طبي شاگردن کي مصنوعي ذهانت سيکارڻ تي ڪينيڊين نقطه نظر

Nature.com تي اچڻ لاءِ مهرباني. توهان جي استعمال ڪيل برائوزر جي ورزن ۾ محدود CSS سپورٽ آهي. بهترين نتيجن لاءِ، اسان توهان جي برائوزر جو نئون ورزن استعمال ڪرڻ جي صلاح ڏيون ٿا (يا انٽرنيٽ ايڪسپلورر ۾ مطابقت واري موڊ کي بند ڪريو). ساڳئي وقت، جاري سپورٽ کي يقيني بڻائڻ لاءِ، اسان سائيٽ کي اسٽائلنگ يا جاوا اسڪرپٽ کان سواءِ ڏيکاري رهيا آهيون.
ڪلينڪل مصنوعي ذهانت (AI) جون درخواستون تيزي سان وڌي رهيون آهن، پر موجوده طبي اسڪول نصاب هن علائقي کي ڍڪيندڙ محدود تدريس پيش ڪري ٿو. هتي اسان هڪ مصنوعي ذهانت تربيتي ڪورس بيان ڪريون ٿا جيڪو اسان ڪينيڊين طبي شاگردن کي تيار ڪيو ۽ پهچايو ۽ مستقبل جي تربيت لاءِ سفارشون ڪريون ٿا.
طب ۾ مصنوعي ذهانت (AI) ڪم جي جڳهه جي ڪارڪردگي کي بهتر بڻائي سگهي ٿي ۽ ڪلينڪل فيصلي سازي ۾ مدد ڪري سگهي ٿي. مصنوعي ذهانت جي استعمال کي محفوظ طور تي رهنمائي ڪرڻ لاءِ، طبيبن کي مصنوعي ذهانت جي ڪجهه سمجھ هجڻ گهرجي. ڪيترائي تبصرا AI تصورات 1 سيکارڻ جي وڪالت ڪن ٿا، جهڙوڪ AI ماڊلز ۽ تصديق جي عملن جي وضاحت 2. جڏهن ته، ڪجهه منظم منصوبا لاڳو ڪيا ويا آهن، خاص طور تي قومي سطح تي. پنٽو ڊاس سينٽوس ۽ ٻيا. 3. 263 طبي شاگردن جو سروي ڪيو ويو ۽ 71٪ متفق ٿيا ته انهن کي مصنوعي ذهانت ۾ تربيت جي ضرورت آهي. طبي سامعين کي مصنوعي ذهانت سيکارڻ لاءِ محتاط ڊيزائن جي ضرورت آهي جيڪا انهن شاگردن لاءِ ٽيڪنيڪل ۽ غير ٽيڪنيڪل تصورن کي گڏ ڪري ٿي جن کي اڪثر وسيع اڳواٽ ڄاڻ هوندي آهي. اسان طبي شاگردن جي ٽن گروپن کي AI ورڪشاپس جي هڪ سيريز پهچائڻ جي پنهنجي تجربي کي بيان ڪريون ٿا ۽ AI ۾ مستقبل جي طبي تعليم لاءِ سفارشون ڪريون ٿا.
طبي شاگردن لاءِ اسان جي پنجن هفتن جي تعارف واري مصنوعي ذهانت ۾ دوائن جي ورڪشاپ فيبروري 2019 ۽ اپريل 2021 جي وچ ۾ ٽي ڀيرا منعقد ڪئي وئي. هر ورڪشاپ لاءِ هڪ شيڊول، ڪورس ۾ تبديلين جي مختصر وضاحت سان، شڪل 1 ۾ ڏيکاريل آهي. اسان جي ڪورس جا ٽي بنيادي سکيا جا مقصد آهن: شاگرد سمجهن ٿا ته مصنوعي ذهانت جي ايپليڪيشنن ۾ ڊيٽا ڪيئن پروسيس ڪئي ويندي آهي، ڪلينڪل ايپليڪيشنن لاءِ مصنوعي ذهانت جي ادب جو تجزيو ڪريو، ۽ مصنوعي ذهانت کي ترقي ڪندڙ انجنيئرن سان تعاون ڪرڻ جي موقعن مان فائدو حاصل ڪريو.
