മെഡിക്കൽ വിദ്യാർത്ഥികൾക്ക് കൃത്രിമ ബുദ്ധി പഠിപ്പിക്കുന്നതിനുള്ള കനേഡിയൻ കാഴ്ചപ്പാട്

നേച്ചർ.കോം സന്ദർശിച്ചതിന് നന്ദി. നിങ്ങൾ ഉപയോഗിക്കുന്ന ബ്ര browser സറിന്റെ പതിപ്പ് പരിമിത സിഎസ്എസ് പിന്തുണയുണ്ട്. മികച്ച ഫലങ്ങൾക്കായി, നിങ്ങളുടെ ബ്ര browser സറിന്റെ ഒരു പുതിയ പതിപ്പ് ഉപയോഗിക്കാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു (അല്ലെങ്കിൽ ഇന്റർനെറ്റ് എക്സ്പ്ലോററിലെ അനുയോജ്യത മോഡ് ഓഫുചെയ്യുന്നു). അതിനിടയിൽ, നിലവിലുള്ള പിന്തുണ ഉറപ്പാക്കുന്നതിന്, സ്റ്റൈലിംഗ് അല്ലെങ്കിൽ ജാവാസ്ക്രിപ്റ്റ് ഇല്ലാതെ ഞങ്ങൾ സൈറ്റ് കാണിക്കുന്നു.
ക്ലിനിക്കൽ കൃത്രിമബുദ്ധിയുടെ (AI) അപേക്ഷകൾ അതിവേഗം വളരുകയാണ്, പക്ഷേ നിലവിലുള്ള മെഡിക്കൽ സ്കൂൾ പാഠ്യപദ്ധതി ഈ പ്രദേശത്തെ ഉൾക്കൊള്ളുന്ന പരിമിതമായ അധ്യാപനം വാഗ്ദാനം ചെയ്യുന്നു. ഞങ്ങൾ വികസിപ്പിച്ചെടുത്തതും കനേഡിയൻ മെഡിക്കൽ വിദ്യാർത്ഥികൾക്ക് കൈമാറുകയും ഭാവി പരിശീലനത്തിനായി ശുപാർശ ചെയ്യുകയും ചെയ്യുന്ന ഒരു കൃത്രിമ രഹസ്യാന്വേഷന പരിശീലന കോഴ്സ് ഇവിടെ ഞങ്ങൾ വിവരിക്കുന്നു.
ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI) വൈദ്യശാസ്ത്രത്തിൽ ജോലിപ്ലേസ് കാര്യക്ഷമതയും ക്ലിനിക്കൽ തീരുമാനമെടുക്കലും മെച്ചപ്പെടുത്താൻ കഴിയും. കൃത്രിമബുദ്ധിയുടെ ഉപയോഗം സുരക്ഷിതമായി നയിക്കാൻ, വൈദ്യന്മാർക്ക് കൃത്രിമബുദ്ധിയെക്കുറിച്ച് എന്തെങ്കിലും ധാരണ ഉണ്ടായിരിക്കണം. പല അഭിപ്രായങ്ങളും AI മോഡലുകളും സ്ഥിരീകരണ പ്രക്രിയകളും വിശദീകരിക്കുന്നതുപോലെ അദ്ധ്യാപന AI ധാരണകൾ വായിക്കുക. എന്നിരുന്നാലും, കുറച്ച് ഘടനാപരമായ പദ്ധതികൾ നടപ്പിലാക്കിയിട്ടുണ്ട്, പ്രത്യേകിച്ച് ദേശീയ തലത്തിൽ. പിന്റോ ഡോസ് സാന്റോസ് മറ്റുള്ളവ അൽ 3. 263 മെഡിക്കൽ വിദ്യാർത്ഥികളെ സർവേ നടത്തി, 71 ശതമാനം പേർ സമ്മതിച്ചു, അവർക്ക് കൃത്രിമബുദ്ധിയിൽ പരിശീലനം ആവശ്യമാണെന്ന് സമ്മതിച്ചു. ഒരു മെഡിക്കൽ ഇന്റലിജൻസിലേക്ക് കൃത്രിമബുദ്ധിക്ക് പഠിപ്പിക്കുന്നത് ശ്രദ്ധിക്കേണ്ട ശ്രദ്ധാപൂർവ്വം രൂപകൽപ്പന ചെയ്യേണ്ട ശ്രദ്ധാപൂർവ്വം രൂപകൽപ്പന ചെയ്യേണ്ടതുണ്ട്. ഐഐ വർക്ക് ഷോപ്പുകളുടെ ഒരു ശ്രേണിയിലുള്ള ഞങ്ങളുടെ അനുഭവം ഞങ്ങൾ വിവരിക്കുന്നു, എയിയിലെ ഭാവിയിലെ മെഡിക്കൽ വിദ്യാഭ്യാസത്തിനായി ശുപാർശകൾ നടത്താൻ ഞങ്ങൾ വിവരിക്കുന്നു.
ഞങ്ങളുടെ അഞ്ചു ആഴ്ച ആമുഖം മെഡിക്കൽ വിദ്യാർത്ഥികൾക്കായുള്ള മരുന്ന് വർക്ക്ഷോപ്പിലെ കൃത്രിമബുദ്ധി മൂന്ന് പ്രാഥമിക പഠന ലക്ഷ്യങ്ങൾ: കൃത്രിമ രഹസ്യാന്വേഷണ ആപ്ലിക്കേഷനുകളിൽ ഡാറ്റ എങ്ങനെ പ്രോസസ്സ് ചെയ്യുന്നുവെന്ന് വിദ്യാർത്ഥികൾ മനസ്സിലാക്കുന്നു, ഒപ്പം കൃത്രിമ രഹസ്യാന്വേഷണ സാഹിത്യം ക്ലിനിക്കൽ ആപ്ലിക്കേഷനുകൾക്കായി വിശകലനം ചെയ്യുക, കൃത്രിമ രഹസ്യാന്വേഷണങ്ങൾ വികസിപ്പിക്കുകയും ചെയ്യുന്ന എഞ്ചിനീയർമാരുമായി സഹകരിക്കുകയും ചെയ്യാനുള്ള അവസരങ്ങൾ പ്രയോജനപ്പെടുത്തുകയും ചെയ്യുക.
