ទស្សនៈរបស់កាណាដាលើការបង្រៀនបញ្ញាសិប្បនិម្មិតដល់និស្សិតពេទ្យ

សូមអរគុណសម្រាប់ការទស្សនា Nature.com ។កំណែរបស់កម្មវិធីរុករកតាមអ៊ីនធឺណិតដែលអ្នកកំពុងប្រើមានកម្រិតគាំទ្រ CSS ។ដើម្បីទទួលបានលទ្ធផលល្អបំផុត យើងសូមណែនាំឱ្យប្រើកំណែថ្មីនៃកម្មវិធីរុករកតាមអ៊ីនធឺណិតរបស់អ្នក (ឬបិទរបៀបភាពឆបគ្នានៅក្នុង Internet Explorer)។ក្នុងពេលនេះ ដើម្បីធានាបាននូវការគាំទ្រជាបន្ត យើងកំពុងបង្ហាញគេហទំព័រដោយមិនប្រើរចនាប័ទ្ម ឬ JavaScript។
កម្មវិធីនៃបញ្ញាសិប្បនិមិត្ត (AI) កំពុងរីកចម្រើនយ៉ាងឆាប់រហ័ស ប៉ុន្តែកម្មវិធីសិក្សារបស់សាលាវេជ្ជសាស្ត្រដែលមានស្រាប់ផ្តល់ជូនការបង្រៀនមានកម្រិតលើផ្នែកនេះ។នៅទីនេះ យើងពណ៌នាអំពីវគ្គបណ្តុះបណ្តាលបញ្ញាសិប្បនិមិត្ត ដែលយើងបានបង្កើត និងផ្តល់ជូនដល់និស្សិតពេទ្យកាណាដា និងផ្តល់អនុសាសន៍សម្រាប់ការបណ្តុះបណ្តាលនាពេលអនាគត។
បញ្ញាសិប្បនិមិត្ត (AI) ក្នុងឱសថអាចបង្កើនប្រសិទ្ធភាពនៅកន្លែងធ្វើការ និងជួយធ្វើការសម្រេចចិត្តផ្នែកព្យាបាល។ដើម្បីណែនាំការប្រើប្រាស់បញ្ញាសិប្បនិម្មិតដោយសុវត្ថិភាព គ្រូពេទ្យត្រូវតែមានការយល់ដឹងខ្លះៗអំពីបញ្ញាសិប្បនិម្មិត។មតិជាច្រើនគាំទ្រការបង្រៀនគំនិត AI1 ដូចជាការពន្យល់អំពីគំរូ AI និងដំណើរការផ្ទៀងផ្ទាត់2.ទោះជាយ៉ាងណាក៏ដោយ ផែនការរចនាសម្ព័ន្ធមួយចំនួនត្រូវបានអនុវត្ត ជាពិសេសនៅថ្នាក់ជាតិ។Pinto dos Santos et al.3.និស្សិតពេទ្យចំនួន 263 នាក់ត្រូវបានស្ទង់មតិ ហើយ 71% បានយល់ស្របថាពួកគេត្រូវការការបណ្តុះបណ្តាលផ្នែកបញ្ញាសិប្បនិម្មិត។ការបង្រៀនបញ្ញាសិប្បនិមិត្តដល់ទស្សនិកជនផ្នែកវេជ្ជសាស្រ្ដតម្រូវឱ្យមានការរចនាយ៉ាងប្រុងប្រយ័ត្នដែលរួមបញ្ចូលគ្នានូវគំនិតបច្ចេកទេស និងមិនមែនបច្ចេកទេសសម្រាប់សិស្សដែលតែងតែមានចំណេះដឹងពីមុនយ៉ាងទូលំទូលាយ។យើងពណ៌នាអំពីបទពិសោធន៍របស់យើងដែលផ្តល់ជូននូវសិក្ខាសាលា AI ជាបន្តបន្ទាប់ដល់និស្សិតពេទ្យបីក្រុម និងធ្វើការណែនាំសម្រាប់ការអប់រំផ្នែកវេជ្ជសាស្រ្តនាពេលអនាគតនៅក្នុង AI ។
ការណែនាំរយៈពេលប្រាំសប្តាហ៍របស់យើងចំពោះសិក្ខាសិលាសិប្បនិមិត្តក្នុងវេជ្ជសាស្ត្រសម្រាប់និស្សិតពេទ្យបានធ្វើឡើងបីដងនៅចន្លោះខែកុម្ភៈ ឆ្នាំ 2019 ដល់ខែមេសា ឆ្នាំ 2021។ កាលវិភាគសម្រាប់សិក្ខាសាលានីមួយៗ ជាមួយនឹងការពិពណ៌នាសង្ខេបអំពីការផ្លាស់ប្តូរវគ្គសិក្សាត្រូវបានបង្ហាញក្នុងរូបភាពទី 1 ។ វគ្គសិក្សារបស់យើងមាន គោលបំណងសិក្សាបឋមចំនួនបី៖ សិស្សយល់ពីរបៀបដែលទិន្នន័យត្រូវបានដំណើរការនៅក្នុងកម្មវិធីបញ្ញាសិប្បនិមិត្ត វិភាគអក្សរសិល្ប៍បញ្ញាសិប្បនិមិត្តសម្រាប់កម្មវិធីព្យាបាល និងទាញយកអត្ថប្រយោជន៍ពីឱកាសក្នុងការសហការជាមួយវិស្វករដែលបង្កើតបញ្ញាសិប្បនិម្មិត។