ليڪچر جو موضوع نيرو آهي ۽ هلڪو نيرو انٽرايڪٽو سوال ۽ جواب جو دور آهي. گرين سيڪشن مختصر ادب جي جائزي جو مرڪز آهي. نارنگي سيڪشن چونڊيل ڪيس اسٽڊيز آهن جيڪي مصنوعي ذهانت جي ماڊلز يا ٽيڪنڪ کي بيان ڪن ٿا. سائو هڪ هدايت يافته پروگرامنگ ڪورس آهي جيڪو ڪلينڪل مسئلن کي حل ڪرڻ ۽ ماڊلز جو جائزو وٺڻ لاءِ مصنوعي ذهانت سيکارڻ لاءِ ٺاهيو ويو آهي. ورڪشاپس جو مواد ۽ مدت شاگردن جي ضرورتن جي تشخيص جي بنياد تي مختلف هوندي آهي.
پهرين ورڪشاپ يونيورسٽي آف برٽش ڪولمبيا ۾ فيبروري کان اپريل 2019 تائين منعقد ڪئي وئي، ۽ سڀني 8 شرڪت ڪندڙن مثبت موٽ ڏني 4. COVID-19 جي ڪري، ٻيو ورڪشاپ ورچوئل طور تي آڪٽوبر-نومبر 2020 ۾ منعقد ڪيو ويو، جنهن ۾ 222 طبي شاگرد ۽ 8 ڪينيڊين ميڊيڪل اسڪولن جا 3 رهواسي رجسٽر ٿيا. پريزنٽيشن سلائيڊ ۽ ڪوڊ هڪ اوپن رسائي سائيٽ (http://ubcaimed.github.io) تي اپ لوڊ ڪيا ويا آهن. پهرين ورجائي مان اهم موٽ اها هئي ته ليڪچر تمام گهڻا شديد هئا ۽ مواد تمام گهڻو نظرياتي هو. ڪينيڊا جي ڇهن مختلف ٽائيم زونز جي خدمت ڪرڻ اضافي چئلينجن کي منهن ڏئي ٿو. اهڙيءَ طرح، ٻئي ورڪشاپ هر سيشن کي 1 ڪلاڪ تائين مختصر ڪيو، ڪورس مواد کي آسان بڻايو، وڌيڪ ڪيس اسٽڊيز شامل ڪيون، ۽ بوائلر پليٽ پروگرام ٺاهيا جيڪي شرڪت ڪندڙن کي گهٽ ۾ گهٽ ڊيبگنگ سان ڪوڊ اسنيپٽس مڪمل ڪرڻ جي اجازت ڏني (باڪس 1). ٻئي ورجائي مان اهم موٽ ۾ پروگرامنگ مشقن تي مثبت موٽ ۽ مشين لرننگ پروجيڪٽ لاءِ منصوبابندي جو مظاهرو ڪرڻ جي درخواست شامل هئي. تنهن ڪري، اسان جي ٽئين ورڪشاپ ۾، جيڪا مارچ-اپريل 2021 ۾ 126 طبي شاگردن لاءِ ورچوئلي طور تي منعقد ڪئي وئي هئي، اسان منصوبن تي ورڪشاپ جي تصورن جي استعمال جي اثر کي ظاهر ڪرڻ لاءِ وڌيڪ انٽرايڪٽو ڪوڊنگ مشقون ۽ پروجيڪٽ فيڊ بيڪ سيشن شامل ڪيا.
ڊيٽا تجزيو: شماريات ۾ مطالعي جو هڪ شعبو جيڪو ڊيٽا جي نمونن جو تجزيو، پروسيسنگ، ۽ رابطو ڪندي ڊيٽا ۾ بامعني نمونن جي سڃاڻپ ڪري ٿو.
ڊيٽا مائننگ: ڊيٽا جي سڃاڻپ ۽ ڪڍڻ جو عمل. مصنوعي ذهانت جي حوالي سان، اهو اڪثر وڏو هوندو آهي، هر نموني لاءِ ڪيترائي متغير هوندا آهن.
طول و عرض ۾ گهٽتائي: اصل ڊيٽا سيٽ جي اهم خاصيتن کي محفوظ رکندي ڪيترن ئي انفرادي خاصيتن سان ڊيٽا کي گهٽ خاصيتن ۾ تبديل ڪرڻ جو عمل.