പ്രഭാഷണത്തിന്റെയും ഇളം നീലയുടെയും വിഷയമാണ്, സംവേദനാത്മക ചോദ്യോത്തര, ഉത്തരം കാലയളവ്. ഹ്രസ്വ സാഹിത്യ അവലോകനത്തിന്റെ കേന്ദ്രമാണ് ഗ്രേ സെക്ഷൻ. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകളോ സാങ്കേതികതകളോ വിവരിക്കുന്ന തിരഞ്ഞെടുത്ത കേസ് പഠനങ്ങൾ ഓറഞ്ച് വിഭാഗങ്ങൾ തിരഞ്ഞെടുത്തു. ക്ലിനിക്കൽ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിനും മോഡലുകൾ പരിഹരിക്കുന്നതിനും കൃത്രിമബുദ്ധി പഠിപ്പിക്കുന്നതിന് രൂപകൽപ്പന ചെയ്ത ഗൈഡഡ് പ്രോഗ്രാമിംഗ് കോഴ്സാണ് ഗ്രീൻ. വിദ്യാർത്ഥി ആവശ്യങ്ങളുടെ വിലയിരുത്തലിനെ അടിസ്ഥാനമാക്കി വർക്ക് ഷോപ്പുകളുടെ ഉള്ളടക്കവും കാലാവധിയും വ്യത്യാസപ്പെടുന്നു.
ഫെബ്രുവരി മുതൽ 2019 വരെ ബ്രിട്ടീഷ് കൊളംബിയ സർവകലാശാലയിൽ ആദ്യത്തെ വർക്ക് ഷോപ്പ് നടന്നു, പങ്കെടുക്കുന്ന 8 പേരും പോസിറ്റീവ് ഫീഡ്ബാക്ക് 4 നൽകി. കോമ്പിഡ് 19 കാരണം, രണ്ടാമത്തെ വർക്ക് ഷോപ്പ് ഫലത്തിൽ ഒക്ടോബർ-നവംബർ -2020 ൽ നടന്നു, 222 മെഡിക്കൽ വിദ്യാർത്ഥികളും 8 കനേഡിയൻ മെഡിക്കൽ സ്കൂളുകളിൽ നിന്ന് 3 താമസക്കാരും. അവതരണ സ്ലൈഡുകളും കോഡും ഒരു ഓപ്പൺ ആക്സസ് സൈറ്റിലേക്ക് (http://ubcaimed.github.io). പ്രഭാഷണങ്ങൾ വളരെ തീവ്രവും മെറ്റീരിയലിംഗും ആയിരുന്നു എന്നതാണ് ആദ്യ ആവർത്തനത്തിലെ പ്രധാന ഫീഡ്ബാക്ക്. കാനഡയുടെ ആറ് വ്യത്യസ്ത സമയ മേഖലകളെ സഹായിക്കുന്നു സോണുകൾ അധിക വെല്ലുവിളികൾ നൽകുന്നു. അങ്ങനെ, രണ്ടാമത്തെ വർക്ക് ഷോപ്പ് ഓരോ സെഷനും 1 മണിക്കൂറായി ചുരുക്കി, കോഴ്സ് മെറ്റീരിയൽ ലളിതമാക്കി, കൂടുതൽ കേസ് പഠനം ചേർക്കുക, ഒപ്പം തുടർച്ചയായ ഡീബഗ്ഗിംഗ് ഉപയോഗിച്ച് കോഡ് സ്നിപ്പെറ്റുകൾ പൂർത്തിയാക്കാൻ അനുവദിക്കുകയും ചെയ്തു (ബോക്സ് 1). രണ്ടാം ആഘാതത്തിലെ പ്രധാന ഫീഡ്ബാക്ക്, പ്രോഗ്രാമിംഗ് വ്യായാമങ്ങളെക്കുറിച്ച് പോസിറ്റീവ് ഫീഡ്ബാക്കും ഒരു മെഷീൻ പഠന പദ്ധതിക്കായി ആസൂത്രണം കാണിക്കാനുള്ള അഭ്യർത്ഥനയും ഉൾപ്പെടുന്നു. അതിനാൽ, ഞങ്ങളുടെ മൂന്നാമത്തെ വർക്ക്ഷോപ്പിൽ, 2021 മാർച്ച്-ഏപ്രിൽ മാസങ്ങളിൽ 126 മെഡിക്കൽ വിദ്യാർത്ഥികൾക്കായി, പ്രോജക്റ്റുകളിൽ വർക്ക് ഷോപ്പ് ആശയങ്ങൾ പ്രദർശിപ്പിക്കുന്നതിന് കൂടുതൽ സംവേദനാത്മക കോഡിംഗ് വ്യായാമങ്ങളും പ്രോജക്റ്റ് ഫീഡ്ബാക്ക് സെഷനുകളും ഞങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.
ഡാറ്റാ വിശകലനം: ഡാറ്റ പാറ്റേണുകൾ വിശകലനം ചെയ്യുന്നതിലൂടെ ഡാറ്റയിലെ അർത്ഥവത്തായ പാറ്റേണുകൾ തിരിച്ചറിയുന്ന സ്ഥിതിവിവരക്കണക്ക് ഒരു പഠന മേഖല.
ഡാറ്റ ഖനനം: ഡാറ്റ തിരിച്ചറിയുന്ന പ്രക്രിയയും എക്സ്ട്രാക്റ്റുചെയ്യുന്നതുമായ പ്രക്രിയ. കൃത്രിമബുദ്ധിയുടെ പശ്ചാത്തലത്തിൽ, ഇത് പലപ്പോഴും വലുതാണ്, ഓരോ സാമ്പിളിനും ഒന്നിലധികം വേരിയബിളുകൾ.
ഡൈമൻഷനിലിറ്റി കുറയ്ക്കൽ: യഥാർത്ഥ ഡാറ്റ സെറ്റിന്റെ പ്രധാന സവിശേഷതകൾ സംരക്ഷിക്കുമ്പോൾ നിരവധി സവിശേഷതകളുമായി ഡാറ്റ പരിവർത്തനം ചെയ്യുന്ന പ്രക്രിയ.