ពណ៌ខៀវគឺជាប្រធានបទនៃការបង្រៀន ហើយពណ៌ខៀវស្រាលគឺជារយៈពេលសំណួរ និងចម្លើយអន្តរកម្ម។ផ្នែកពណ៌ប្រផេះគឺជាការផ្តោតអារម្មណ៍នៃការពិនិត្យអក្សរសិល្ប៍សង្ខេប។ផ្នែកពណ៌ទឹកក្រូចត្រូវបានជ្រើសរើសករណីសិក្សាដែលពិពណ៌នាអំពីគំរូ ឬបច្ចេកទេសបញ្ញាសិប្បនិម្មិត។ហ្គ្រីនគឺជាវគ្គសិក្សាសរសេរកម្មវិធីដែលមានការណែនាំដែលត្រូវបានរចនាឡើងដើម្បីបង្រៀនបញ្ញាសិប្បនិម្មិតដើម្បីដោះស្រាយបញ្ហាគ្លីនិក និងវាយតម្លៃគំរូ។ខ្លឹមសារ និងរយៈពេលនៃសិក្ខាសាលាប្រែប្រួលដោយផ្អែកលើការវាយតម្លៃតម្រូវការរបស់សិស្ស។
សិក្ខាសាលាដំបូងត្រូវបានធ្វើឡើងនៅសាកលវិទ្យាល័យ British Columbia ពីខែកុម្ភៈដល់ខែមេសាឆ្នាំ 2019 ហើយអ្នកចូលរួមទាំង 8 នាក់បានផ្តល់មតិវិជ្ជមាន4.ដោយសារជំងឺកូវីដ-១៩ សិក្ខាសាលាលើកទី២ ត្រូវបានធ្វើឡើងស្ទើរតែក្នុងខែតុលា ដល់ខែវិច្ឆិកា ឆ្នាំ ២០២០ ដោយមាននិស្សិតពេទ្យចំនួន ២២២ ​​នាក់ និងប្រជាពលរដ្ឋ ៣នាក់ មកពីសាលាវេជ្ជសាស្ត្រកាណាដាចំនួន ៨ បានចុះឈ្មោះ។ស្លាយ​បទ​បង្ហាញ និង​កូដ​ត្រូវ​បាន​ផ្ទុក​ឡើង​ទៅ​គេហទំព័រ​បើក​ចំហ (http://ubcaimed.github.io)។មតិកែលម្អសំខាន់ៗពីការធ្វើឡើងវិញលើកដំបូងគឺថាការបង្រៀនគឺខ្លាំងពេក ហើយសម្ភារៈគឺទ្រឹស្តីពេក។ការបម្រើតំបន់ពេលវេលាប្រាំមួយផ្សេងគ្នារបស់ប្រទេសកាណាដាបង្កបញ្ហាប្រឈមបន្ថែម។ដូច្នេះហើយ សិក្ខាសាលាទីពីរបានកាត់បន្ថយវគ្គនីមួយៗមកត្រឹម 1 ម៉ោង សម្រួលសម្ភារៈវគ្គសិក្សា បន្ថែមករណីសិក្សាបន្ថែមទៀត និងបង្កើតកម្មវិធី boilerplate ដែលអនុញ្ញាតឱ្យអ្នកចូលរួមបំពេញផ្នែកតូចៗនៃកូដជាមួយនឹងការបំបាត់កំហុសតិចតួចបំផុត (ប្រអប់ទី 1)។មតិកែលម្អសំខាន់ៗពីការធ្វើឡើងវិញទីពីររួមមាន មតិកែលម្អវិជ្ជមានលើលំហាត់សរសេរកម្មវិធី និងសំណើដើម្បីបង្ហាញពីការធ្វើផែនការសម្រាប់គម្រោងរៀនម៉ាស៊ីន។ដូច្នេះហើយ នៅក្នុងសិក្ខាសាលាលើកទីបីរបស់យើង ដែលធ្វើឡើងស្ទើរតែសម្រាប់និស្សិតពេទ្យចំនួន 126 នាក់ក្នុងខែមីនា ដល់ខែមេសា ឆ្នាំ 2021 យើងបានរួមបញ្ចូលលំហាត់សរសេរកូដអន្តរកម្មបន្ថែមទៀត និងវគ្គមតិកែលម្អគម្រោង ដើម្បីបង្ហាញពីផលប៉ះពាល់នៃការប្រើប្រាស់គំនិតសិក្ខាសាលាលើគម្រោង។
ការវិភាគទិន្នន័យ៖ វិស័យសិក្សាក្នុងស្ថិតិដែលកំណត់លំនាំអត្ថន័យក្នុងទិន្នន័យដោយការវិភាគ ដំណើរការ និងទំនាក់ទំនងគំរូទិន្នន័យ។
ការជីកយករ៉ែទិន្នន័យ៖ ដំណើរការនៃការកំណត់អត្តសញ្ញាណ និងការទាញយកទិន្នន័យ។នៅក្នុងបរិបទនៃបញ្ញាសិប្បនិម្មិត នេះច្រើនតែមានទំហំធំ ដោយមានអថេរច្រើនសម្រាប់គំរូនីមួយៗ។