خاصيتون (مصنوعي ذهانت جي حوالي سان): نموني جون ماپي سگھندڙ خاصيتون. اڪثر ڪري "ملڪيت" يا "متغير" سان مٽائي استعمال ٿينديون آهن.
گريڊينٽ ايڪٽيويشن ميپ: هڪ ٽيڪنڪ جيڪا مصنوعي ذهانت جي ماڊلز (خاص طور تي ڪنوولوشنل نيورل نيٽ ورڪ) جي تشريح لاءِ استعمال ٿيندي آهي، جيڪا نيٽ ورڪ جي آخري حصي کي بهتر بڻائڻ جي عمل جو تجزيو ڪري ٿي ته جيئن ڊيٽا يا تصويرن جي علائقن کي سڃاڻي سگهجي جيڪي انتهائي اڳڪٿي ڪندڙ آهن.
معياري ماڊل: هڪ موجوده AI ماڊل جيڪو ساڳيا ڪم ڪرڻ لاءِ اڳ ۾ تربيت يافته هجي.
ٽيسٽنگ (مصنوعي ذهانت جي حوالي سان): اهو ڏسڻ ته هڪ ماڊل ڪيئن ڪم ڪري ٿو ڊيٽا استعمال ڪندي جيڪو ان کي اڳ ڪڏهن به نه مليو آهي.
تربيت (مصنوعي ذهانت جي حوالي سان): ڊيٽا ۽ نتيجن سان گڏ هڪ ماڊل فراهم ڪرڻ ته جيئن ماڊل پنهنجي اندروني پيرا ميٽرز کي ترتيب ڏئي ته جيئن نئين ڊيٽا استعمال ڪندي ڪم ڪرڻ جي صلاحيت کي بهتر بڻائي سگهجي.
ویکٹر: ڊيٽا جي صف. مشين لرننگ ۾، هر صف عنصر عام طور تي نموني جي هڪ منفرد خصوصيت هوندو آهي.
جدول 1 اپريل 2021 لاءِ جديد ڪورسن جي فهرست ڏئي ٿو، جنهن ۾ هر موضوع لاءِ ٽارگيٽ ڪيل سکيا جا مقصد شامل آهن. هي ورڪشاپ انهن لاءِ آهي جيڪي ٽيڪنيڪل سطح تي نوان آهن ۽ ان کي انڊر گريجوئيٽ ميڊيڪل ڊگري جي پهرين سال کان وڌيڪ ڪنهن به رياضي جي ڄاڻ جي ضرورت ناهي. ڪورس 6 طبي شاگردن ۽ 3 استادن پاران تيار ڪيو ويو آهي جن وٽ انجنيئرنگ ۾ اعليٰ ڊگريون آهن. انجنيئر سيکارڻ لاءِ مصنوعي ذهانت جو نظريو تيار ڪري رهيا آهن، ۽ طبي شاگرد ڪلينڪ طور تي لاڳاپيل مواد سکي رهيا آهن.
ورڪشاپس ۾ ليڪچر، ڪيس اسٽڊيز، ۽ گائيڊڊ پروگرامنگ شامل آهن. پهرين ليڪچر ۾، اسان بايو اسٽيٽسٽڪس ۾ ڊيٽا تجزيي جي چونڊيل تصورن جو جائزو وٺون ٿا، جنهن ۾ ڊيٽا ويزوئلائيزيشن، لاجسٽڪ ريگريشن، ۽ وضاحتي ۽ انڊڪٽو انگن اکرن جو مقابلو شامل آهي. جيتوڻيڪ ڊيٽا تجزيو مصنوعي ذهانت جو بنياد آهي، پر اسان ڊيٽا مائننگ، اهميت جي جاچ، يا انٽرايڪٽو ويزوئلائيزيشن جهڙن موضوعن کي خارج ڪريون ٿا. اهو وقت جي پابندين جي ڪري هو ۽ ان ڪري به جو ڪجهه انڊر گريجوئيٽ شاگردن کي بايو اسٽيٽسٽڪس ۾ اڳ ۾ تربيت حاصل هئي ۽ اهي وڌيڪ منفرد مشين لرننگ موضوعن کي ڍڪڻ چاهيندا هئا. بعد ۾ ليڪچر جديد طريقن کي متعارف ڪرايو ويو آهي ۽ AI مسئلي جي جوڙجڪ، AI ماڊلز جي فائدن ۽ حدن، ۽ ماڊل