សូមអរគុណសម្រាប់ការចូលមើលគេហទំព័រ Nature.com។ កំណែកម្មវិធីរុករកដែលអ្នកកំពុងប្រើមានការគាំទ្រ CSS មានកំណត់។ ដើម្បីទទួលបានលទ្ធផលល្អបំផុត យើងសូមណែនាំឱ្យប្រើកំណែថ្មីជាងនៃកម្មវិធីរុករករបស់អ្នក (ឬបិទរបៀបឆបគ្នានៅក្នុង Internet Explorer)។ ទន្ទឹមនឹងនេះ ដើម្បីធានាបាននូវការគាំទ្រជាបន្តបន្ទាប់ យើងកំពុងបង្ហាញគេហទំព័រដោយមិនចាំបាច់រចនាបថ ឬ JavaScript។
ការអនុវត្តបញ្ញាសិប្បនិម្មិតគ្លីនិក (AI) កំពុងរីកចម្រើនយ៉ាងឆាប់រហ័ស ប៉ុន្តែកម្មវិធីសិក្សាសាលាវេជ្ជសាស្ត្រដែលមានស្រាប់ផ្តល់ជូនការបង្រៀនមានកំណត់ដែលគ្របដណ្តប់លើវិស័យនេះ។ នៅទីនេះ យើងពិពណ៌នាអំពីវគ្គបណ្តុះបណ្តាលបញ្ញាសិប្បនិម្មិតដែលយើងបានបង្កើត និងផ្តល់ជូនដល់និស្សិតវេជ្ជសាស្ត្រកាណាដា និងធ្វើអនុសាសន៍សម្រាប់ការបណ្តុះបណ្តាលនាពេលអនាគត។
បញ្ញាសិប្បនិម្មិត (AI) ក្នុងវេជ្ជសាស្ត្រអាចបង្កើនប្រសិទ្ធភាពកន្លែងធ្វើការ និងជួយដល់ការសម្រេចចិត្តផ្នែកគ្លីនិក។ ដើម្បីណែនាំការប្រើប្រាស់បញ្ញាសិប្បនិម្មិតដោយសុវត្ថិភាព គ្រូពេទ្យត្រូវតែមានការយល់ដឹងខ្លះៗអំពីបញ្ញាសិប្បនិម្មិត។ មតិយោបល់ជាច្រើនគាំទ្រការបង្រៀនគោលគំនិត AI1 ដូចជាការពន្យល់អំពីគំរូ AI និងដំណើរការផ្ទៀងផ្ទាត់2។ ទោះជាយ៉ាងណាក៏ដោយ មានផែនការដែលមានរចនាសម្ព័ន្ធតិចតួចណាស់ដែលត្រូវបានអនុវត្ត ជាពិសេសនៅថ្នាក់ជាតិ។ Pinto dos Santos et al.3. និស្សិតវេជ្ជសាស្ត្រចំនួន 263 នាក់ត្រូវបានស្ទង់មតិ ហើយ 71% យល់ស្របថាពួកគេត្រូវការការបណ្តុះបណ្តាលផ្នែកបញ្ញាសិប្បនិម្មិត។ ការបង្រៀនបញ្ញាសិប្បនិម្មិតដល់ទស្សនិកជនផ្នែកវេជ្ជសាស្ត្រតម្រូវឱ្យមានការរចនាយ៉ាងប្រុងប្រយ័ត្នដែលរួមបញ្ចូលគ្នានូវគោលគំនិតបច្ចេកទេស និងមិនមែនបច្ចេកទេសសម្រាប់និស្សិតដែលជារឿយៗមានចំណេះដឹងជាមុនយ៉ាងទូលំទូលាយ។ យើងពិពណ៌នាអំពីបទពិសោធន៍របស់យើងក្នុងការផ្តល់សិក្ខាសាលា AI ជាបន្តបន្ទាប់ដល់ក្រុមនិស្សិតវេជ្ជសាស្ត្រចំនួនបីក្រុម និងធ្វើអនុសាសន៍សម្រាប់ការអប់រំផ្នែកវេជ្ជសាស្ត្រនាពេលអនាគតក្នុង AI។
សិក្ខាសាលារយៈពេលប្រាំសប្តាហ៍ស្តីពីការណែនាំអំពីបញ្ញាសិប្បនិម្មិតក្នុងវេជ្ជសាស្ត្រសម្រាប់និស្សិតវេជ្ជសាស្ត្ររបស់យើងត្រូវបានធ្វើឡើងចំនួនបីដងរវាងខែកុម្ភៈ ឆ្នាំ២០១៩ និងខែមេសា ឆ្នាំ២០២១។ កាលវិភាគសម្រាប់សិក្ខាសាលានីមួយៗ ជាមួយនឹងការពិពណ៌នាសង្ខេបអំពីការផ្លាស់ប្តូរវគ្គសិក្សា ត្រូវបានបង្ហាញក្នុងរូបភាពទី ១។ វគ្គសិក្សារបស់យើងមានគោលបំណងសិក្សាចម្បងចំនួនបី៖ សិស្សយល់អំពីរបៀបដែលទិន្នន័យត្រូវបានដំណើរការនៅក្នុងកម្មវិធីបញ្ញាសិប្បនិម្មិត វិភាគឯកសារបញ្ញាសិប្បនិម្មិតសម្រាប់កម្មវិធីគ្លីនិក និងទាញយកអត្ថប្រយោជន៍ពីឱកាសដើម្បីសហការជាមួយវិស្វករដែលកំពុងអភិវឌ្ឍបញ្ញាសិប្បនិម្មិត។