സ്വഭാവഗുണങ്ങൾ (കൃത്രിമബുദ്ധിയുടെ പശ്ചാത്തലത്തിൽ): ഒരു സാമ്പിളിന്റെ അളക്കാവുന്ന സവിശേഷതകൾ. പലപ്പോഴും "പ്രോപ്പർട്ടി" അല്ലെങ്കിൽ "വേരിയബിൾ" ഉപയോഗിച്ച് പരസ്പരം ഉപയോഗിക്കുന്നു.
ഗ്രേഡിയന്റ് ആക്റ്റിവേഷൻ മാപ്പ്: കൃത്രിമ രഹസ്യാത്മക ഇന്റലിജൻസ് മോഡലുകൾ (പ്രത്യേകിച്ച് പരിണാമപരമായ ന്യൂറൽ നെറ്റ്വർക്കുകൾ) വ്യാഖ്യാനിക്കാൻ ഉപയോഗിക്കുന്ന ഒരു സാങ്കേതികത, അത് വലിയ പ്രവചനത്തിലെ പ്രദേശങ്ങളുടെയോ ചിത്രങ്ങളുടെയോ പ്രദേശങ്ങളുടെയോ പ്രദേശങ്ങളുടെയോ പ്രദേശങ്ങളുടെയോ പ്രദേശങ്ങളുടെയോ പ്രദേശങ്ങളുടെയോ പ്രദേശങ്ങളുടെയോ പ്രദേശങ്ങളുടെ അല്ലെങ്കിൽ ചിത്രങ്ങൾ തിരിച്ചറിയുന്നതിനുള്ള നെറ്റ്വർക്കിന്റെ അവസാന ഭാഗം ഒപ്റ്റിമൈസ് ചെയ്യുന്ന പ്രക്രിയയെ വിശകലനം ചെയ്യുന്നു.
സ്റ്റാൻഡേർഡ് മോഡൽ: സമാന ജോലികൾ ചെയ്യുന്നതിന് മുൻകൂട്ടി പരിശീലനം നേടിയ ഒരു ഐ മോഡൽ.
പരിശോധന (കൃത്രിമബുദ്ധിയുടെ പശ്ചാത്തലത്തിൽ): മുമ്പ് നേരിട്ടില്ലാത്ത ഡാറ്റ ഉപയോഗിച്ച് ഒരു മോഡൽ എങ്ങനെ ഒരു ടാസ്ക് നിർവ്വഹിക്കുന്നുവെന്ന് നിരീക്ഷിക്കുന്നു.
പരിശീലനം (കൃത്രിമബുദ്ധിയുടെ പശ്ചാത്തലത്തിൽ): ഡാറ്റ ഉപയോഗിച്ച് ഒരു മോഡലും ഫലങ്ങളും നൽകുന്നു, അതിനാൽ പുതിയ ഡാറ്റ ഉപയോഗിച്ച് ടാസ്ക്കുകൾ നടത്താനുള്ള കഴിവ് ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന് മോഡൽ അതിന്റെ ആന്തരിക പാരാമീറ്ററുകൾ ക്രമീകരിക്കുന്നു.
വെക്റ്റർ: ഡാറ്റയുടെ നിര. മെഷീൻ ഭാഷയിൽ, ഓരോ അറേ ഘടകവും സാധാരണയായി സാമ്പിളിന്റെ ഒരു സവിശേഷ സവിശേഷതയാണ്.
ഓരോ വിഷയത്തിനുമായി ടാർഗെറ്റുചെയ്ത പഠന ലക്ഷ്യങ്ങൾ ഉൾപ്പെടെ ഏപ്രിൽ 2021 ലെ ഏറ്റവും പുതിയ കോഴ്സുകൾ പട്ടിക 1 പട്ടികപ്പെടുത്തുന്നു. ഈ വർക്ക്ഷോപ്പ് സാങ്കേതിക തലത്തിലുള്ള പുതിയവർക്കാണ് ഉദ്ദേശിക്കുന്നത്, മാത്രമല്ല ഒരു ബിരുദ വൈദ്യസഞ്ചിയുടെ ആദ്യ വർഷത്തിനപ്പുറം ഗണിതശാസ്ത്രപരമായ അറിവ് ആവശ്യമില്ല. എഞ്ചിനീയറിംഗിൽ നൂതന ഡിഗ്രിയുമായി 6 മെഡിക്കൽ വിദ്യാർത്ഥികളും 3 അധ്യാപകരും ഈ കോഴ്സ് വികസിപ്പിച്ചെടുത്തു. പഠിപ്പിക്കാൻ എഞ്ചിനീയർമാർ പഠിപ്പിക്കുന്ന ഇന്റലിജൻസ് സിദ്ധാന്തം വികസിപ്പിക്കുകയാണ്, മെഡിക്കൽ വിദ്യാർത്ഥികൾ ക്ലിനിക്കലി പ്രസക്തമായ മെറ്റീരിയൽ പഠിക്കുന്നു.
