മെഡിക്കൽ വിദ്യാർത്ഥികൾക്ക് കൃത്രിമബുദ്ധി പഠിപ്പിക്കുന്നതിനുള്ള കനേഡിയൻ കാഴ്ചപ്പാട്

Nature.com സന്ദർശിച്ചതിന് നന്ദി.നിങ്ങൾ ഉപയോഗിക്കുന്ന ബ്രൗസറിൻ്റെ പതിപ്പിന് പരിമിതമായ CSS പിന്തുണയുണ്ട്.മികച്ച ഫലങ്ങൾക്കായി, നിങ്ങളുടെ ബ്രൗസറിൻ്റെ പുതിയ പതിപ്പ് ഉപയോഗിക്കാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു (അല്ലെങ്കിൽ Internet Explorer-ൽ അനുയോജ്യത മോഡ് ഓഫാക്കുക).അതിനിടയിൽ, നിലവിലുള്ള പിന്തുണ ഉറപ്പാക്കാൻ, ഞങ്ങൾ സ്റ്റൈലിംഗോ JavaScript ഇല്ലാതെ സൈറ്റ് കാണിക്കുന്നു.
ക്ലിനിക്കൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ (AI) ആപ്ലിക്കേഷനുകൾ അതിവേഗം വളരുകയാണ്, എന്നാൽ നിലവിലുള്ള മെഡിക്കൽ സ്കൂൾ പാഠ്യപദ്ധതി ഈ മേഖലയെ ഉൾക്കൊള്ളുന്ന പരിമിതമായ അദ്ധ്യാപനമാണ് വാഗ്ദാനം ചെയ്യുന്നത്.ഞങ്ങൾ വികസിപ്പിച്ച് കനേഡിയൻ മെഡിക്കൽ വിദ്യാർത്ഥികൾക്ക് കൈമാറിയ ഒരു ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് പരിശീലന കോഴ്‌സ് ഇവിടെ വിവരിക്കുകയും ഭാവി പരിശീലനത്തിനായി ശുപാർശകൾ നൽകുകയും ചെയ്യുന്നു.
വൈദ്യശാസ്ത്രത്തിലെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് (AI) ജോലിസ്ഥലത്തെ കാര്യക്ഷമത മെച്ചപ്പെടുത്താനും ക്ലിനിക്കൽ തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കാനും കഴിയും.ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ഉപയോഗം സുരക്ഷിതമായി നയിക്കാൻ, ഫിസിഷ്യൻമാർക്ക് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിനെ കുറിച്ച് കുറച്ച് ധാരണ ഉണ്ടായിരിക്കണം.AI മോഡലുകളും സ്ഥിരീകരണ പ്രക്രിയകളും വിശദീകരിക്കുന്നത് പോലെ AI ആശയങ്ങൾ 1 പഠിപ്പിക്കണമെന്ന് പല അഭിപ്രായങ്ങളും വാദിക്കുന്നു.എന്നിരുന്നാലും, ചില ഘടനാപരമായ പദ്ധതികൾ നടപ്പിലാക്കിയിട്ടുണ്ട്, പ്രത്യേകിച്ച് ദേശീയ തലത്തിൽ.പിൻ്റോ ഡോസ് സാൻ്റോസ് et al.3.263 മെഡിക്കൽ വിദ്യാർത്ഥികളിൽ നടത്തിയ സർവേയിൽ 71% പേർ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൽ പരിശീലനം ആവശ്യമാണെന്ന് സമ്മതിച്ചു.ഒരു മെഡിക്കൽ പ്രേക്ഷകർക്ക് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് പഠിപ്പിക്കുന്നതിന്, പലപ്പോഴും വിപുലമായ മുൻ അറിവുള്ള വിദ്യാർത്ഥികൾക്ക് സാങ്കേതികവും സാങ്കേതികമല്ലാത്തതുമായ ആശയങ്ങൾ സംയോജിപ്പിച്ച് ശ്രദ്ധാപൂർവമായ രൂപകൽപ്പന ആവശ്യമാണ്.മൂന്ന് കൂട്ടം മെഡിക്കൽ വിദ്യാർത്ഥികൾക്ക് AI വർക്ക്‌ഷോപ്പുകളുടെ ഒരു പരമ്പര വിതരണം ചെയ്തതിൻ്റെ അനുഭവം ഞങ്ങൾ വിവരിക്കുകയും AI-യിൽ ഭാവിയിലെ മെഡിക്കൽ വിദ്യാഭ്യാസത്തിനായി ശുപാർശകൾ നൽകുകയും ചെയ്യുന്നു.