ពណ៌ខៀវគឺជាប្រធានបទនៃការបង្រៀន ហើយពណ៌ខៀវខ្ចីគឺជាវគ្គសំណួរ និងចម្លើយអន្តរកម្ម។ ផ្នែកពណ៌ប្រផេះគឺជាចំណុចសំខាន់នៃការពិនិត្យឡើងវិញនូវអក្សរសិល្ប៍សង្ខេប។ ផ្នែកពណ៌ទឹកក្រូចគឺជាការសិក្សាករណីដែលបានជ្រើសរើសដែលពិពណ៌នាអំពីគំរូ ឬបច្ចេកទេសបញ្ញាសិប្បនិម្មិត។ ពណ៌បៃតងគឺជាវគ្គសិក្សាសរសេរកម្មវិធីដែលមានការណែនាំដែលត្រូវបានរចនាឡើងដើម្បីបង្រៀនបញ្ញាសិប្បនិម្មិតដើម្បីដោះស្រាយបញ្ហាគ្លីនិក និងវាយតម្លៃគំរូ។ ខ្លឹមសារ និងរយៈពេលនៃសិក្ខាសាលាមានភាពខុសគ្នាអាស្រ័យលើការវាយតម្លៃតម្រូវការរបស់សិស្ស។
សិក្ខាសាលាលើកដំបូងត្រូវបានធ្វើឡើងនៅសាកលវិទ្យាល័យ British Columbia ចាប់ពីខែកុម្ភៈដល់ខែមេសា ឆ្នាំ២០១៩ ហើយអ្នកចូលរួមទាំង៨នាក់បានផ្តល់មតិកែលម្អវិជ្ជមាន៤។ ដោយសារតែជំងឺកូវីដ-១៩ សិក្ខាសាលាលើកទីពីរត្រូវបានធ្វើឡើងតាមប្រព័ន្ធអនឡាញនៅក្នុងខែតុលាដល់ខែវិច្ឆិកា ឆ្នាំ២០២០ ដោយមាននិស្សិតវេជ្ជសាស្ត្រចំនួន២២២នាក់ និងអ្នកស្នាក់នៅចំនួន៣នាក់មកពីសាលាវេជ្ជសាស្ត្រកាណាដាចំនួន៨នាក់បានចុះឈ្មោះ។ ស្លាយបទបង្ហាញ និងកូដត្រូវបានផ្ទុកឡើងទៅគេហទំព័របើកចំហមួយ (http://ubcaimed.github.io)។ មតិកែលម្អសំខាន់ៗពីការធ្វើម្តងទៀតលើកដំបូងគឺថា ការបង្រៀនមានភាពខ្លាំងក្លាពេក ហើយសម្ភារៈមានលក្ខណៈទ្រឹស្តីពេក។ ការបម្រើតំបន់ពេលវេលាចំនួនប្រាំមួយផ្សេងគ្នារបស់ប្រទេសកាណាដាបង្កបញ្ហាប្រឈមបន្ថែម។ ដូច្នេះ សិក្ខាសាលាលើកទីពីរបានកាត់បន្ថយវគ្គនីមួយៗមកត្រឹម១ម៉ោង ធ្វើឱ្យសម្ភារៈវគ្គសិក្សាសាមញ្ញ បានបន្ថែមករណីសិក្សាបន្ថែមទៀត និងបង្កើតកម្មវិធី boilerplate ដែលអនុញ្ញាតឱ្យអ្នកចូលរួមបំពេញ snippets កូដជាមួយនឹងការបំបាត់កំហុសតិចតួចបំផុត (ប្រអប់ទី១)។ មតិកែលម្អសំខាន់ៗពីការធ្វើម្តងទៀតលើកទីពីររួមមាន មតិកែលម្អវិជ្ជមានលើលំហាត់សរសេរកម្មវិធី និងសំណើសុំបង្ហាញផែនការសម្រាប់គម្រោងរៀនម៉ាស៊ីន។ ដូច្នេះ នៅក្នុងសិក្ខាសាលាលើកទីបីរបស់យើង ដែលបានធ្វើឡើងតាមអ៊ីនធឺណិតសម្រាប់និស្សិតវេជ្ជសាស្ត្រចំនួន ១២៦ នាក់ ក្នុងខែមីនាដល់ខែមេសា ឆ្នាំ ២០២១ យើងបានរួមបញ្ចូលលំហាត់សរសេរកូដអន្តរកម្មបន្ថែមទៀត និងវគ្គផ្តល់មតិកែលម្អគម្រោង ដើម្បីបង្ហាញពីផលប៉ះពាល់នៃការប្រើប្រាស់គោលគំនិតសិក្ខាសាលាលើគម្រោង។
ការវិភាគទិន្នន័យ៖ គឺជាវិស័យសិក្សាមួយក្នុងស្ថិតិ ដែលកំណត់អត្តសញ្ញាណគំរូដែលមានអត្ថន័យនៅក្នុងទិន្នន័យដោយការវិភាគ ដំណើរការ និងការទំនាក់ទំនងគំរូទិន្នន័យ។
ការជីកយករ៉ែទិន្នន័យ៖ ដំណើរការនៃការកំណត់អត្តសញ្ញាណ និងការទាញយកទិន្នន័យ។ នៅក្នុងបរិបទនៃបញ្ញាសិប្បនិម្មិត នេះច្រើនតែមានទំហំធំ ដែលមានអថេរច្រើនសម្រាប់គំរូនីមួយៗ។
ការកាត់បន្ថយវិមាត្រ៖ ដំណើរការនៃការបំលែងទិន្នន័យដែលមានលក្ខណៈពិសេសនីមួយៗជាច្រើនទៅជាលក្ខណៈពិសេសតិចជាងមុន ខណៈពេលដែលរក្សាលក្ខណៈសម្បត្តិសំខាន់ៗនៃសំណុំទិន្នន័យដើម។
លក្ខណៈ (នៅក្នុងបរិបទនៃបញ្ញាសិប្បនិម្មិត)៖ លក្ខណៈសម្បត្តិដែលអាចវាស់វែងបាននៃគំរូមួយ។ ជារឿយៗត្រូវបានប្រើជំនួសគ្នាជាមួយ "លក្ខណៈសម្បត្តិ" ឬ "អថេរ"។
ផែនទីធ្វើឱ្យសកម្មជម្រាល៖ បច្ចេកទេសមួយដែលប្រើដើម្បីបកស្រាយគំរូបញ្ញាសិប្បនិម្មិត (ជាពិសេសបណ្តាញសរសៃប្រសាទ convolutional) ដែលវិភាគដំណើរការនៃការធ្វើឱ្យផ្នែកចុងក្រោយនៃបណ្តាញប្រសើរឡើង ដើម្បីកំណត់តំបន់នៃទិន្នន័យ ឬរូបភាពដែលអាចទស្សន៍ទាយបានខ្ពស់។
ម៉ូដែលស្តង់ដារ៖ ម៉ូដែល AI ដែលមានស្រាប់ ដែលត្រូវបានបណ្តុះបណ្តាលជាមុនដើម្បីអនុវត្តភារកិច្ចស្រដៀងគ្នា។
ការធ្វើតេស្ត (ក្នុងបរិបទនៃបញ្ញាសិប្បនិម្មិត)៖ ការសង្កេតពីរបៀបដែលគំរូមួយអនុវត្តភារកិច្ចដោយប្រើទិន្នន័យដែលវាមិនធ្លាប់ជួបប្រទះពីមុនមក។
ការបណ្តុះបណ្តាល (ក្នុងបរិបទនៃបញ្ញាសិប្បនិម្មិត)៖ ការផ្តល់គំរូដែលមានទិន្នន័យ និងលទ្ធផល ដើម្បីឱ្យគំរូកែសម្រួលប៉ារ៉ាម៉ែត្រខាងក្នុងរបស់វា ដើម្បីបង្កើនប្រសិទ្ធភាពសមត្ថភាពរបស់វាក្នុងការអនុវត្តភារកិច្ចដោយប្រើប្រាស់ទិន្នន័យថ្មី។
វ៉ិចទ័រ៖ អារេទិន្នន័យ។ នៅក្នុងការរៀនម៉ាស៊ីន ធាតុអារេនីមួយៗជាធម្មតាគឺជាលក្ខណៈពិសេសតែមួយគត់នៃគំរូ។
តារាងទី 1 រាយបញ្ជីវគ្គសិក្សាចុងក្រោយបំផុតសម្រាប់ខែមេសា ឆ្នាំ 2021 រួមទាំងគោលបំណងសិក្សាដែលមានគោលដៅសម្រាប់ប្រធានបទនីមួយៗ។ សិក្ខាសាលានេះគឺសម្រាប់អ្នកដែលទើបចាប់ផ្តើមកម្រិតបច្ចេកទេស ហើយមិនតម្រូវឱ្យមានចំណេះដឹងគណិតវិទ្យាលើសពីឆ្នាំដំបូងនៃសញ្ញាបត្របរិញ្ញាបត្រវេជ្ជសាស្ត្រទេ។ វគ្គសិក្សានេះត្រូវបានបង្កើតឡើងដោយនិស្សិតវេជ្ជសាស្ត្រចំនួន 6 នាក់ និងគ្រូចំនួន 3 នាក់ដែលមានសញ្ញាបត្រកម្រិតខ្ពស់ផ្នែកវិស្វកម្ម។ វិស្វករកំពុងអភិវឌ្ឍទ្រឹស្តីបញ្ញាសិប្បនិម្មិតដើម្បីបង្រៀន ហើយនិស្សិតវេជ្ជសាស្ត្រកំពុងរៀនសម្ភារៈដែលពាក់ព័ន្ធនឹងគ្លីនិក។
សិក្ខាសាលារួមមានការបង្រៀន ការសិក្សាករណី និងការសរសេរកម្មវិធីដែលមានការណែនាំ។ នៅក្នុងការបង្រៀនលើកដំបូង យើងពិនិត្យឡើងវិញនូវគោលគំនិតដែលបានជ្រើសរើសនៃការវិភាគទិន្នន័យនៅក្នុងជីវស្ថិតិ រួមទាំងការមើលឃើញទិន្នន័យ ការវិភាគតំរែតំរង់ឡូជីស្ទីក និងការប្រៀបធៀបស្ថិតិពិពណ៌នា និងស្ថិតិអាំងឌុចស្យុង។ ទោះបីជាការវិភាគទិន្នន័យគឺជាមូលដ្ឋានគ្រឹះនៃបញ្ញាសិប្បនិម្មិតក៏ដោយ យើងមិនរាប់បញ្ចូលប្រធានបទដូចជាការជីកយករ៉ែទិន្នន័យ ការធ្វើតេស្តសារៈសំខាន់ ឬការមើលឃើញអន្តរកម្ម។ នេះគឺដោយសារតែការរឹតបន្តឹងពេលវេលា ហើយក៏ដោយសារតែនិស្សិតថ្នាក់បរិញ្ញាបត្រមួយចំនួនមានការបណ្តុះបណ្តាលជាមុនលើជីវស្ថិតិ ហើយចង់គ្របដណ្តប់លើប្រធានបទរៀនម៉ាស៊ីនដែលមានលក្ខណៈពិសេសជាងនេះ។ ការបង្រៀនជាបន្តបន្ទាប់ណែនាំវិធីសាស្រ្តទំនើបៗ និងពិភាក្សាអំពីការបង្កើតបញ្ហា AI គុណសម្បត្តិ និងដែនកំណត់នៃគំរូ AI និងការធ្វើតេស្តគំរូ។ ការបង្រៀនត្រូវបានបំពេញបន្ថែមដោយអក្សរសិល្ប៍ និងការស្រាវជ្រាវជាក់ស្តែងលើឧបករណ៍បញ្ញាសិប្បនិម្មិតដែលមានស្រាប់។ យើងសង្កត់ធ្ងន់លើជំនាញដែលត្រូវការដើម្បីវាយតម្លៃប្រសិទ្ធភាព និងលទ្ធភាពនៃគំរូដើម្បីដោះស្រាយសំណួរគ្លីនិក រួមទាំងការយល់ដឹងអំពីដែនកំណត់នៃឧបករណ៍បញ្ញាសិប្បនិម្មិតដែលមានស្រាប់។ ឧទាហរណ៍ យើងបានសុំឱ្យសិស្សបកស្រាយគោលការណ៍ណែនាំអំពីរបួសក្បាលកុមារដែលស្នើឡើងដោយ Kupperman et al., 5 ដែលបានអនុវត្តក្បួនដោះស្រាយដើមឈើសម្រេចចិត្តបញ្ញាសិប្បនិម្មិត ដើម្បីកំណត់ថាតើការស្កេន CT នឹងមានប្រយោជន៍ដោយផ្អែកលើការពិនិត្យរបស់គ្រូពេទ្យឬអត់។ យើងសង្កត់ធ្ងន់ថានេះគឺជាឧទាហរណ៍ទូទៅនៃ AI ដែលផ្តល់ការវិភាគព្យាករណ៍សម្រាប់គ្រូពេទ្យដើម្បីបកស្រាយ ជាជាងការជំនួសគ្រូពេទ្យ។
នៅក្នុងឧទាហរណ៍សរសេរកម្មវិធី bootstrap ប្រភពបើកចំហដែលមាន (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) យើងបង្ហាញពីរបៀបអនុវត្តការវិភាគទិន្នន័យស្វែងយល់ ការកាត់បន្ថយវិមាត្រ ការផ្ទុកគំរូស្តង់ដារ និងការបណ្តុះបណ្តាល និងការធ្វើតេស្ត។ យើងប្រើសៀវភៅកត់ត្រា Google Colaboratory (Google LLC, Mountain View, CA) ដែលអនុញ្ញាតឱ្យកូដ Python ត្រូវបានប្រតិបត្តិពីកម្មវិធីរុករកតាមអ៊ីនធឺណិត។ នៅក្នុងរូបភាពទី 2 ផ្តល់នូវឧទាហរណ៍នៃលំហាត់សរសេរកម្មវិធី។ លំហាត់នេះពាក់ព័ន្ធនឹងការទស្សន៍ទាយជំងឺមហារីកដោយប្រើ Wisconsin Open Breast Imaging Dataset6 និងក្បួនដោះស្រាយដើមឈើសម្រេចចិត្ត។
ធ្វើបទបង្ហាញកម្មវិធីពេញមួយសប្តាហ៍លើប្រធានបទពាក់ព័ន្ធ និងជ្រើសរើសឧទាហរណ៍ពីកម្មវិធី AI ដែលបានបោះពុម្ពផ្សាយ។ ធាតុផ្សំនៃការសរសេរកម្មវិធីត្រូវបានរួមបញ្ចូលលុះត្រាតែវាត្រូវបានចាត់ទុកថាពាក់ព័ន្ធនឹងការផ្តល់នូវការយល់ដឹងអំពីការអនុវត្តគ្លីនិកនាពេលអនាគត ដូចជារបៀបវាយតម្លៃគំរូដើម្បីកំណត់ថាតើពួកវារួចរាល់សម្រាប់ប្រើប្រាស់ក្នុងការសាកល្បងគ្លីនិកឬអត់។ ឧទាហរណ៍ទាំងនេះបញ្ចប់ដោយកម្មវិធីពេញលេញដែលចាត់ថ្នាក់ដុំសាច់ថាស្លូត ឬសាហាវដោយផ្អែកលើប៉ារ៉ាម៉ែត្ររូបភាពវេជ្ជសាស្ត្រ។
ភាពមិនដូចគ្នានៃចំណេះដឹងពីមុន។ អ្នកចូលរួមរបស់យើងមានកម្រិតចំណេះដឹងគណិតវិទ្យាខុសៗគ្នា។ ឧទាហរណ៍ សិស្សដែលមានប្រវត្តិវិស្វកម្មកម្រិតខ្ពស់កំពុងស្វែងរកសម្ភារៈស៊ីជម្រៅបន្ថែមទៀត ដូចជារបៀបអនុវត្តការបំលែងហ្វូរៀរបស់ពួកគេ។ ទោះជាយ៉ាងណាក៏ដោយ ការពិភាក្សាអំពីក្បួនដោះស្រាយហ្វូរៀនៅក្នុងថ្នាក់គឺមិនអាចទៅរួចទេ ព្រោះវាតម្រូវឱ្យមានចំណេះដឹងស៊ីជម្រៅអំពីដំណើរការសញ្ញា។