ការកាត់បន្ថយវិមាត្រ៖ ដំណើរការនៃការបំប្លែងទិន្នន័យដែលមានលក្ខណៈពិសេសបុគ្គលជាច្រើនទៅជាលក្ខណៈពិសេសតិចជាងមុន ខណៈពេលដែលរក្សាលក្ខណៈសម្បត្តិសំខាន់ៗនៃសំណុំទិន្នន័យដើម។
លក្ខណៈ (នៅក្នុងបរិបទនៃបញ្ញាសិប្បនិម្មិត): លក្ខណៈសម្បត្តិដែលអាចវាស់វែងបាននៃគំរូមួយ។ជាញឹកញាប់ត្រូវបានគេប្រើជំនួសគ្នាជាមួយ "ទ្រព្យសម្បត្តិ" ឬ "អថេរ" ។
Gradient Activation Map៖ បច្ចេកទេសដែលប្រើដើម្បីបកស្រាយគំរូបញ្ញាសិប្បនិម្មិត (ជាពិសេសបណ្តាញសរសៃប្រសាទ convolutional) ដែលវិភាគដំណើរការនៃការបង្កើនប្រសិទ្ធភាពផ្នែកចុងក្រោយនៃបណ្តាញដើម្បីកំណត់តំបន់នៃទិន្នន័យ ឬរូបភាពដែលមានការព្យាករណ៍ខ្ពស់។
គំរូស្តង់ដារ៖ គំរូ AI ដែលមានស្រាប់ ដែលត្រូវបានបណ្តុះបណ្តាលជាមុន ដើម្បីបំពេញកិច្ចការស្រដៀងគ្នា។
ការធ្វើតេស្ត (ក្នុងបរិបទនៃបញ្ញាសិប្បនិមិត្ត)៖ ការសង្កេតពីរបៀបដែលគំរូអនុវត្តកិច្ចការមួយដោយប្រើទិន្នន័យដែលវាមិនធ្លាប់ជួបប្រទះពីមុនមក។
ការបណ្តុះបណ្តាល (ក្នុងបរិបទនៃបញ្ញាសិប្បនិមិត្ត)៖ ការផ្តល់គំរូទិន្នន័យ និងលទ្ធផល ដើម្បីឱ្យគំរូកែតម្រូវប៉ារ៉ាម៉ែត្រខាងក្នុងរបស់វា ដើម្បីបង្កើនប្រសិទ្ធភាពសមត្ថភាពរបស់ខ្លួនក្នុងការអនុវត្តការងារដោយប្រើទិន្នន័យថ្មី។
វ៉ិចទ័រ៖ អារេនៃទិន្នន័យ។នៅក្នុងការរៀនម៉ាស៊ីន ធាតុអារេនីមួយៗជាធម្មតាមានលក្ខណៈពិសេសតែមួយគត់នៃគំរូ។
តារាងទី 1 រាយបញ្ជីវគ្គសិក្សាចុងក្រោយបំផុតសម្រាប់ខែមេសា ឆ្នាំ 2021 រួមទាំងគោលបំណងសិក្សាដែលបានកំណត់សម្រាប់ប្រធានបទនីមួយៗ។សិក្ខាសាលានេះគឺមានគោលបំណងសម្រាប់អ្នកដែលទើបនឹងចូលរៀនកម្រិតបច្ចេកទេស ហើយមិនទាមទារចំណេះដឹងគណិតវិទ្យាណាមួយលើសពីឆ្នាំទី 1 នៃសញ្ញាប័ត្រវេជ្ជសាស្ត្រថ្នាក់បរិញ្ញាបត្រនោះទេ។វគ្គសិក្សានេះត្រូវបានបង្កើតឡើងដោយនិស្សិតពេទ្យចំនួន 6 នាក់ និងគ្រូបង្រៀនចំនួន 3 នាក់ដែលមានសញ្ញាបត្រកម្រិតខ្ពស់ផ្នែកវិស្វកម្ម។វិស្វករកំពុងបង្កើតទ្រឹស្ដីបញ្ញាសិប្បនិមិត្តដើម្បីបង្រៀន ហើយនិស្សិតពេទ្យកំពុងរៀនសម្ភារៈដែលពាក់ព័ន្ធ។
សិក្ខាសាលារួមមានការបង្រៀន ករណីសិក្សា និងកម្មវិធីណែនាំ។នៅក្នុងការបង្រៀនដំបូង យើងពិនិត្យឡើងវិញនូវគោលគំនិតដែលបានជ្រើសរើសនៃការវិភាគទិន្នន័យនៅក្នុងជីវស្ថិតិ រួមទាំងការមើលឃើញទិន្នន័យ ការតំរែតំរង់នៃភ័ស្តុភារ និងការប្រៀបធៀបនៃស្ថិតិពិពណ៌នា និងអាំងឌុចទ័ល។ទោះបីជាការវិភាគទិន្នន័យគឺជាមូលដ្ឋានគ្រឹះនៃបញ្ញាសិប្បនិម្មិតក៏ដោយ យើងមិនរាប់បញ្ចូលប្រធានបទដូចជាការជីកយករ៉ែទិន្នន័យ ការធ្វើតេស្តសារៈសំខាន់ ឬការមើលឃើញអន្តរកម្ម។នេះគឺដោយសារតែមានឧបសគ្គពេលវេលា និងដោយសារតែនិស្សិតថ្នាក់បរិញ្ញាបត្រមួយចំនួនមានការបណ្តុះបណ្តាលពីមុននៅក្នុងជីវស្ថិតិ និងចង់គ្របដណ្តប់លើប្រធានបទរៀនម៉ាស៊ីនតែមួយគត់បន្ថែមទៀត។ការបង្រៀនជាបន្តបន្ទាប់ណែនាំវិធីសាស្រ្តទំនើប និងពិភាក្សាអំពីការបង្កើតបញ្ហា AI គុណសម្បត្តិ និងដែនកំណត់នៃគំរូ AI និងការធ្វើតេស្តគំរូ។ការបង្រៀនត្រូវបានបំពេញបន្ថែមដោយអក្សរសិល្ប៍ និងការស្រាវជ្រាវជាក់ស្តែងលើឧបករណ៍បញ្ញាសិប្បនិម្មិតដែលមានស្រាប់។យើងសង្កត់ធ្ងន់លើជំនាញដែលត្រូវការដើម្បីវាយតម្លៃប្រសិទ្ធភាព និងលទ្ធភាពនៃគំរូដើម្បីដោះស្រាយសំណួរគ្លីនិក រួមទាំងការយល់ដឹងអំពីដែនកំណត់នៃឧបករណ៍បញ្ញាសិប្បនិម្មិតដែលមានស្រាប់។ជាឧទាហរណ៍ យើងបានសុំឱ្យសិស្សបកស្រាយគោលការណ៍ណែនាំអំពីការរងរបួសក្បាលរបស់កុមារដែលស្នើឡើងដោយ Kupperman et al ។ , 5 ដែលអនុវត្តក្បួនដោះស្រាយមែកធាងនៃការសម្រេចចិត្តបញ្ញាសិប្បនិម្មិតដើម្បីកំណត់ថាតើការស្កេន CT នឹងមានប្រយោជន៍ដោយផ្អែកលើការពិនិត្យរបស់គ្រូពេទ្យដែរឬទេ។យើងសង្កត់ធ្ងន់ថា នេះគឺជាឧទាហរណ៍ទូទៅនៃ AI ដែលផ្តល់នូវការវិភាគព្យាករណ៍សម្រាប់គ្រូពេទ្យដើម្បីបកស្រាយ ជាជាងការជំនួសគ្រូពេទ្យ។
នៅក្នុងឧទាហរណ៍នៃការសរសេរកម្មវិធី bootstrap ប្រភពបើកចំហ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) យើងបង្ហាញពីរបៀបធ្វើការវិភាគទិន្នន័យរុករក ការកាត់បន្ថយវិមាត្រ ការផ្ទុកគំរូស្តង់ដារ និងការបណ្តុះបណ្តាល .និងការសាកល្បង។យើងប្រើ Google Colaboratory notebooks (Google LLC, Mountain View, CA) ដែលអនុញ្ញាតឱ្យកូដ Python ត្រូវបានប្រតិបត្តិចេញពីកម្មវិធីរុករកតាមអ៊ីនធឺណិត។នៅក្នុងរូបភាពទី 2 ផ្តល់នូវឧទាហរណ៍នៃលំហាត់សរសេរកម្មវិធី។លំហាត់នេះពាក់ព័ន្ធនឹងការទស្សន៍ទាយពីភាពសាហាវដោយប្រើ Wisconsin Open Breast Imaging Dataset6 និងក្បួនដោះស្រាយមែកធាងការសម្រេចចិត្ត។
បង្ហាញកម្មវិធីពេញមួយសប្តាហ៍លើប្រធានបទពាក់ព័ន្ធ និងជ្រើសរើសឧទាហរណ៍ពីកម្មវិធី AI ដែលបានបោះពុម្ពផ្សាយ។ធាតុផ្សំនៃការសរសេរកម្មវិធីត្រូវបានរួមបញ្ចូលលុះត្រាតែពួកវាត្រូវបានចាត់ទុកថាពាក់ព័ន្ធក្នុងការផ្តល់នូវការយល់ដឹងអំពីការអនុវត្តគ្លីនិកនាពេលអនាគត ដូចជារបៀបវាយតម្លៃគំរូដើម្បីកំណត់ថាតើពួកវារួចរាល់សម្រាប់ការប្រើប្រាស់ក្នុងការសាកល្បងព្យាបាលដែរឬទេ។ឧទាហរណ៍ទាំងនេះឈានដល់កម្រិតពេញលេញនៃកម្មវិធីពីចុងដល់ចប់ដែលចាត់ថ្នាក់ដុំសាច់ថាស្លូត ឬសាហាវ ដោយផ្អែកលើប៉ារ៉ាម៉ែត្ររូបភាពវេជ្ជសាស្ត្រ។