ٽيسٽنگ تي بحث ڪيو ويو آهي. ليڪچر موجوده مصنوعي ذهانت ڊوائيسز تي ادب ۽ عملي تحقيق سان مڪمل ڪيا ويا آهن. اسان ڪلينڪل سوالن کي حل ڪرڻ لاءِ ماڊل جي اثرائتي ۽ ممڪنيت جو جائزو وٺڻ لاءِ گهربل صلاحيتن تي زور ڏيون ٿا، جنهن ۾ موجوده مصنوعي ذهانت ڊوائيسز جي حدن کي سمجهڻ شامل آهي. مثال طور، اسان شاگردن کي ڪپرمين ۽ ٻين پاران تجويز ڪيل ٻارن جي سر جي زخم جي هدايتن جي تشريح ڪرڻ لاءِ چيو، 5 جيڪو هڪ مصنوعي ذهانت فيصلي جي وڻ جي الگورتھم کي لاڳو ڪيو ته جيئن اهو طئي ڪري سگهجي ته ڇا هڪ سي ٽي اسڪين هڪ طبيب جي امتحان جي بنياد تي ڪارآمد هوندو. اسان زور ڏيون ٿا ته هي AI جي هڪ عام مثال آهي جيڪا ڊاڪٽرن کي تشريح ڪرڻ لاءِ اڳڪٿي ڪندڙ تجزياتي فراهم ڪري ٿي، ڊاڪٽرن کي تبديل ڪرڻ بدران.
موجود اوپن سورس بوٽ اسٽريپ پروگرامنگ مثالن ۾ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples)، اسان ڏيکاريون ٿا ته ڪيئن ايڪسپلوريٽري ڊيٽا تجزيو، طول و عرض گهٽائڻ، معياري ماڊل لوڊنگ، ۽ تربيت ۽ جانچ ڪجي. اسان گوگل ڪوليبارٽري نوٽ بڪ (گوگل ايل ايل سي، ماؤنٽين ويو، سي اي) استعمال ڪندا آهيون، جيڪي پٿون ڪوڊ کي ويب برائوزر مان عمل ڪرڻ جي اجازت ڏين ٿا. شڪل ۾. شڪل 2 هڪ پروگرامنگ مشق جو هڪ مثال فراهم ڪري ٿي. هن مشق ۾ وِسڪونسن اوپن بريسٽ اميجنگ ڊيٽا سيٽ 6 ۽ هڪ فيصلي واري وڻ الگورتھم استعمال ڪندي خرابين جي اڳڪٿي ڪرڻ شامل آهي.
لاڳاپيل موضوعن تي سڄي هفتي پروگرام پيش ڪريو ۽ شايع ٿيل AI ايپليڪيشنن مان مثال چونڊيو. پروگرامنگ عنصر صرف ان صورت ۾ شامل ڪيا ويندا آهن جڏهن انهن کي مستقبل جي ڪلينڪل مشق ۾ بصيرت فراهم ڪرڻ لاءِ لاڳاپيل سمجهيو ويندو آهي، جيئن ته ماڊلز جو جائزو ڪيئن ڪجي ته اهو طئي ڪيو وڃي ته اهي ڪلينڪل آزمائشن ۾ استعمال لاءِ تيار آهن يا نه. اهي مثال هڪ مڪمل اينڊ-ٽو-اينڊ ايپليڪيشن ۾ ختم ٿين ٿا جيڪو طبي تصوير جي پيرا ميٽرز جي بنياد تي ٽامي کي بي نِگ يا خراب طور تي درجه بندي ڪري ٿو.
اڳوڻي ڄاڻ جي متفاوتيت. اسان جي شرڪت ڪندڙن جي رياضي جي ڄاڻ جي سطح مختلف هئي. مثال طور، ترقي يافته انجنيئرنگ پس منظر وارا شاگرد وڌيڪ گهري مواد ڳولي رهيا آهن، جهڙوڪ پنهنجا فوريئر ٽرانسفارم ڪيئن انجام ڏين. جڏهن ته، ڪلاس ۾ فوريئر الگورتھم تي بحث ڪرڻ ممڪن ناهي ڇاڪاڻ ته ان لاءِ سگنل پروسيسنگ جي گهري ڄاڻ جي ضرورت آهي.