ការចេញវត្តមាន។ ការចូលរួមក្នុងកិច្ចប្រជុំតាមដានបានធ្លាក់ចុះ ជាពិសេសក្នុងទម្រង់អនឡាញ។ ដំណោះស្រាយមួយអាចជាការតាមដានវត្តមាន និងផ្តល់វិញ្ញាបនបត្របញ្ចប់ការសិក្សា។ សាលាវេជ្ជសាស្ត្រត្រូវបានគេស្គាល់ថាទទួលស្គាល់កំណត់ត្រាសកម្មភាពសិក្សាក្រៅម៉ោងរបស់សិស្ស ដែលអាចលើកទឹកចិត្តសិស្សឲ្យបន្តការសិក្សាថ្នាក់បរិញ្ញាបត្រ។
ការរចនាវគ្គសិក្សា៖ ដោយសារតែ AI គ្របដណ្តប់លើវិស័យរងជាច្រើន ការជ្រើសរើសគោលគំនិតស្នូលដែលមានជម្រៅ និងទទឹងសមស្របអាចជាបញ្ហាប្រឈម។ ឧទាហរណ៍ ការបន្តប្រើប្រាស់ឧបករណ៍ AI ពីមន្ទីរពិសោធន៍រហូតដល់គ្លីនិកគឺជាប្រធានបទសំខាន់មួយ។ ខណៈពេលដែលយើងគ្របដណ្តប់លើការដំណើរការទិន្នន័យជាមុន ការកសាងគំរូ និងការផ្ទៀងផ្ទាត់ យើងមិនរាប់បញ្ចូលប្រធានបទដូចជាការវិភាគទិន្នន័យធំ ការមើលឃើញអន្តរកម្ម ឬធ្វើការសាកល្បងគ្លីនិក AI ទេ ផ្ទុយទៅវិញយើងផ្តោតលើគោលគំនិត AI តែមួយគត់។ គោលការណ៍ណែនាំរបស់យើងគឺដើម្បីកែលម្អអក្ខរកម្ម មិនមែនជំនាញទេ។ ឧទាហរណ៍ ការយល់ដឹងពីរបៀបដែលគំរូដំណើរការលក្ខណៈពិសេសនៃការបញ្ចូលគឺមានសារៈសំខាន់សម្រាប់ការបកស្រាយ។ វិធីមួយដើម្បីធ្វើដូចនេះគឺប្រើផែនទីធ្វើឱ្យសកម្មជម្រាល ដែលអាចមើលឃើញថាតំបន់ណានៃទិន្នន័យអាចទស្សន៍ទាយបាន។ ទោះជាយ៉ាងណាក៏ដោយ នេះតម្រូវឱ្យមានការគណនាពហុអថេរ ហើយមិនអាចណែនាំបានទេ។ ការអភិវឌ្ឍពាក្យបច្ចេកទេសទូទៅគឺជាបញ្ហាប្រឈម ពីព្រោះយើងកំពុងព្យាយាមពន្យល់ពីរបៀបធ្វើការជាមួយទិន្នន័យជាវ៉ិចទ័រដោយគ្មានទម្រង់គណិតវិទ្យា។ ចំណាំថាពាក្យផ្សេងៗគ្នាមានអត្ថន័យដូចគ្នា ឧទាហរណ៍ នៅក្នុងរោគរាតត្បាត “លក្ខណៈ” ត្រូវបានពិពណ៌នាថាជា “អថេរ” ឬ “គុណលក្ខណៈ”។
ការរក្សាចំណេះដឹង។ ដោយសារតែការអនុវត្ត AI មានកម្រិត វិសាលភាពដែលអ្នកចូលរួមក្នុងការរក្សាចំណេះដឹងនៅតែមិនទាន់ដឹងនៅឡើយ។ កម្មវិធីសិក្សានៅសាលាវេជ្ជសាស្ត្រច្រើនតែពឹងផ្អែកលើការធ្វើម្តងទៀតដែលមានចន្លោះពេលដើម្បីពង្រឹងចំណេះដឹងក្នុងអំឡុងពេលវេនជាក់ស្តែង9 ដែលក៏អាចត្រូវបានអនុវត្តចំពោះការអប់រំ AI ផងដែរ។
វិជ្ជាជីវៈគឺសំខាន់ជាងអក្ខរកម្ម។ ជម្រៅនៃសម្ភារៈត្រូវបានរចនាឡើងដោយគ្មានភាពម៉ត់ចត់ខាងគណិតវិទ្យា ដែលជាបញ្ហានៅពេលចាប់ផ្តើមវគ្គសិក្សាគ្លីនិកក្នុងវិស័យបញ្ញាសិប្បនិម្មិត។ នៅក្នុងឧទាហរណ៍នៃការសរសេរកម្មវិធី យើងប្រើកម្មវិធីគំរូដែលអនុញ្ញាតឱ្យអ្នកចូលរួមបំពេញវាល និងដំណើរការកម្មវិធីដោយមិនចាំបាច់រកវិធីរៀបចំបរិយាកាសសរសេរកម្មវិធីពេញលេញនោះទេ។
កង្វល់អំពីបញ្ញាសិប្បនិម្មិតត្រូវបានដោះស្រាយ៖ មានការព្រួយបារម្ភយ៉ាងទូលំទូលាយថា បញ្ញាសិប្បនិម្មិតអាចជំនួសភារកិច្ចគ្លីនិកមួយចំនួន។ ដើម្បីដោះស្រាយបញ្ហានេះ យើងពន្យល់ពីដែនកំណត់នៃ AI រួមទាំងការពិតដែលថាបច្ចេកវិទ្យា AI ស្ទើរតែទាំងអស់ដែលត្រូវបានអនុម័តដោយអ្នកកំណត់តម្រូវឱ្យមានការត្រួតពិនិត្យពីគ្រូពេទ្យ11។ យើងក៏សង្កត់ធ្ងន់លើសារៈសំខាន់នៃភាពលំអៀងផងដែរ ពីព្រោះក្បួនដោះស្រាយងាយនឹងមានភាពលំអៀង ជាពិសេសប្រសិនបើសំណុំទិន្នន័យមិនចម្រុះ12។ ជាលទ្ធផល ក្រុមរងជាក់លាក់មួយអាចត្រូវបានធ្វើគំរូមិនត្រឹមត្រូវ ដែលនាំឱ្យមានការសម្រេចចិត្តគ្លីនិកអយុត្តិធម៌។