വർക്ക്ഷോപ്പുകളിൽ പ്രഭാഷണങ്ങളും കേസ് പഠനങ്ങളും മാർഗനിർദേശ പ്രോഗ്രാമിംഗും ഉൾപ്പെടുന്നു. ആദ്യ പ്രഭാഷണത്തിൽ, ഡാറ്റ വിഷ്വലൈസേഷൻ, ലോജിസ്റ്റിക് റിഗ്രഷൻ, വിവരണാത്മക സ്ഥിതിവിവരക്കണക്കുകളുടെ താരതമ്യം എന്നിവയുൾപ്പെടെ ബയോസ്റ്റാറ്റിസ്റ്റിക്സിലെ ഡാറ്റാ വിശകലനത്തിന്റെ തിരഞ്ഞെടുത്ത ഗാനസ് ഞങ്ങൾ അവലോകനം ചെയ്യുന്നു. ഡാറ്റാ വിശകലനം കൃത്രിമബുദ്ധിയുടെ അടിസ്ഥാനമാണെങ്കിലും, ഡാറ്റ ഖനന, പ്രാധാന്യ പരിശോധന അല്ലെങ്കിൽ സംവേദനാത്മക വിഷ്വലൈസേഷൻ പോലുള്ള വിഷയങ്ങൾ ഞങ്ങൾ ഒഴിവാക്കുന്നു. സമയ പരിമിതിയും ചില ബിരുദ വിദ്യാർത്ഥികൾക്ക് ബയോസ്റ്റാറ്റിസ്റ്റിക്സിൽ മുൻകൂട്ടി പരിശീലനമുണ്ടായതിനാലും കൂടുതൽ അദ്വിതീയ മെഷീൻ പഠന വിഷയങ്ങൾ ഉൾപ്പെടുത്താൻ ആഗ്രഹിച്ചതിനാലും ഇത് സംഭവിച്ചു. തുടർന്നുള്ള പ്രഭാഷണം ആധുനിക രീതികൾ അവതരിപ്പിക്കുകയും AI പ്രശ്ന രൂപീകരണം, AI മോഡലുകളുടെ ഗുണങ്ങൾ, പരിമിതികൾ, മോഡൽ പരിശോധന എന്നിവ ചർച്ച ചെയ്യുന്നു. നിലവിലുള്ള കൃത്രിമ രഹസ്യാന്വേഷണ ഉപകരണങ്ങളെക്കുറിച്ചുള്ള സാഹിത്യവും പ്രായോഗിക ഗവേഷണവും പ്രഭാഷണങ്ങൾ പൂർത്തീകരിക്കുന്നു. നിലവിലുള്ള കൃത്രിമ രഹസ്യാന്വേഷണ ഉപകരണങ്ങളുടെ പരിമിതികൾ മനസിലാക്കാൻ ഒരു മോഡലിന്റെ ഫലപ്രാപ്തിയും സാധ്യതയും വിലയിരുത്തുന്നതിന് ആവശ്യമായ കഴിവുകൾ ഞങ്ങൾ ize ന്നിപ്പറയുന്നു. ഉദാഹരണത്തിന്, കുപ്പർമാൻ മറ്റുള്ളവർ നിർദ്ദേശിച്ച ശിശുരോഗമിടുന്ന ഹെഡ് പരിക്ക് മാർഗ്ഗനിർദ്ദേശങ്ങൾ വ്യാഖ്യാനിക്കാൻ ഞങ്ങൾ വിദ്യാർത്ഥികളോട് ആവശ്യപ്പെട്ടു. വൈദ്യരെ മാറ്റിസ്ഥാപിക്കുന്നതിനുപകരം വൈദ്യരുടെ പ്രവചനാതീതമായ അനലിറ്റിക്സ് നൽകുന്ന AI ize ന്നിപ്പറയുന്നു.
ലഭ്യമായ ഓപ്പൺ സോഴ്സ് ബൂട്ട്സ്ട്രാപ്പ് പ്രോഗ്രാമിംഗ് ഉദാഹരണങ്ങൾ (https://gyable.com/ubcabed.com/ubcabed/programing.github.io/tree/massed/programing_examples), ഞങ്ങൾ എങ്ങനെ പര്യവേക്ഷണ ഡാറ്റ വിശകലനം, അളവ് കുറയ്ക്കുന്നത്, സ്റ്റാൻഡേർഡ് മോഡൽ ലോഡിംഗ്, പരിശീലനം എന്നിവ എങ്ങനെ അവതരിപ്പിക്കുന്നു . പരീക്ഷിക്കുന്നു. ഒരു വെബ് ബ്ര browser സറിൽ നിന്ന് പൈത്തൺ കോഡ് എക്സിക്യൂട്ട് ചെയ്യാൻ അനുവദിക്കുന്ന Google കോളസേര നോട്ട്ബുക്കുകൾ (Google LLC, പർവത വ്യൂ, സിഎ) ഉപയോഗിക്കുന്നു. ചിത്രം. ഒരു പ്രോഗ്രാമിംഗ് വ്യായാമത്തിന്റെ ഒരു ഉദാഹരണം ചിത്രം നൽകുന്നു. വിസ്കോൺസിൻ ഓപ്പൺ ഓപ്പൺ സ്തന ഇമേജിംഗ് ഡാറ്റാസെറ്റ് 6, തീരുമാനമരം അൽഗോരിതം എന്നിവ ഉപയോഗിച്ചാണ് ഈ വ്യായാമം.
അനുബന്ധ വിഷയങ്ങളിൽ ഇപ്പോഴത്തെ പ്രോഗ്രാമുകൾ അനുബന്ധ വിഷയങ്ങളിൽ അവതരിപ്പിക്കുകയും AI അപ്ലിക്കേഷനുകളിൽ നിന്ന് ഉദാഹരണങ്ങൾ തിരഞ്ഞെടുക്കുക. ഭാവിയിലെ ക്ലിനിക്കൽ പരിശീലനത്തെക്കുറിച്ചുള്ള ഉൾക്കാഴ്ചയിൽ പ്രസക്തമെന്ന് പ്രോഗ്രാമിംഗ് ഘടകങ്ങൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്, ഇത് ക്ലിനിക്കൽ പരീക്ഷണങ്ങളിൽ ഉപയോഗിക്കാൻ തയ്യാറാണോ എന്ന് എങ്ങനെ വിലയിരുത്താം എന്ന്. മെഡിക്കൽ ഇമേജ് പാരാമീറ്ററുകളെ അടിസ്ഥാനമാക്കി ട്യൂമറുകളെ കൊള്ളയടിക്കുന്നതിനോ മാരകമായോ വർഗ്ഗീകരിക്കുന്ന ഒരു പൂർണ്ണ അന്തിമ-ടു-അറ്റത്ത് ആപ്ലിക്കേഷനിൽ ഈ ഉദാഹരണങ്ങൾ അവസാനിക്കുന്നു.
മുൻ അറിവിന്റെ വൈവിധ്യമാർന്ന. ഞങ്ങളുടെ പങ്കാളികൾ അവരുടെ ഗണിതശാസ്ത്രജ്ഞന്റെ തലത്തിൽ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു. ഉദാഹരണത്തിന്, നൂതന എഞ്ചിനീയറിംഗ് പശ്ചാത്തലമുള്ള വിദ്യാർത്ഥികൾ അവരുടെ സ്വന്തം ഫോറയർ എങ്ങനെ പരിവർത്തനങ്ങൾ നടത്താം എന്നതിനെപ്പോലുള്ള ആഴത്തിലുള്ള വസ്തുക്കൾ തിരയുന്നു. എന്നിരുന്നാലും, ക്ലാസിലെ നാലിൻ അൽഗോരിതം ചർച്ച ചെയ്യുന്നത് സാധ്യമല്ല, കാരണം ഇതിന് സിഗ്നൽ പ്രോസസ്സിംഗിന്റെ ആഴത്തിലുള്ള അറിവ് ആവശ്യമാണ്.