ភាពដូចគ្នានៃចំណេះដឹងពីមុន។អ្នកចូលរួមរបស់យើងមានភាពខុសប្លែកគ្នានៅក្នុងកម្រិតនៃចំណេះដឹងគណិតវិទ្យារបស់ពួកគេ។ជាឧទាហរណ៍ សិស្សដែលមានប្រវត្តិវិស្វកម្មកម្រិតខ្ពស់កំពុងស្វែងរកសម្ភារៈដែលស៊ីជម្រៅបន្ថែមទៀត ដូចជារបៀបអនុវត្តការបំប្លែង Fourier ផ្ទាល់របស់ពួកគេ។ទោះជាយ៉ាងណាក៏ដោយ ការពិភាក្សាអំពីក្បួនដោះស្រាយ Fourier នៅក្នុងថ្នាក់គឺមិនអាចធ្វើទៅបានទេព្រោះវាទាមទារចំណេះដឹងស៊ីជម្រៅនៃដំណើរការសញ្ញា។
លំហូរចេញនៃវត្តមាន។ការ​ចូល​រួម​ក្នុង​ការ​ប្រជុំ​តាម​ដាន​បាន​បដិសេធ ជា​ពិសេស​នៅ​ក្នុង​ទម្រង់​អនឡាញ។ដំណោះស្រាយអាចជាការតាមដានការចូលរួម និងផ្តល់វិញ្ញាបនបត្របញ្ចប់ការសិក្សា។សាលាវេជ្ជសាស្រ្ដត្រូវបានគេស្គាល់ថាបានទទួលស្គាល់ប្រតិចារិកនៃសកម្មភាពសិក្សាក្រៅម៉ោងរបស់សិស្ស ដែលអាចលើកទឹកចិត្តសិស្សឱ្យបន្តការសិក្សាថ្នាក់បរិញ្ញាបត្រ។
ការរចនាវគ្គសិក្សា៖ ដោយសារ AI លាតសន្ធឹងលើវាលរងជាច្រើន ការជ្រើសរើសគោលគំនិតស្នូលនៃជម្រៅ និងទទឹងសមស្របអាចជាបញ្ហាប្រឈម។ជាឧទាហរណ៍ ការបន្តប្រើប្រាស់ឧបករណ៍ AI ពីមន្ទីរពិសោធន៍ទៅគ្លីនីក គឺជាប្រធានបទសំខាន់មួយ។ខណៈពេលដែលយើងគ្របដណ្តប់លើការដំណើរការទិន្នន័យជាមុន ការកសាងគំរូ និងសុពលភាព យើងមិនរួមបញ្ចូលប្រធានបទដូចជា ការវិភាគទិន្នន័យធំ ការមើលឃើញអន្តរកម្ម ឬធ្វើការសាកល្បងគ្លីនិក AI ទេ ផ្ទុយទៅវិញយើងផ្តោតលើគោលគំនិត AI តែមួយគត់បំផុត។គោលការណ៍ណែនាំរបស់យើងគឺដើម្បីកែលម្អអក្ខរកម្ម មិនមែនជំនាញទេ។ជាឧទាហរណ៍ ការយល់ដឹងអំពីរបៀបដែលគំរូដំណើរការមុខងារបញ្ចូលមានសារៈសំខាន់សម្រាប់ការបកស្រាយ។វិធីមួយដើម្បីធ្វើដូច្នេះគឺត្រូវប្រើផែនទីធ្វើឱ្យសកម្មពណ៌ជម្រាល ដែលអាចមើលឃើញតំបន់ណាមួយនៃទិន្នន័យដែលអាចព្យាករណ៍បាន។ទោះយ៉ាងណាក៏ដោយ នេះតម្រូវឱ្យមានការគណនាច្រើន និងមិនអាចណែនាំបាន 8.ការបង្កើតវាក្យសព្ទទូទៅគឺមានការពិបាក ពីព្រោះយើងកំពុងព្យាយាមពន្យល់ពីរបៀបធ្វើការជាមួយទិន្នន័យជាវ៉ិចទ័រដោយគ្មានទម្រង់គណិតវិទ្យា។ចំណាំថាពាក្យផ្សេងគ្នាមានអត្ថន័យដូចគ្នា ឧទាហរណ៍នៅក្នុងរោគរាតត្បាត "លក្ខណៈ" ត្រូវបានពិពណ៌នាថាជា "អថេរ" ឬ "គុណលក្ខណៈ" ។
ការរក្សាចំណេះដឹង។ដោយសារតែកម្មវិធី AI មានកម្រិត វិសាលភាពដែលអ្នកចូលរួមរក្សាចំណេះដឹងនៅតែត្រូវបានគេមើលឃើញ។កម្មវិធីសិក្សារបស់សាលាវេជ្ជសាស្រ្ដតែងតែពឹងផ្អែកលើពាក្យដដែលៗក្នុងចន្លោះដើម្បីពង្រឹងចំណេះដឹងក្នុងអំឡុងពេលការបង្វិលជាក់ស្តែង 9 ដែលអាចត្រូវបានអនុវត្តផងដែរចំពោះការអប់រំ AI ។
វិជ្ជាជីវៈគឺសំខាន់ជាងអក្ខរកម្ម។ជម្រៅនៃសម្ភារៈត្រូវបានរចនាឡើងដោយមិនមានភាពតឹងរ៉ឹងផ្នែកគណិតវិទ្យា ដែលជាបញ្ហាមួយនៅពេលបើកវគ្គព្យាបាលនៅក្នុងបញ្ញាសិប្បនិមិត្ត។នៅក្នុងឧទាហរណ៍នៃការសរសេរកម្មវិធី យើងប្រើកម្មវិធីគំរូដែលអនុញ្ញាតឱ្យអ្នកចូលរួមបំពេញវាល និងដំណើរការកម្មវិធីដោយមិនចាំបាច់គិតពីរបៀបរៀបចំបរិយាកាសសរសេរកម្មវិធីពេញលេញ។