حاضري جو وهڪرو. فالو اپ ميٽنگن ۾ حاضري گهٽجي وئي، خاص طور تي آن لائن فارميٽ ۾. هڪ حل حاضري کي ٽريڪ ڪرڻ ۽ مڪمل ٿيڻ جو سرٽيفڪيٽ فراهم ڪرڻ ٿي سگهي ٿو. ميڊيڪل اسڪول شاگردن جي غير نصابي تعليمي سرگرمين جي ٽرانسڪرپٽ کي سڃاڻڻ لاءِ سڃاتا وڃن ٿا، جيڪي شاگردن کي ڊگري حاصل ڪرڻ جي حوصلا افزائي ڪري سگهن ٿا.
ڪورس ڊيزائن: ڇاڪاڻ ته AI ڪيترن ئي ذيلي شعبن تي پکڙيل آهي، مناسب کوٽائي ۽ ويڪرائي جي بنيادي تصورن کي چونڊڻ مشڪل ٿي سگهي ٿو. مثال طور، ليبارٽري کان ڪلينڪ تائين AI اوزارن جي استعمال جو تسلسل هڪ اهم موضوع آهي. جڏهن ته اسان ڊيٽا پري پروسيسنگ، ماڊل بلڊنگ، ۽ تصديق کي ڍڪيندا آهيون، اسان بگ ڊيٽا اينالائيٽڪس، انٽرايڪٽو ويزوئلائيزيشن، يا AI ڪلينڪل ٽرائلز ڪرڻ جهڙا موضوع شامل نه ڪندا آهيون، ان جي بدران اسان سڀ کان منفرد AI تصورن تي ڌيان ڏيندا آهيون. اسان جو رهنمائي ڪندڙ اصول خواندگي کي بهتر بڻائڻ آهي، نه ته صلاحيتون. مثال طور، اهو سمجهڻ ته هڪ ماڊل ان پٽ خاصيتن کي ڪيئن پروسيس ڪري ٿو تشريح لاءِ اهم آهي. اهو ڪرڻ جو هڪ طريقو گريڊينٽ ايڪٽيويشن نقشن کي استعمال ڪرڻ آهي، جيڪو تصور ڪري سگهي ٿو ته ڊيٽا جا ڪهڙا علائقا پيش گوئي لائق آهن. بهرحال، ان لاءِ ملٽي ويريئيٽ ڪيلڪولس جي ضرورت آهي ۽ متعارف نه ٿي سگهي 8. هڪ عام اصطلاح کي ترقي ڪرڻ مشڪل هو ڇاڪاڻ ته اسان وضاحت ڪرڻ جي ڪوشش ڪري رهيا هئاسين ته ڊيٽا سان ڪيئن ڪم ڪجي جيئن رياضياتي رسم الخط کان سواءِ ویکٹر. نوٽ ڪريو ته مختلف اصطلاحن جو ساڳيو مطلب آهي، مثال طور، ايپيڊميولوجي ۾، هڪ "خصوصيت" کي "متغير" يا "وصف" طور بيان ڪيو ويو آهي.
علم جي برقرار رکڻ. ڇاڪاڻ ته AI جو استعمال محدود آهي، شرڪت ڪندڙ ڪيتري حد تائين علم برقرار رکن ٿا اهو ڏسڻو آهي. ميڊيڪل اسڪول جو نصاب اڪثر ڪري عملي گردش دوران علم کي مضبوط ڪرڻ لاءِ فاصلاتي ورجاءُ تي ڀاڙيندو آهي،9 جيڪو AI تعليم تي پڻ لاڳو ڪري سگهجي ٿو.
پيشه ورانه صلاحيت خواندگي کان وڌيڪ اهم آهي. مواد جي کوٽائي رياضياتي سختي کان سواءِ ٺهيل آهي، جيڪا مصنوعي ذهانت ۾ ڪلينڪل ڪورس شروع ڪرڻ وقت هڪ مسئلو هئي. پروگرامنگ مثالن ۾، اسان هڪ ٽيمپليٽ پروگرام استعمال ڪندا آهيون جيڪو شرڪت ڪندڙن کي فيلڊ ڀرڻ ۽ سافٽ ويئر هلائڻ جي اجازت ڏئي ٿو بغير اهو معلوم ڪرڻ جي ته هڪ مڪمل پروگرامنگ ماحول ڪيئن قائم ڪجي.
