு RH மற்றும் PP பொறுப்பு.KYF, OY, MT மற்றும் PW ஆகியவை திட்டத்தின் தளவாட அமைப்பு மற்றும் பட்டறைகளின் பகுப்பாய்விற்கு பொறுப்பாக இருந்தன.புள்ளிவிவரங்கள் மற்றும் அட்டவணைகளை உருவாக்குவதற்கு RH, OY, MT, RS பொறுப்பு.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ஆகியவை ஆவணத்தை வரைவதற்கும் திருத்துவதற்கும் பொறுப்பாகும்.
கரோலின் மெக்ரிகோர், ஃபேபியோ மோரேஸ் மற்றும் ஆதித்யா போரகட்டி ஆகியோர் இந்தப் பணியை மதிப்பாய்வு செய்ததற்கு தகவல் தொடர்பு மருத்துவம் நன்றி தெரிவிக்கிறது.