ការព្រួយបារម្ភអំពីបញ្ញាសិប្បនិមិត្តដែលត្រូវបានដោះស្រាយ៖ មានការព្រួយបារម្ភរីករាលដាលថា បញ្ញាសិប្បនិម្មិតអាចជំនួសមុខងារព្យាបាលមួយចំនួន 3.ដើម្បីដោះស្រាយបញ្ហានេះ យើងពន្យល់ពីដែនកំណត់នៃ AI រួមទាំងការពិតដែលថាបច្ចេកវិទ្យា AI ស្ទើរតែទាំងអស់ដែលត្រូវបានអនុម័តដោយនិយតករទាមទារឱ្យមានការត្រួតពិនិត្យពីគ្រូពេទ្យ 11 ។យើងក៏សង្កត់ធ្ងន់លើសារៈសំខាន់នៃភាពលំអៀងផងដែរ ពីព្រោះក្បួនដោះស្រាយគឺងាយនឹងលំអៀង ជាពិសេសប្រសិនបើសំណុំទិន្នន័យមិនមានភាពចម្រុះ12។អាស្រ័យហេតុនេះ ក្រុមរងជាក់លាក់មួយអាចត្រូវបានយកគំរូតាមមិនត្រឹមត្រូវ ដែលនាំទៅដល់ការសម្រេចចិត្តផ្នែកព្យាបាលមិនយុត្តិធម៌។
ធនធានអាចរកបានជាសាធារណៈ៖ យើងបានបង្កើតធនធានដែលមានជាសាធារណៈ រួមទាំងស្លាយ និងកូដ។ទោះបីជាការចូលប្រើមាតិកាសមកាលកម្មត្រូវបានកំណត់ដោយសារតែតំបន់ពេលវេលាក៏ដោយ មាតិកាប្រភពបើកចំហគឺជាវិធីសាស្រ្តងាយស្រួលសម្រាប់ការរៀនអសមកាល ដោយសារជំនាញ AI មិនមាននៅសាលាពេទ្យទាំងអស់។
កិច្ចសហប្រតិបត្តិការអន្តរផ្នែក៖ សិក្ខាសាលានេះគឺជាការបណ្តាក់ទុនរួមគ្នាដែលផ្តួចផ្តើមដោយនិស្សិតពេទ្យដើម្បីធ្វើផែនការវគ្គសិក្សារួមគ្នាជាមួយវិស្វករ។នេះបង្ហាញពីឱកាសសហការ និងគម្លាតចំណេះដឹងនៅក្នុងផ្នែកទាំងពីរ ដែលអនុញ្ញាតឱ្យអ្នកចូលរួមស្វែងយល់ពីតួនាទីសក្តានុពលដែលពួកគេអាចរួមចំណែកនាពេលអនាគត។
កំណត់សមត្ថភាពស្នូល AI ។ការកំណត់បញ្ជីសមត្ថភាពផ្តល់នូវរចនាសម្ព័ន្ធស្តង់ដារដែលអាចបញ្ចូលទៅក្នុងកម្មវិធីសិក្សាវេជ្ជសាស្រ្តផ្អែកលើសមត្ថភាពដែលមានស្រាប់។សិក្ខាសាលានេះបច្ចុប្បន្នប្រើកម្រិតគោលបំណងសិក្សា 2 (ការយល់ដឹង) 3 (កម្មវិធី) និងទី 4 (ការវិភាគ) នៃ Bloom's Taxonomy ។ការ​មាន​ធនធាន​នៅ​កម្រិត​ខ្ពស់​នៃ​ការ​ចាត់ថ្នាក់​ដូចជា​ការ​បង្កើត​គម្រោង​អាច​ពង្រឹង​ចំណេះដឹង​បន្ថែម​ទៀត។នេះតម្រូវឱ្យធ្វើការជាមួយអ្នកជំនាញផ្នែកព្យាបាលដើម្បីកំណត់ពីរបៀបដែលប្រធានបទ AI អាចត្រូវបានអនុវត្តចំពោះលំហូរការងាររបស់គ្លីនិក និងការពារការបង្រៀនប្រធានបទដដែលៗដែលបានរួមបញ្ចូលរួចហើយនៅក្នុងកម្មវិធីសិក្សាវេជ្ជសាស្ត្រស្តង់ដារ។
បង្កើតករណីសិក្សាដោយប្រើ AI ។ស្រដៀងទៅនឹងឧទាហរណ៍គ្លីនិក ការរៀនតាមករណីអាចពង្រឹងគោលគំនិតអរូបីដោយគូសបញ្ជាក់ពីភាពពាក់ព័ន្ធរបស់ពួកគេទៅនឹងសំណួរគ្លីនិក។ជាឧទាហរណ៍ ការសិក្សាសិក្ខាសាលាមួយបានវិភាគលើប្រព័ន្ធរកឃើញជំងឺទឹកនោមផ្អែម 13 ដែលមានមូលដ្ឋានលើ AI របស់ Google ដើម្បីកំណត់បញ្ហាប្រឈមនៅតាមផ្លូវពីមន្ទីរពិសោធន៍ទៅគ្លីនីក ដូចជាតម្រូវការសុពលភាពខាងក្រៅ និងផ្លូវអនុម័តបទប្បញ្ញត្តិ។