ធនធានអាចរកបានជាសាធារណៈ៖ យើងបានបង្កើតធនធានដែលអាចរកបានជាសាធារណៈ រួមទាំងស្លាយបង្រៀន និងកូដ។ ទោះបីជាការចូលប្រើខ្លឹមសារសមកាលកម្មមានកម្រិតដោយសារតែតំបន់ពេលវេលាក៏ដោយ ខ្លឹមសារប្រភពបើកចំហគឺជាវិធីសាស្ត្រងាយស្រួលសម្រាប់ការរៀនសូត្រអសមកាលកម្ម ដោយសារជំនាញ AI មិនមាននៅគ្រប់សាលាវេជ្ជសាស្ត្រទាំងអស់។
កិច្ចសហការអន្តរវិញ្ញាសា៖ សិក្ខាសាលានេះគឺជាកិច្ចសហការរួមគ្នាដែលផ្តួចផ្តើមឡើងដោយនិស្សិតវេជ្ជសាស្ត្រ ដើម្បីរៀបចំផែនការវគ្គសិក្សារួមគ្នាជាមួយវិស្វករ។ នេះបង្ហាញពីឱកាសសហការ និងគម្លាតចំណេះដឹងនៅក្នុងវិស័យទាំងពីរ ដែលអនុញ្ញាតឱ្យអ្នកចូលរួមយល់ពីតួនាទីដ៏មានសក្តានុពលដែលពួកគេអាចចូលរួមចំណែកនាពេលអនាគត។
កំណត់សមត្ថភាពស្នូលនៃ AI។ ការកំណត់បញ្ជីសមត្ថភាពផ្តល់នូវរចនាសម្ព័ន្ធស្តង់ដារដែលអាចបញ្ចូលទៅក្នុងកម្មវិធីសិក្សាវេជ្ជសាស្ត្រដែលមានស្រាប់ដោយផ្អែកលើសមត្ថភាព។ សិក្ខាសាលានេះបច្ចុប្បន្នប្រើប្រាស់កម្រិតគោលបំណងសិក្សា 2 (ការយល់ដឹង) 3 (ការអនុវត្ត) និង 4 (ការវិភាគ) នៃចំណាត់ថ្នាក់របស់ Bloom។ ការមានធនធាននៅកម្រិតខ្ពស់នៃការចាត់ថ្នាក់ ដូចជាការបង្កើតគម្រោង អាចពង្រឹងចំណេះដឹងបន្ថែមទៀត។ នេះតម្រូវឱ្យធ្វើការជាមួយអ្នកជំនាញគ្លីនិកដើម្បីកំណត់ពីរបៀបដែលប្រធានបទ AI អាចត្រូវបានអនុវត្តចំពោះលំហូរការងារគ្លីនិក និងការពារការបង្រៀនប្រធានបទដដែលៗដែលបានរួមបញ្ចូលរួចហើយនៅក្នុងកម្មវិធីសិក្សាវេជ្ជសាស្ត្រស្តង់ដារ។
បង្កើតការសិក្សាករណីដោយប្រើ AI។ ស្រដៀងគ្នាទៅនឹងឧទាហរណ៍គ្លីនិក ការរៀនសូត្រផ្អែកលើករណីអាចពង្រឹងគោលគំនិតអរូបីដោយបន្លិចពីភាពពាក់ព័ន្ធរបស់ពួកគេចំពោះសំណួរគ្លីនិក។ ឧទាហរណ៍ ការសិក្សាសិក្ខាសាលាមួយបានវិភាគប្រព័ន្ធរកឃើញជំងឺភ្នែកទឹកនោមផ្អែមដែលមានមូលដ្ឋានលើ AI របស់ Google 13 ដើម្បីកំណត់បញ្ហាប្រឈមតាមបណ្តោយផ្លូវពីមន្ទីរពិសោធន៍ទៅគ្លីនិក ដូចជាតម្រូវការសុពលភាពខាងក្រៅ និងផ្លូវអនុម័តបទប្បញ្ញត្តិ។
ប្រើប្រាស់ការរៀនសូត្រពីបទពិសោធន៍៖ ជំនាញបច្ចេកទេសតម្រូវឱ្យមានការអនុវត្តដែលផ្តោតអារម្មណ៍ និងការអនុវត្តម្តងហើយម្តងទៀតដើម្បីស្ទាត់ជំនាញ ស្រដៀងគ្នាទៅនឹងបទពិសោធន៍រៀនសូត្របង្វិលរបស់អ្នកហ្វឹកហាត់គ្លីនិក។ ដំណោះស្រាយដែលអាចធ្វើទៅបានមួយគឺគំរូថ្នាក់រៀនត្រឡប់ ដែលត្រូវបានរាយការណ៍ថាធ្វើអោយប្រសើរឡើងនូវការរក្សាចំណេះដឹងក្នុងការអប់រំវិស្វកម្ម14។ នៅក្នុងគំរូនេះ សិស្សពិនិត្យឡើងវិញនូវសម្ភារៈទ្រឹស្តីដោយឯករាជ្យ ហើយពេលវេលាថ្នាក់រៀនត្រូវបានឧទ្ទិសដល់ការដោះស្រាយបញ្ហាតាមរយៈការសិក្សាករណី។