مصنوعي ذهانت بابت خدشن کي حل ڪيو ويو: وڏي پيماني تي خدشو آهي ته مصنوعي ذهانت ڪجهه ڪلينڪل فرضن کي تبديل ڪري سگهي ٿي 3. هن مسئلي کي حل ڪرڻ لاءِ، اسان AI جي حدن کي بيان ڪريون ٿا، جنهن ۾ اهو حقيقت شامل آهي ته ريگيوليٽرز پاران منظور ٿيل تقريبن سڀئي AI ٽيڪنالاجيون طبي نگراني جي ضرورت هونديون آهن 11. اسان تعصب جي اهميت تي پڻ زور ڏيون ٿا ڇاڪاڻ ته الگورتھم تعصب جو شڪار آهن، خاص طور تي جيڪڏهن ڊيٽا سيٽ متنوع نه آهي 12. نتيجي طور، هڪ خاص ذيلي گروپ کي غلط نموني سان ماڊل ڪيو وڃي ٿو، جيڪو غير منصفانه ڪلينڪل فيصلن جي ڪري ٿو.
وسيلا عوامي طور تي دستياب آهن: اسان عوامي طور تي دستياب وسيلا ٺاهيا آهن، جن ۾ ليڪچر سلائيڊ ۽ ڪوڊ شامل آهن. جيتوڻيڪ وقت جي زونن جي ڪري هم وقت ساز مواد تائين رسائي محدود آهي، اوپن سورس مواد غير هم وقت ساز سکيا لاءِ هڪ آسان طريقو آهي ڇاڪاڻ ته سڀني طبي اسڪولن ۾ AI ماهر موجود ناهي.
بين الضابطه تعاون: هي ورڪشاپ طبي شاگردن پاران انجنيئرن سان گڏجي ڪورسز جي منصوبابندي ڪرڻ لاءِ شروع ڪيل هڪ گڏيل منصوبو آهي. هي ٻنهي شعبن ۾ تعاون جي موقعن ۽ ڄاڻ جي کوٽ کي ظاهر ڪري ٿو، شرڪت ڪندڙن کي مستقبل ۾ انهن جي امڪاني ڪردار کي سمجهڻ جي اجازت ڏئي ٿو.
AI بنيادي صلاحيتن جي تعريف ڪريو. صلاحيتن جي فهرست جي وضاحت هڪ معياري ڍانچي فراهم ڪري ٿي جيڪا موجوده قابليت تي ٻڌل طبي نصاب ۾ ضم ٿي سگهي ٿي. هي ورڪشاپ هن وقت بلوم جي ٽيڪسونومي جي سکيا جي مقصد جي سطح 2 (سمجهه)، 3 (اپليڪيشن)، ۽ 4 (تجزيو) استعمال ڪري ٿو. درجه بندي جي اعليٰ سطحن تي وسيلا هجڻ، جهڙوڪ منصوبا ٺاهڻ، علم کي وڌيڪ مضبوط ڪري سگهي ٿو. ان لاءِ ڪلينڪل ماهرن سان ڪم ڪرڻ جي ضرورت آهي ته اهو طئي ڪيو وڃي ته AI موضوعن کي ڪلينڪل ورڪ فلو تي ڪيئن لاڳو ڪري سگهجي ٿو ۽ معياري طبي نصاب ۾ اڳ ۾ ئي شامل ڪيل بار بار موضوعن جي تعليم کي روڪڻ.
AI استعمال ڪندي ڪيس اسٽڊيز ٺاهيو. ڪلينڪل مثالن وانگر، ڪيس تي ٻڌل سکيا ڪلينڪل سوالن سان انهن جي لاڳاپي کي اجاگر ڪندي تجريدي تصورن کي مضبوط ڪري سگهي ٿي. مثال طور، هڪ ورڪشاپ مطالعي ۾ گوگل جي AI تي ٻڌل ذیابيطس ريٽينوپيٿي جي ڳولا واري نظام 13 جو تجزيو ڪيو ويو ته جيئن ليب کان ڪلينڪ تائين رستي ۾ چئلينجن جي سڃاڻپ ڪري سگهجي، جهڙوڪ ٻاهرين تصديق جي گهرج ۽ ريگيوليٽري منظوري جا رستا.