ប្រើការរៀនសូត្រតាមបទពិសោធន៍៖ ជំនាញបច្ចេកទេសតម្រូវឱ្យអនុវត្តការផ្តោតអារម្មណ៍ និងការអនុវត្តម្តងហើយម្តងទៀតដើម្បីធ្វើជាម្ចាស់ ស្រដៀងនឹងបទពិសោធន៍រៀនបង្វិលរបស់សិក្ខាកាមគ្លីនិក។ដំណោះស្រាយដ៏មានសក្ដានុពលមួយគឺគំរូថ្នាក់រៀនដែលត្រឡប់ ដែលត្រូវបានរាយការណ៍ថានឹងធ្វើឱ្យប្រសើរឡើងនូវការរក្សាចំណេះដឹងនៅក្នុងការអប់រំផ្នែកវិស្វកម្ម 14 ។នៅក្នុងគំរូនេះ សិស្សពិនិត្យឡើងវិញនូវសម្ភារៈទ្រឹស្តីដោយឯករាជ្យ ហើយម៉ោងសិក្សាត្រូវបានឧទ្ទិសដល់ការដោះស្រាយបញ្ហាតាមរយៈករណីសិក្សា។
ការធ្វើមាត្រដ្ឋានសម្រាប់អ្នកចូលរួមពហុជំនាញ៖ យើងស្រមៃមើលការអនុម័ត AI ដែលពាក់ព័ន្ធនឹងការសហការគ្នាលើមុខវិជ្ជាជាច្រើន រួមទាំងគ្រូពេទ្យ និងអ្នកជំនាញផ្នែកសុខភាពសម្ព័ន្ធជាមួយនឹងកម្រិតនៃការបណ្តុះបណ្តាលផ្សេងៗគ្នា។ដូច្នេះ កម្មវិធីសិក្សាអាចនឹងត្រូវបង្កើតដោយមានការពិគ្រោះយោបល់ជាមួយសាស្ត្រាចារ្យមកពីនាយកដ្ឋានផ្សេងៗគ្នា ដើម្បីកែសម្រួលខ្លឹមសាររបស់ពួកគេទៅផ្នែកផ្សេងៗនៃការថែទាំសុខភាព។
បញ្ញាសិប្បនិម្មិតគឺជាបច្ចេកវិទ្យាខ្ពស់ ហើយគោលគំនិតស្នូលរបស់វាទាក់ទងទៅនឹងគណិតវិទ្យា និងវិទ្យាសាស្ត្រកុំព្យូទ័រ។ការបណ្តុះបណ្តាលបុគ្គលិកថែទាំសុខភាពឱ្យយល់អំពីបញ្ញាសិប្បនិម្មិតបង្ហាញពីបញ្ហាប្រឈមតែមួយគត់នៅក្នុងការជ្រើសរើសខ្លឹមសារ ភាពពាក់ព័ន្ធផ្នែកព្យាបាល និងវិធីសាស្ត្រចែកចាយ។យើងសង្ឃឹមថាការយល់ដឹងដែលទទួលបានពីសិក្ខាសាលា AI ក្នុងការអប់រំនឹងជួយអ្នកអប់រំនាពេលអនាគតទទួលយកវិធីច្នៃប្រឌិតថ្មីក្នុងការរួមបញ្ចូល AI ទៅក្នុងការអប់រំផ្នែកវេជ្ជសាស្រ្ត។
ស្គ្រីប Google Colaboratory Python គឺជាប្រភពបើកចំហ និងមាននៅ៖ https://github.com/ubcaimed/ubcaimed.github.io/tree/master/ ។
Prober, KG និង Khan, S. ការគិតឡើងវិញ ការអប់រំផ្នែកវេជ្ជសាស្រ្ត៖ ការអំពាវនាវឱ្យធ្វើសកម្មភាព។អាកាដ។ថ្នាំ។88, 1407–1410 (2013)។
McCoy, LG ជាដើម តើនិស្សិតពេទ្យពិតជាត្រូវដឹងអ្វីខ្លះអំពីបញ្ញាសិប្បនិម្មិត?លេខ NPZh ។ឱសថទី 3, 1–3 (2020)។
Dos Santos, DP, et al ។អាកប្បកិរិយារបស់និស្សិតពេទ្យចំពោះបញ្ញាសិប្បនិមិត្ត៖ ការស្ទង់មតិពហុមជ្ឈមណ្ឌល។អឺរ៉ូ។វិទ្យុសកម្ម។ថ្ងៃទី 29, 1640–1646 (ឆ្នាំ 2019)។
Fan, KY, Hu, R., និង Singla, R. ការណែនាំអំពីការរៀនម៉ាស៊ីនសម្រាប់និស្សិតពេទ្យ៖ គម្រោងសាកល្បង។J. Med ។បង្រៀន។54, 1042–1043 (2020)។
Cooperman N, et al ។កំណត់អត្តសញ្ញាណកុមារដែលមានហានិភ័យទាបបំផុតនៃការរងរបួសខួរក្បាលយ៉ាងសំខាន់បន្ទាប់ពីរបួសក្បាល៖ ការសិក្សាក្រុមអនាគត។Lancet 374, 1160–1170 (2009)។