ഹാജർ l ട്ട്ഫ്ലോ. ഫോളോ-അപ്പ് മീറ്റിംഗുകളിലെ ഹാജർ നിരസിച്ചു, പ്രത്യേകിച്ച് ഓൺലൈൻ ഫോർമാറ്റിൽ. ഹാജരാകാനും പൂർത്തിയാക്കുന്ന ഒരു സർട്ടിഫിക്കറ്റ് നൽകാനും ഒരു പരിഹാരം. വിദ്യാർത്ഥികളുടെ പാഠ്യേതര അക്കാദമിക് പ്രവർത്തനങ്ങളുടെ ട്രാൻസ്ക്രിപ്റ്റുകൾ തിരിച്ചറിയുന്നതായി മെഡിക്കൽ സ്കൂളുകൾ അറിയപ്പെടുന്നു, ഇത് വിദ്യാർത്ഥികളെ പിന്തുടരാൻ പ്രേരിപ്പിക്കുന്നു.
കോഴ്സ് ഡിസൈൻ: കാരണം AI വളരെയധികം ഉപമേധകരെ സ്പാസ് ചെയ്യുന്നു, ഉചിതമായ ആഴത്തിന്റെയും വീതിയുടെയും പ്രധാന ആശയങ്ങൾ തിരഞ്ഞെടുക്കുന്നത് വെല്ലുവിളിയാകും. ഉദാഹരണത്തിന്, ക്ലിനിക്കിലേക്കുള്ള ലബോറട്ടറിയിൽ നിന്ന് AI ഉപകരണങ്ങളുടെ ഉപയോഗത്തിന്റെ തുടർച്ച ഒരു പ്രധാന വിഷയമാണ്. ഞങ്ങൾ ഡാറ്റ പ്രീപ്രൊസസിംഗ്, മോഡൽ ബിൽഡിംഗ്, മൂല്യനിർണ്ണയം എന്നിവ ഉൾക്കൊള്ളുന്ന വിഷയങ്ങൾ, വലിയ ഡാറ്റ അനലിറ്റിക്സ്, സംവേദനാത്മക വിഷ്വലൈസേഷൻ, അല്ലെങ്കിൽ AI ക്ലിനിക്കൽ പരീക്ഷണങ്ങൾ എന്നിവ ഉൾപ്പെടുത്തുന്നില്ല, പകരം ഏറ്റവും സവിശേഷമായ AI ആശയങ്ങളിൽ ഞങ്ങൾ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നില്ല. സന്തോഷങ്ങൾ മെച്ചപ്പെടുത്താനാണ് ഞങ്ങളുടെ മാർഗ്ഗനിർദ്ദേശ തത്ത്വം കഴിവുകളല്ല. ഉദാഹരണത്തിന്, വ്യാഖ്യാനത്തിന് ഒരു മോഡൽ പ്രക്രിയകൾ ഇൻപുട്ട് സവിശേഷതകൾ എങ്ങനെ പ്രധാനമാണെന്ന് മനസിലാക്കുന്നു. ഇത് ചെയ്യാനുള്ള ഒരു മാർഗം ഗ്രേഡിയന്റ് സജീവമാക്കൽ മാപ്പുകൾ ഉപയോഗിക്കുക, ഡാറ്റയുടെ പ്രദേശങ്ങൾ പ്രവചിക്കാവുന്നതാണെന്ന് ദൃശ്യവൽക്കരിക്കാൻ കഴിയും. എന്നിരുന്നാലും, ഇതിന് മൾട്ടിവറിയേറ്റ് കാൽക്കുലസ് ആവശ്യമാണ്, അത് അവതരിപ്പിക്കാൻ കഴിയില്ല. ഗണിതശാസ്ത്ര formal പചാരികതയ്ക്കാതെ വെക്റ്ററുകളായി ഡാറ്റയുമായി എങ്ങനെ പ്രവർത്തിക്കാമെന്ന് വിശദീകരിക്കാൻ ഞങ്ങൾ ശ്രമിക്കുന്നതിനാൽ ഒരു പൊതു പദാവലി വികസിപ്പിക്കുന്നത് വെല്ലുവിളിയായിരുന്നു. വ്യത്യസ്ത പദങ്ങളുണ്ടെന്ന് ശ്രദ്ധിക്കുക, ഉദാഹരണത്തിന്, എപ്പിഡെമിയോളജിയിൽ, ഒരു "സ്വഭാവത്തെ" ഒരു "വേരിയബിൾ" അല്ലെങ്കിൽ "ആട്രിബ്യൂട്ട്" എന്ന് വിശേഷിപ്പിക്കും.
അറിവ് നിലനിർത്തൽ. കാരണം, പങ്കെടുക്കുന്നവർ അറിവുകൾ കാണാനുള്ള അവശിഷ്ടങ്ങൾ നിലനിർത്താൻ തുടർച്ചയായി നിലനിർത്തുന്നതായി AI ന്റെ അപേക്ഷ പരിമിതമാണ്. മെഡിക്കൽ സ്കൂൾ പാഠ്യപദ്ധതിയിൽ പലപ്പോഴും ഇടമുള്ള ആവർത്തനത്തെ ആശ്രയിക്കുന്നു, പ്രായോഗിക ഭ്രമണങ്ങളിൽ അറിവ് ശക്തിപ്പെടുത്തുന്നതിന്, 9 AI വിദ്യാഭ്യാസത്തിന് ബാധകമാകും.
സാക്ഷരതയേക്കാൾ പ്രൊഫഷണലിസം പ്രധാനമാണ്. മെറ്റീരിയലിന്റെ ആഴം രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത് ഗണിതശാസ്ത്രപരമായ റിഗോർ ഇല്ലാതെ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു, ഇത് കൃത്രിമബുദ്ധിയിൽ ക്ലിനിക്കൽ കോഴ്സുകൾ സമാരംഭിക്കുമ്പോൾ ഒരു പ്രശ്നമായിരുന്നു. പ്രോഗ്രാമിംഗ് ഉദാഹരണങ്ങളിൽ, പങ്കെടുക്കുന്നവരെ ഞങ്ങൾ ഫീൽഡുകൾ പൂരിപ്പിക്കാമെന്നും പൂർണ്ണ പ്രോഗ്രാമിംഗ് അന്തരീക്ഷം എങ്ങനെ സജ്ജീകരിക്കാമെന്നും മനസിലാക്കാതെ സോഫ്റ്റ്വെയർ പ്രവർത്തിപ്പിക്കുകയും ചെയ്യുന്നു.