تجرباتي سکيا استعمال ڪريو: ٽيڪنيڪل صلاحيتن لاءِ مرڪوز مشق ۽ مهارت حاصل ڪرڻ لاءِ بار بار استعمال جي ضرورت هوندي آهي، ڪلينڪل ٽريني جي گردش ڪندڙ سکيا جي تجربن وانگر. هڪ امڪاني حل فلپ ٿيل ڪلاس روم ماڊل آهي، جيڪو انجنيئرنگ جي تعليم ۾ علم جي برقرار رکڻ کي بهتر بڻائڻ جي رپورٽ ڪئي وئي آهي14. هن ماڊل ۾، شاگرد نظرياتي مواد جو آزادانه جائزو وٺندا آهن ۽ ڪلاس جو وقت ڪيس اسٽڊيز ذريعي مسئلن کي حل ڪرڻ لاءِ وقف ڪيو ويندو آهي.
گھڻ-شعبي شرڪت ڪندڙن لاءِ اسڪيلنگ: اسان تصور ڪريون ٿا ته AI کي اپنائڻ ۾ ڪيترن ئي شعبن ۾ تعاون شامل آهي، جنهن ۾ طبيب ۽ لاڳاپيل صحت جا ماهر شامل آهن جن ۾ مختلف سطحن جي تربيت شامل آهي. تنهن ڪري، نصاب کي مختلف شعبن جي فيڪلٽي سان صلاح مشوري سان تيار ڪرڻ جي ضرورت پوندي ته جيئن انهن جي مواد کي صحت جي سار سنڀال جي مختلف شعبن مطابق ترتيب ڏئي سگهجي.
مصنوعي ذهانت اعليٰ ٽيڪنالاجي آهي ۽ ان جا بنيادي تصور رياضي ۽ ڪمپيوٽر سائنس سان لاڳاپيل آهن. مصنوعي ذهانت کي سمجهڻ لاءِ صحت جي سار سنڀال جي عملي کي تربيت ڏيڻ مواد جي چونڊ، ڪلينڪل مطابقت، ۽ پهچائڻ جي طريقن ۾ منفرد چئلينج پيش ڪري ٿو. اسان اميد ٿا ڪريون ته تعليم ۾ AI ورڪشاپس مان حاصل ڪيل بصيرت مستقبل جي استادن کي طبي تعليم ۾ AI کي ضم ڪرڻ لاءِ جديد طريقن کي اپنائڻ ۾ مدد ڪندي.
گوگل ڪوليبارٽري پٿون اسڪرپٽ اوپن سورس آهي ۽ هتي موجود آهي: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
پروبر، ڪي جي ۽ خان، ايس. طبي تعليم تي ٻيهر غور: عمل لاءِ هڪ سڏ. اڪاد. دوائون. 88، 1407–1410 (2013).
ميڪ ڪوئي، ايل جي وغيره. طبي شاگردن کي مصنوعي ذهانت بابت اصل ۾ ڇا ڄاڻڻ جي ضرورت آهي؟ اين پي زي ايڇ نمبر. دوائون 3، 1–3 (2020).
ڊاس سينٽوس، ڊي پي، وغيره. طبي شاگردن جو مصنوعي ذهانت جي طرف رويو: هڪ ملٽي سينٽر سروي. يورو. تابڪاري. 29، 1640–1646 (2019).
فين، ڪي وائي، هو، آر.، ۽ سنگلا، آر. طبي شاگردن لاءِ مشين لرننگ جو تعارف: هڪ پائلٽ پروجيڪٽ. جي. ميڊيڪل. ٽيچ. 54، 1042–1043 (2020).
ڪوپرمين اين، وغيره. مٿي جي زخم کان پوءِ ڪلينڪ طور تي اهم دماغي زخم جي تمام گهٽ خطري ۾ ٻارن جي سڃاڻپ: هڪ امڪاني ڪوهورٽ مطالعو. لينسيٽ 374، 1160-1170 (2009).
اسٽريٽ، ڊبليو اين، وولبرگ، ڊبليو ايڇ ۽ منگاسارين، او ايل. سيني جي ٽامي جي تشخيص لاءِ نيوڪليئر فيچر ڪڍڻ. بايو ميڊيڪل سائنس. تصويري پروسيسنگ. بايو ميڊيڪل سائنس. ويس. 1905، 861-870 (1993).