ផ្លូវ, WN, Wolberg, WH និង Mangasarian, OL ។ការទាញយកលក្ខណៈពិសេសនុយក្លេអ៊ែរសម្រាប់ការធ្វើរោគវិនិច្ឆ័យដុំសាច់សុដន់។ជីវវិទ្យា។ដំណើរការរូបភាព។ជីវវិទ្យា។វីស។១៩០៥, ៨៦១–៨៧០ (១៩៩៣)។
Chen, PHC, Liu, Y. និង Peng, L. របៀបបង្កើតគំរូរៀនម៉ាស៊ីនសម្រាប់ការថែទាំសុខភាព។ណាត។ម៉ាត់១៨, ៤១០–៤១៤ (ឆ្នាំ ២០១៩)។
Selvaraju, RR et al ។Grad-cam៖ ការបកស្រាយរូបភាពនៃបណ្តាញជ្រៅតាមរយៈការធ្វើមូលដ្ឋានីយកម្មផ្អែកលើជម្រាល។ដំណើរការនៃសន្និសីទអន្តរជាតិ IEEE ស្តីពីចក្ខុវិស័យកុំព្យូទ័រ, 618-626 (2017) ។
Kumaravel B, Stewart K និង Ilic D. ការអភិវឌ្ឍន៍ និងការវាយតម្លៃនៃគំរូវង់សម្រាប់វាយតម្លៃសមត្ថភាពឱសថផ្អែកលើភស្តុតាងដោយប្រើ OSCE ក្នុងការអប់រំផ្នែកវេជ្ជសាស្ត្រថ្នាក់បរិញ្ញាបត្រ។ឱសថ BMK ។បង្រៀន។២១, ១–៩ (២០២១)។
Kolachalama VB និង Garg PS Machine learning និងការអប់រំវេជ្ជសាស្រ្ត។លេខ NPZh ។ថ្នាំ។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 ថ្នាំដែលមានប្រសិទ្ធភាពខ្ពស់៖ ការបញ្ចូលគ្នានៃភាពវៃឆ្លាតរបស់មនុស្ស និងសិប្បនិម្មិត។ណាត។ថ្នាំ។២៥, ៤៤–៥៦ (ឆ្នាំ ២០១៩)។
Bede, E. et al ។ការវាយតម្លៃផ្តោតលើមនុស្សលើប្រព័ន្ធសិក្សាស៊ីជម្រៅដែលដាក់ពង្រាយនៅក្នុងគ្លីនិកសម្រាប់ការរកឃើញជំងឺទឹកនោមផ្អែម Retinopathy ។ដំណើរការនៃសន្និសីទ CHI ឆ្នាំ 2020 ស្តីពីកត្តាមនុស្សនៅក្នុងប្រព័ន្ធកុំព្យូទ័រ (2020)។
Kerr, B. ថ្នាក់រៀនត្រឡប់ក្នុងការអប់រំផ្នែកវិស្វកម្ម៖ ការពិនិត្យស្រាវជ្រាវ។ដំណើរការនៃសន្និសីទអន្តរជាតិឆ្នាំ 2015 ស្តីពីការរៀនសហការអន្តរកម្ម (2015) ។
អ្នកនិពន្ធសូមថ្លែងអំណរគុណដល់ Danielle Walker, Tim Salcudin និង Peter Zandstra មកពីក្រុមស្រាវជ្រាវជីវវេជ្ជសាស្ត្រ និងបញ្ញាសិប្បនិម្មិតនៅសាកលវិទ្យាល័យ British Columbia សម្រាប់ការគាំទ្រ និងការផ្តល់មូលនិធិ។
RH, PP, ZH, RS និង MA ទទួលខុសត្រូវក្នុងការអភិវឌ្ឍន៍ខ្លឹមសារបង្រៀនសិក្ខាសាលា។RH និង PP ទទួលខុសត្រូវក្នុងការបង្កើតឧទាហរណ៍នៃការសរសេរកម្មវិធី។KYF, OY, MT និង PW ទទួលខុសត្រូវចំពោះការរៀបចំភ័ស្តុភារនៃគម្រោង និងការវិភាគនៃសិក្ខាសាលា។RH, OY, MT, RS ទទួលខុសត្រូវក្នុងការបង្កើតតួលេខ និងតារាង។RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ទទួលខុសត្រូវលើការព្រាង និងកែសម្រួលឯកសារ។
Communication Medicine អរគុណ Carolyn McGregor, Fabio Moraes និង Aditya Borakati សម្រាប់ការរួមចំណែករបស់ពួកគេក្នុងការពិនិត្យឡើងវិញនៃការងារនេះ។