കൃത്രിമബുദ്ധിയെക്കുറിച്ചുള്ള ആശങ്കകൾ അഭിസംബോധന ചെയ്യുന്നു: കൃത്രിമബുദ്ധിക്ക് ചില ക്ലിനിക്കൽ ഡ്യൂട്ടികളെ മാറ്റിസ്ഥാപിക്കാൻ വ്യാപകമായ ആശങ്കയുണ്ട്. ഈ വിഷയത്തിൽ അഭിസംബോധന ചെയ്യാൻ, എഐയുടെ പരിമിതികൾ ഞങ്ങൾ വിശദീകരിക്കുന്നു, റെഗുലേറ്ററുകൾ അംഗീകരിച്ച മിക്കവാറും എല്ലാ AI സാങ്കേതികവിദ്യകളും ഫിസിഷ്യൻ മേൽനോട്ട രേഖ 11 ആവശ്യമാണ്. അൽഗോരിതം പക്ഷപാതപരമാണ്, കാരണം അൽഗോരിതം പക്ഷപാതപരമാണ്, പ്രത്യേകിച്ചും ഡാറ്റാ സെറ്റ് വൈവിധ്യമാർന്നതല്ലെങ്കിൽ പ്രത്യേകിച്ചും ഞങ്ങൾ ബിസിഐഎസിന്റെ പ്രാധാന്യം ize ന്നിപ്പറയുന്നു. തൽഫലമായി, ഒരു നിശ്ചിത ഉപഗ്രൂപ്പ് തെറ്റായി മാതൃകയാക്കാം, അന്യായമായ ക്ലിനിക്കൽ തീരുമാനങ്ങളിലേക്ക് നയിക്കുന്നു.
ഉറവിടങ്ങൾ പൊതുവായി ലഭ്യമാണ്: പ്രഭാഷണ സ്ലൈഡുകൾ, കോഡ് എന്നിവ ഉൾപ്പെടെ ഞങ്ങൾ പൊതുവായി ലഭ്യമായ ഉറവിടങ്ങൾ സൃഷ്ടിച്ചു. സമന്വയ ഉള്ളടക്കത്തിലേക്കുള്ള പ്രവേശനം ടൈം സോണുകൾ കാരണം പരിമിതപ്പെടുത്തിയിട്ടുണ്ടെങ്കിലും, എല്ലാ മെഡിക്കൽ സ്കൂളുകളിലും എഐ വൈദഗ്ദ്ധ്യം ലഭ്യമല്ലാത്തതിനാൽ അസമന്വിത പഠനത്തിന് സൗകര്യപ്രദമായ മാർപ്പാണ് ഓപ്പൺ സോഴ്സ് ഉള്ളടക്കം.
ഇന്റർ ഡിസിപ്ലിനറി സഹകരണം: എഞ്ചിനീയർമാരുമായി സഹകരിച്ച് മെഡിക്കൽ വിദ്യാർത്ഥികൾ ആരംഭിക്കുന്നതിന് സംയുക്ത സംരംഭമാണ് ഈ വർക്ക്ഷോപ്പ്. ഭാവിയിൽ തങ്ങൾക്ക് സംഭാവന ചെയ്യാൻ കഴിയുന്ന പങ്ക് മനസിലാക്കാൻ പങ്കാളികളെ അനുവദിക്കുന്ന സഹകരണ അവസരങ്ങളും വിജ്ഞാന വിടവുകളും ഇത് പ്രകടമാക്കുന്നു.
AI കോർ കഴിവുകൾ നിർവചിക്കുക. കഴിവുകളുടെ ഒരു ലിസ്റ്റ് നിർവചിക്കുന്നത് നിലവിലുള്ള യോഗ്യത അധിഷ്ഠിത മെഡിക്കൽ പാഠ്യപദ്ധേഷികളുമായി സംയോജിപ്പിക്കാൻ കഴിയുന്ന ഒരു സ്റ്റാൻഡേർഡ് ഘടന നൽകുന്നു. ഈ വർക്ക്ഷോപ്പ് നിലവിൽ വസ്തുനിഷ്ഠമായ ലെവലുകൾ 2 (മനസ്സിലാക്കൽ), 3 (ആപ്ലിക്കേഷൻ), ബ്ലൂമിന്റെ ടാക്സോണമിയുടെ 4 (വിശകലനം) എന്നിവ ഉപയോഗിക്കുന്നു. പദ്ധതികൾ സൃഷ്ടിക്കുന്നത് പോലുള്ള വർഗ്ഗീകരണത്തിൽ വിഭവങ്ങൾ ഉള്ളതിനാൽ, പദ്ധതികൾ സൃഷ്ടിക്കുന്നത് പോലുള്ളവയെ കൂടുതൽ ശക്തിപ്പെടുത്താം. ഇതിന് ക്ലിനിക്കൽ വിദഗ്ധരുമായി പ്രവർത്തിക്കേണ്ടതുണ്ട്, ക്ലിനിക്കൽ വർക്ക്ഫ്ലോസിൽ എഐഐ വിഷയങ്ങൾ എങ്ങനെ ബാധകമാവുകയും സ്റ്റാൻഡേർഡ് മെഡിക്കൽ പാഠ്യപദ്ധതിയിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.