ការធ្វើមាត្រដ្ឋានសម្រាប់អ្នកចូលរួមពហុជំនាញ៖ យើងស្រមៃមើលការទទួលយក AI ដែលពាក់ព័ន្ធនឹងកិច្ចសហការលើមុខវិជ្ជាជាច្រើន រួមទាំងគ្រូពេទ្យ និងអ្នកជំនាញសុខភាពសម្ព័ន្ធមិត្តដែលមានកម្រិតបណ្តុះបណ្តាលខុសៗគ្នា។ ដូច្នេះ កម្មវិធីសិក្សាអាចត្រូវការអភិវឌ្ឍដោយពិគ្រោះយោបល់ជាមួយសាស្ត្រាចារ្យមកពីនាយកដ្ឋានផ្សេងៗគ្នា ដើម្បីកែសម្រួលខ្លឹមសាររបស់ពួកគេទៅតាមវិស័យផ្សេងៗគ្នានៃការថែទាំសុខភាព។
បញ្ញាសិប្បនិម្មិតគឺជាបច្ចេកវិទ្យាខ្ពស់ ហើយគោលគំនិតស្នូលរបស់វាទាក់ទងនឹងគណិតវិទ្យា និងវិទ្យាសាស្ត្រកុំព្យូទ័រ។ ការបណ្តុះបណ្តាលបុគ្គលិកថែទាំសុខភាពឱ្យយល់អំពីបញ្ញាសិប្បនិម្មិតបង្ហាញពីបញ្ហាប្រឈមពិសេសៗក្នុងការជ្រើសរើសខ្លឹមសារ ភាពពាក់ព័ន្ធផ្នែកគ្លីនិក និងវិធីសាស្ត្រចែកចាយ។ យើងសង្ឃឹមថា ការយល់ដឹងដែលទទួលបានពីសិក្ខាសាលា AI ក្នុងការអប់រំនឹងជួយអ្នកអប់រំនាពេលអនាគតឱ្យទទួលយកវិធីច្នៃប្រឌិតក្នុងការរួមបញ្ចូល AI ទៅក្នុងការអប់រំផ្នែកវេជ្ជសាស្ត្រ។
ស្គ្រីប Python របស់ Google Colaboratory គឺជាប្រភពបើកចំហ ហើយអាចរកបាននៅ៖ https://github.com/ubcaimed/ubcaimed.github.io/tree/master/។
Prober, KG និង Khan, S. ការគិតឡើងវិញអំពីការអប់រំផ្នែកវេជ្ជសាស្ត្រ៖ ការអំពាវនាវឱ្យមានសកម្មភាព។ Akkad. វេជ្ជសាស្ត្រ. 88, 1407–1410 (2013)។
McCoy, LG ជាដើម។ តើនិស្សិតវេជ្ជសាស្ត្រពិតជាត្រូវដឹងអ្វីខ្លះអំពីបញ្ញាសិប្បនិម្មិត? លេខ NPZh។ វេជ្ជសាស្ត្រ 3, 1–3 (2020)។
ដូស សាន់តូស, ឌីភី, និងអ្នកដទៃទៀត។ អាកប្បកិរិយារបស់និស្សិតវេជ្ជសាស្ត្រចំពោះបញ្ញាសិប្បនិម្មិត៖ ការស្ទង់មតិពហុមជ្ឈមណ្ឌល។ អឺរ៉ូ។ វិទ្យុសកម្ម។ 29, 1640–1646 (2019)។
Fan, KY, Hu, R., និង Singla, R. សេចក្តីផ្តើមអំពីការរៀនម៉ាស៊ីនសម្រាប់និស្សិតវេជ្ជសាស្ត្រ៖ គម្រោងសាកល្បង។ J. Med. teach. 54, 1042–1043 (2020)។
Cooperman N, et al. ការកំណត់អត្តសញ្ញាណកុមារដែលមានហានិភ័យទាបបំផុតនៃរបួសខួរក្បាលដែលមានសារៈសំខាន់ខាងគ្លីនិកបន្ទាប់ពីរបួសក្បាល៖ ការសិក្សាក្រុមអ្នកជំងឺដែលមានសក្តានុពល។ Lancet 374, 1160–1170 (2009)។
Street, WN, Wolberg, WH និង Mangasarian, OL។ ការស្រង់ចេញលក្ខណៈពិសេសនុយក្លេអ៊ែរសម្រាប់ការធ្វើរោគវិនិច្ឆ័យដុំសាច់សុដន់។ វិទ្យាសាស្ត្រជីវវេជ្ជសាស្ត្រ។ ដំណើរការរូបភាព។ វិទ្យាសាស្ត្រជីវវេជ្ជសាស្ត្រ។ Weiss. 1905, 861–870 (1993)។
Chen, PHC, Liu, Y. និង Peng, L. របៀបអភិវឌ្ឍគំរូរៀនម៉ាស៊ីនសម្រាប់ការថែទាំសុខភាព។ Nat. Matt. 18, 410–414 (2019)។