چن، پي ايڇ سي، ليو، وائي ۽ پينگ، ايل. صحت جي سار سنڀال لاءِ مشين لرننگ ماڊل ڪيئن ٺاهجن. نيٽ. ميٽ. 18، 410–414 (2019).
سيلواراجو، آر آر ۽ ٻيا. گريڊ-ڪيم: گريڊينٽ تي ٻڌل لوڪلائيزيشن ذريعي ڊيپ نيٽ ورڪن جي بصري تشريح. ڪمپيوٽر ويزن تي IEEE انٽرنيشنل ڪانفرنس جي ڪارروائي، 618-626 (2017).
ڪماراويل بي، اسٽيورٽ ڪي ۽ ايلڪ ڊي. انڊر گريجوئيٽ ميڊيڪل ايجوڪيشن ۾ OSCE استعمال ڪندي ثبوت تي ٻڌل دوائن جي صلاحيتن جو جائزو وٺڻ لاءِ هڪ سرپل ماڊل جي ترقي ۽ تشخيص. BMK دوائون. سيکاريو. 21، 1-9 (2021).
ڪولاچالاما وي بي ۽ گرگ پي ايس مشين لرننگ ۽ طبي تعليم. اين پي زي ايڇ نمبر. دوائون. 1، 1–3 (2018).
وان ليوين، KG، Schalekamp، S. Rutten، MJ، van Ginneken، B. and de Rooy، M. آرٽيفيشل انٽيليجنس ان ريڊيالاجي: 100 تجارتي پروڊڪٽس ۽ انهن جا سائنسي ثبوت. يورو. تابڪاري. 31، 3797-3804 (2021).
ٽوپول، اي جي اعليٰ ڪارڪردگي واري دوا: انساني ۽ مصنوعي ذهانت جو ميلاپ. نيشنل دوائون. 25، 44-56 (2019).
بيڊ، اي. وغيره. ذیابيطس ريٽينوپيٿي جي ڳولا لاءِ ڪلينڪ ۾ استعمال ٿيندڙ هڪ ڊيپ لرننگ سسٽم جو انساني مرڪز تي ٻڌل جائزو. ڪمپيوٽنگ سسٽم ۾ انساني عنصرن تي 2020 CHI ڪانفرنس جي ڪارروائي (2020).
ڪير، بي. انجنيئرنگ جي تعليم ۾ پلٽ ٿيل ڪلاس روم: هڪ تحقيقي جائزو. 2015 جي بين الاقوامي ڪانفرنس آن انٽرايڪٽو ڪولابوريٽو لرننگ جي ڪارروائي (2015).
ليکڪ برٽش ڪولمبيا يونيورسٽي ۾ بايوميڊيڪل اميجنگ ۽ آرٽيفيشل انٽيليجنس ريسرچ ڪلسٽر مان ڊينيل واڪر، ٽم سالڪوڊين، ۽ پيٽر زينڊسٽرا جو سهڪار ۽ فنڊنگ لاءِ شڪريو ادا ڪن ٿا.
آر ايڇ، پي پي، زي ايڇ، آر ايس ۽ ايم اي ورڪشاپ جي تدريسي مواد کي ترقي ڪرڻ جا ذميوار هئا. آر ايڇ ۽ پي پي پروگرامنگ مثالن کي ترقي ڪرڻ جا ذميوار هئا. ڪي وائي ايف، او وائي، ايم ٽي ۽ پي ڊبليو منصوبي جي لاجسٽڪ تنظيم ۽ ورڪشاپ جي تجزيي جا ذميوار هئا. آر ايڇ، او وائي، ايم ٽي، آر ايس انگ اکر ۽ ٽيبل ٺاهڻ جا ذميوار هئا. آر ايڇ، ڪي وائي ايف، پي پي، زي ايڇ، او وائي، ايم وائي، پي ڊبليو، ٽي ايل، ايم اي، آر ايس دستاويز جي مسودي ۽ تدوين جا ذميوار هئا.
ڪميونيڪيشن ميڊيسن ڪيرولن ميڪ گريگر، فيبيو موريس، ۽ آدتيه بوراڪاتي جو هن ڪم جي جائزي ۾ حصو وٺڻ لاءِ شڪريو ادا ڪري ٿي.