AI ഉപയോഗിച്ച് കേസ് പഠനങ്ങൾ സൃഷ്ടിക്കുക. ക്ലിനിക്കൽ ഉദാഹരണങ്ങൾക്ക് സമാനമായത്, കേസ് അടിസ്ഥാനമാക്കിയുള്ള പഠനത്തിന് ക്ലിനിക്കൽ ചോദ്യങ്ങളിലേക്ക് അവരുടെ പ്രസക്തി ഉയർത്തിക്കാട്ടുന്നതിലൂടെ അമൂർത്തമായ ആശയങ്ങൾ ശക്തിപ്പെടുത്താൻ കഴിയും. ഉദാഹരണത്തിന്, ഒരു വർക്ക്ഷോപ്പ് പഠനം Google- ന്റെ AI അധിഷ്ഠിത പ്രമേഹ റെറ്റിനോപാത്തി ഡിറ്റക്ഷൻ സിസ്റ്റം 13 വിശകലനം ചെയ്തു, ബാഹ്യ മൂല്യനിർണ്ണയ ആവശ്യകതകളും റെഗുലേറ്ററി അംഗീകാര പാതകളും പോലുള്ള ക്ലിനിക്കിലേക്ക് വെല്ലുവിളികൾ തിരിച്ചറിയാൻ.
പരീക്ഷണാത്മക പഠനം ഉപയോഗിക്കുക: ക്ലിനിക്കൽ ട്രെയിനികളുടെ ഭ്രമണ പഠന അനുഭവങ്ങൾക്ക് സമാനമായത് സാങ്കേതിക വൈദഗ്ദ്ധ്യം ആവശ്യമുള്ള പരിശീലനവും മാസ്റ്ററിന് ആവർത്തിക്കേണ്ടതുണ്ട്. എഞ്ചിനീയറിംഗ് വിദ്യാഭ്യാസത്തിലെ വിജ്ഞാന നിലനിർത്തൽ മെച്ചപ്പെടുത്തുന്നതിനായി റിപ്പോർട്ടുചെയ്ത ക്ലാസ് റൂം മോഡലാണ് സാധ്യതയുള്ള ഒരു പരിഹാരം. ഈ മോഡലിൽ, വിദ്യാർത്ഥികൾക്ക് സ്വതന്ത്രമായി സ്വതന്ത്രമായി അവലോകനം ചെയ്യുകയും ക്ലാസ് സമയം കേസ് പഠനത്തിലൂടെ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് അർപ്പിതരാകുകയും ചെയ്യുന്നു.
മൾട്ടിഡിസിപ്ലിനറി പങ്കാളികൾക്കുള്ള സ്കെയിലിംഗ്: വൈദ്യരുടെ വിവിധ വിഭാഗങ്ങളിലുടനീളം, വൈദ്യരുടെയും അനുബന്ധ ആരോഗ്യ പ്രൊഫഷണലുകളും ഉൾപ്പെടെയുള്ള എ.ഐ ദത്തെടുക്കൽ ഞങ്ങൾ വിഭാവനം ചെയ്യുന്നു. അതിനാൽ, വിവിധ വകുപ്പുകളിൽ നിന്ന് ഫാക്കൽറ്റിയുമായി കൂടിയാലോചിച്ച് ആരോഗ്യ പരിരക്ഷയുടെ വിവിധ മേഖലകളിലേക്ക് തളർത്താൻ പാഠുല വികസിപ്പിക്കേണ്ടതുണ്ട്.
കൃത്രിമബുദ്ധി ഉയർന്ന സാങ്കേതികവിദ്യയും അതിന്റെ പ്രധാന ആശയങ്ങളും ഗണിതശാസ്ത്രവും കമ്പ്യൂട്ടർ സയനുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. കൃത്രിമബുദ്ധി മനസിലാക്കാൻ ഹെൽത്ത് കെയർ ഉദ്യോഗസ്ഥരെ പരിശീലിപ്പിക്കുന്നു ഉള്ളടക്ക തിരഞ്ഞെടുക്കൽ, ക്ലിനിക്കൽ റിവേൻസ്, ഡെലിവറി രീതികൾ എന്നിവയിൽ സവിശേഷമായ വെല്ലുവിളികൾ അവതരിപ്പിക്കുന്നു. വിദ്യാഭ്യാസ വർക്ക് ഷോപ്പുകളിൽ നിന്ന് നേടിയ സ്ഥിതിവിവരക്കണക്കുകൾ ഭാവി വിദ്യാഭ്യാസ വിദ്യാഭ്യാസത്തെ മെഡിക്കൽ വിദ്യാഭ്യാസത്തിലേക്ക് സംയോജിപ്പിക്കുന്നതിനുള്ള നൂതന മാർഗങ്ങളെ സഹായിക്കുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.
Google നിരശാലസം പൈത്തൺ സ്ക്രിപ്റ്റ് ഓപ്പൺ സോഴ്സ് ആണ്, അതിൽ ലഭ്യമാണ്: https://gyithub.com/ubcaimed/ubcaimed.github.io/tree/master/.
റേസർ, കെ ജി, ഖാൻ, എസ്. പുനരീനികരമായ മെഡിക്കൽ വിദ്യാഭ്യാസം: പ്രവർത്തനത്തിനുള്ള ഒരു കോൾ. അക്കാഡ്. മരുന്ന്. 88, 1407-1410 (2013).
മക്കോയ്, എൽജി മുതലായവയാണ് കൃത്രിമബുദ്ധിയെക്കുറിച്ച് മെഡിക്കൽ വിദ്യാർത്ഥികൾക്ക് എന്ത് അറിയേണ്ടത്? Npzh നമ്പറുകൾ. മെഡിസിൻ 3, 1-3 (2020).
ഡോസ് സാന്റോസ്, ഡിപി, മറ്റുള്ളവർ അൽ. കൃത്രിമബുദ്ധിയോടുള്ള മെഡിക്കൽ വിദ്യാർത്ഥികളുടെ മനോഭാവം: ഒരു മൾട്ടിസെന്റർ സർവേ. യൂറോ. വികിരണം. 29, 1640-1646 (2019).
ഫാൻ, കെവൈ, എച്ച്.യു, ആർ., സിംഗ്ല, ആർ. മെഡിക്കൽ വിദ്യാർത്ഥികൾക്കായി മെഷീൻ പഠനത്തിന്റെ ആമുഖം: ഒരു പൈലറ്റ് പ്രോജക്റ്റ്. ജെ. മെഡ്. പഠിപ്പിക്കുക. 54, 1042-1043 (2020).