Selvaraju, RR និងអ្នកដទៃទៀត។ Grad-cam៖ ការបកស្រាយដែលមើលឃើញនៃបណ្តាញជ្រៅតាមរយៈមូលដ្ឋានីយកម្មផ្អែកលើជម្រាល។ សន្និសីទអន្តរជាតិ IEEE ស្តីពីចក្ខុវិស័យកុំព្យូទ័រ ទំព័រ 618–626 (2017)។
Kumaravel B, Stewart K និង Ilic D. ការអភិវឌ្ឍ និងការវាយតម្លៃគំរូវង់សម្រាប់វាយតម្លៃសមត្ថភាពវេជ្ជសាស្ត្រដែលមានមូលដ្ឋានលើភស្តុតាងដោយប្រើប្រាស់ OSCE ក្នុងការអប់រំវេជ្ជសាស្ត្រថ្នាក់បរិញ្ញាបត្រ។ BMK Medicine. teach. 21, 1–9 (2021)។
Kolachalama VB និង Garg PS ការរៀនម៉ាស៊ីន និងការអប់រំផ្នែកវេជ្ជសាស្ត្រ។ លេខ NPZh។ វេជ្ជសាស្ត្រ។ 1, 1–3 (2018)។
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. and de Rooy, M. Artificial intelligence in radiology: 100 ផលិតផលពាណិជ្ជកម្ម និងភស្តុតាងវិទ្យាសាស្រ្តរបស់ពួកគេ។ អឺរ៉ូ។ វិទ្យុសកម្ម។ ៣១, ៣៧៩៧–៣៨០៤ (២០២១)។
Topol, EJ វេជ្ជសាស្ត្រដែលមានប្រសិទ្ធភាពខ្ពស់៖ ការរួមបញ្ចូលគ្នានៃបញ្ញាមនុស្ស និងបញ្ញាសិប្បនិម្មិត។ វេជ្ជសាស្ត្រធម្មជាតិ។ ២៥, ៤៤–៥៦ (២០១៩)។
Bede, E. et al. ការវាយតម្លៃផ្តោតលើមនុស្សនៃប្រព័ន្ធសិក្សាស៊ីជម្រៅដែលដាក់ពង្រាយនៅក្នុងគ្លីនិកសម្រាប់ការរកឃើញជំងឺភ្នែកឡើងបាយដោយជំងឺទឹកនោមផ្អែម។ សេចក្តីសង្ខេបនៃសន្និសីទ CHI ឆ្នាំ 2020 ស្តីពីកត្តាមនុស្សក្នុងប្រព័ន្ធកុំព្យូទ័រ (2020)។
Kerr, B. ថ្នាក់រៀនបែបត្រឡប់ក្នុងការអប់រំវិស្វកម្ម៖ ការពិនិត្យឡើងវិញនៃការស្រាវជ្រាវ។ សន្និសីទអន្តរជាតិឆ្នាំ 2015 ស្តីពីការរៀនសូត្រសហការបែបអន្តរកម្ម (2015)។
អ្នកនិពន្ធសូមថ្លែងអំណរគុណដល់ Danielle Walker, Tim Salcudin និង Peter Zandstra មកពីក្រុមស្រាវជ្រាវរូបភាពជីវវេជ្ជសាស្ត្រ និងបញ្ញាសិប្បនិម្មិតនៅសាកលវិទ្យាល័យ British Columbia សម្រាប់ការគាំទ្រ និងថវិកា។
មជ្ឈមណ្ឌលបណ្តុះបណ្តាលវិជ្ជាជីវៈ RH, PP, ZH, RS និង MA ទទួលខុសត្រូវក្នុងការបង្កើតខ្លឹមសារបង្រៀនសិក្ខាសាលា។ មជ្ឈមណ្ឌលបណ្តុះបណ្តាលវិជ្ជាជីវៈ RH និង PP ទទួលខុសត្រូវក្នុងការបង្កើតឧទាហរណ៍សរសេរកម្មវិធី។ មជ្ឈមណ្ឌលបណ្តុះបណ្តាលវិជ្ជាជីវៈ KYF, OY, MT និង PW ទទួលខុសត្រូវលើការរៀបចំផ្នែកភស្តុភារនៃគម្រោង និងការវិភាគសិក្ខាសាលា។ មជ្ឈមណ្ឌលបណ្តុះបណ្តាលវិជ្ជាជីវៈ RH, OY, MT, RS ទទួលខុសត្រូវក្នុងការបង្កើតតួលេខ និងតារាង។ មជ្ឈមណ្ឌលបណ្តុះបណ្តាលវិជ្ជាជីវៈ RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ទទួលខុសត្រូវក្នុងការរៀបចំសេចក្តីព្រាង និងកែសម្រួលឯកសារ។
វេជ្ជសាស្ត្រទំនាក់ទំនងសូមថ្លែងអំណរគុណដល់ Carolyn McGregor, Fabio Moraes និង Aditya Borakati ចំពោះការចូលរួមចំណែករបស់ពួកគេចំពោះការពិនិត្យឡើងវិញនូវការងារនេះ។
ពេលវេលាបង្ហោះ៖ ថ្ងៃទី ១៩ ខែកុម្ភៈ ឆ្នាំ ២០២៤