കൂപ്പർമാൻ എൻ, മറ്റുള്ളവ. തലയ്ക്ക് പരിക്കേറ്റതിനുശേഷം ചില കുറഞ്ഞ തലച്ചോറിന്റെ അപകടസാധ്യതയിൽ കുട്ടികളെ തിരിച്ചറിയുന്നു: ഒരു വരാനിരിക്കുന്ന കൂട്ടാർട്ട് പഠനം. ലാൻസെറ്റ് 374, 1160-1170 (2009).
സ്ട്രീറ്റ്, ഡബ്ല്യുഎൻ, വോൾബർഗ്, ഡബ്ല്യുഎച്ച്, മംഗസാറ്റേറിയൻ, ഓൾ. ബ്രെസ്റ്റ് ട്യൂമർ ഡയസ്റ്റോസിസിനുള്ള ന്യൂക്ലിയർ സവിശേഷത എക്സ്ട്രാക്ഷൻ. ബയോമെഡിക്കൽ സയൻസ്. ഇമേജ് പ്രോസസ്സിംഗ്. ബയോമെഡിക്കൽ സയൻസ്. വൈസ്. 1905, 861-870 (1993).
ചെൻ, പിഎച്ച്സി, ലിയു, വൈ, പെംഗ്, എൽ. ആരോഗ്യ സംരക്ഷണത്തിനായി മെഷീൻ പഠന മോഡലുകൾ എങ്ങനെ വികസിപ്പിക്കാം. നാറ്റ്. മാറ്റ്. 18, 410-414 (2019).
Selvaraju, Rr Et al. ഗ്രേഡ്-ക്യാം: ഗ്രേഡിയന്റ് അടിസ്ഥാനമാക്കിയുള്ള പ്രാദേശികവൽക്കരണത്തിലൂടെ ആഴത്തിലുള്ള നെറ്റ്വർക്കുകളുടെ വിഷ്വൽ വ്യാഖ്യാനം. കമ്പ്യൂട്ടർ വിഷന്ത്തെക്കുറിച്ചുള്ള ഐഇഇ അന്താരാഷ്ട്ര സമ്മേളനത്തിന്റെ നടപടികൾ, 618-626 (2017).
കുമാരൽ ബി, സ്റ്റുവാർട്ട് കെ, ഐലി.എ.എൽ.എസ്. ബിഎംകെ മെഡിസിൻ. പഠിപ്പിക്കുക. 21, 1-9 (2021).
കോലാചലാമ VB, GARG PS മെഷീൻ ലേണിംഗ്, മെഡിക്കൽ വിദ്യാഭ്യാസം. Npzh നമ്പറുകൾ. മരുന്ന്. 1, 1-3 (2018).
വാൻ ലീവാൻ, കെ ജി, ഷാലേക്യം, എസ്. യൂറോ. വികിരണം. 31, 3797-3804 (2021).
ടോപ്പോൾ, ഇജെ ഉയർന്ന പ്രകടന വൈദ്യശാസ്ത്രം: മനുഷ്യന്റെയും കൃത്രിമവുമായ ഇന്റലിജൻസിന്റെ ഒത്തുചേരൽ. നാറ്റ്. മരുന്ന്. 25, 44-56 (2019).
ബെഡെ, ഇ. മറ്റുള്ളവ. പ്രമേഹ റെറ്റിനോപ്പതി കണ്ടെത്തുന്നതിനായി ക്ലിനിക്കിൽ വിന്യസിച്ച ആഴത്തിലുള്ള പഠന സംവിധാനത്തിന്റെ മാനുഷിക വിലയിരുത്തൽ. കമ്പ്യൂട്ടിംഗ് സിസ്റ്റങ്ങളിലെ മനുഷ്യ ഘടകങ്ങളെക്കുറിച്ചുള്ള 2020 ചി കോൺഫറൻസിന്റെ നടപടികൾ (2020).
കെർ, ബി. എഞ്ചിനീയറിംഗ് വിദ്യാഭ്യാസത്തിലെ ഫ്ലിപ്പുചെയ്ത ക്ലാസ് റൂം: ഒരു ഗവേഷണ അവലോകനം. സംവേദനാത്മക സഹകരണ പഠനത്തെക്കുറിച്ചുള്ള 2015 അന്താരാഷ്ട്ര സമ്മേളനത്തിന്റെ നടപടികൾ (2015).
രചയിതാക്കൾ ഡാനിയേൽ വാക്കർ, ടിം സാൽകുഡിൻ, പീറ്റർ സാൻഡ്സ്ട്ര എന്നിവയ്ക്ക് നന്ദി, ധനസഹായത്തിനുമായി ബ്രിട്ടീഷ് കൊളംബിയ സർവകലാശാലയിലെ ബയോമെഡിക്കൽ ഇമേജിംഗ്, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് റിസർച്ച് ക്ലസ്റ്ററിൽ നിന്ന്.
വർക്ക്ഷോപ്പ് അദ്ധ്യാപന ഉള്ളടക്കം വികസിപ്പിക്കുന്നതിന് ആർഎച്ച്, പി.പി.എച്ച്, ആർഎസ്, എം.എ. പ്രോഗ്രാമിംഗ് ഉദാഹരണങ്ങൾ വികസിപ്പിക്കുന്നതിന് ആർഎച്ച്, പിപി ഉത്തരവാദിയായിരുന്നു. പദ്ധതിയുടെ ലോജിസ്റ്റിക്കൽ ഓർഗനൈസേഷനും വർക്ക് ഷോപ്പുകളുടെ വിശകലനത്തിനും കെവൈഎഫ്, ഓ, എംടി, പിഡബ്ല്യു. RH, OY, MT, കണക്കുകളും പട്ടികകളും സൃഷ്ടിക്കുന്നതിന് ആർഎസ് ആർഎസ്. ആർഎച്ച്, കെവൈഎഫ്, പിപി, പി.പി, ഓയി, മൈ, പിഡബ്ല്യു, ടിഎൽ, മാ, പ്രമാണം തയ്യാറാക്കുന്നതിനും എഡിറ്റുചെയ്യുന്നതിനും ഉത്തരവാദിയാണ്.
ആശയവിനിമയ മെഡിസിൻ നന്ദി കരോലിൻ മക്ഗ്രെഗോർ, ഫാബിയോ മോറസ്, ആദിത്യ ബോറാക്കതി എന്നിവ ഈ കൃതിയുടെ അവലോകനത്തിനുള്ള സംഭാവനകൾക്ക്.