മെഡിക്കൽ വിദ്യാർത്ഥികൾക്കായി ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഇൻ മെഡിസിൻ വർക്ക്ഷോപ്പ് ഞങ്ങളുടെ അഞ്ചാഴ്ചത്തെ ആമുഖം ഫെബ്രുവരി 2019 നും ഏപ്രിൽ 2021 നും ഇടയിൽ മൂന്ന് തവണ നടന്നു. ഓരോ വർക്ക്ഷോപ്പിൻ്റെയും ഒരു ഷെഡ്യൂൾ, കോഴ്സിലെ മാറ്റങ്ങളുടെ ഒരു ഹ്രസ്വ വിവരണം ചിത്രം 1 ൽ കാണിച്ചിരിക്കുന്നു. ഞങ്ങളുടെ കോഴ്സ് മൂന്ന് പ്രാഥമിക പഠന ലക്ഷ്യങ്ങൾ: ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ആപ്ലിക്കേഷനുകളിൽ ഡാറ്റ എങ്ങനെ പ്രോസസ്സ് ചെയ്യപ്പെടുന്നുവെന്ന് വിദ്യാർത്ഥികൾ മനസ്സിലാക്കുന്നു, ക്ലിനിക്കൽ ആപ്ലിക്കേഷനുകൾക്കായി ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സാഹിത്യം വിശകലനം ചെയ്യുക, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് വികസിപ്പിക്കുന്ന എഞ്ചിനീയർമാരുമായി സഹകരിക്കാനുള്ള അവസരങ്ങൾ പ്രയോജനപ്പെടുത്തുക.
നീലയാണ് പ്രഭാഷണത്തിൻ്റെ വിഷയം, ഇളം നീലയാണ് സംവേദനാത്മക ചോദ്യോത്തര കാലയളവ്.ചാര വിഭാഗമാണ് ഹ്രസ്വ സാഹിത്യ അവലോകനത്തിൻ്റെ കേന്ദ്രബിന്ദു.ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് മോഡലുകളെയോ സാങ്കേതികതകളെയോ വിവരിക്കുന്ന തിരഞ്ഞെടുത്ത കേസ് പഠനങ്ങളാണ് ഓറഞ്ച് വിഭാഗങ്ങൾ.ക്ലിനിക്കൽ പ്രശ്നങ്ങൾ പരിഹരിക്കാനും മോഡലുകൾ വിലയിരുത്താനും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് പഠിപ്പിക്കാൻ രൂപകൽപ്പന ചെയ്ത ഒരു ഗൈഡഡ് പ്രോഗ്രാമിംഗ് കോഴ്സാണ് ഗ്രീൻ.വിദ്യാർത്ഥികളുടെ ആവശ്യങ്ങൾ വിലയിരുത്തുന്നതിനെ അടിസ്ഥാനമാക്കി വർക്ക്ഷോപ്പുകളുടെ ഉള്ളടക്കവും ദൈർഘ്യവും വ്യത്യാസപ്പെടുന്നു.
2019 ഫെബ്രുവരി മുതൽ ഏപ്രിൽ വരെ ബ്രിട്ടീഷ് കൊളംബിയ സർവകലാശാലയിൽ ആദ്യ ശിൽപശാല നടന്നു, പങ്കെടുത്ത 8 പേരും നല്ല ഫീഡ്‌ബാക്ക് നൽകി4.COVID-19 കാരണം, 8 കനേഡിയൻ മെഡിക്കൽ സ്കൂളുകളിൽ നിന്നുള്ള 222 മെഡിക്കൽ വിദ്യാർത്ഥികളും 3 താമസക്കാരും രജിസ്റ്റർ ചെയ്ത രണ്ടാമത്തെ വർക്ക്ഷോപ്പ് 2020 ഒക്ടോബർ-നവംബർ മാസങ്ങളിൽ നടന്നു.അവതരണ സ്ലൈഡുകളും കോഡും ഒരു ഓപ്പൺ ആക്‌സസ് സൈറ്റിലേക്ക് അപ്‌ലോഡ് ചെയ്‌തു (http://ubcaimed.github.io).ആദ്യ ആവർത്തനത്തിൽ നിന്നുള്ള പ്രധാന ഫീഡ്‌ബാക്ക്, പ്രഭാഷണങ്ങൾ വളരെ തീവ്രവും മെറ്റീരിയൽ വളരെ സൈദ്ധാന്തികവുമാണെന്നതായിരുന്നു.കാനഡയിലെ ആറ് വ്യത്യസ്ത സമയ മേഖലകളിൽ സേവനം നൽകുന്നത് അധിക വെല്ലുവിളികൾ ഉയർത്തുന്നു.അങ്ങനെ, രണ്ടാമത്തെ വർക്ക്‌ഷോപ്പ് ഓരോ സെഷനും 1 മണിക്കൂറായി ചുരുക്കി, കോഴ്‌സ് മെറ്റീരിയലുകൾ ലളിതമാക്കി, കൂടുതൽ കേസ് പഠനങ്ങൾ ചേർത്തു, കൂടാതെ ബോയിലർപ്ലേറ്റ് പ്രോഗ്രാമുകൾ സൃഷ്ടിച്ചു, ഇത് കുറഞ്ഞ ഡീബഗ്ഗിംഗ് ഉപയോഗിച്ച് കോഡ് സ്‌നിപ്പെറ്റുകൾ പൂർത്തിയാക്കാൻ പങ്കാളികളെ അനുവദിക്കുന്നു (ബോക്‌സ് 1).രണ്ടാമത്തെ ആവർത്തനത്തിൽ നിന്നുള്ള പ്രധാന ഫീഡ്‌ബാക്കിൽ പ്രോഗ്രാമിംഗ് വ്യായാമങ്ങളെക്കുറിച്ചുള്ള നല്ല ഫീഡ്‌ബാക്കും ഒരു മെഷീൻ ലേണിംഗ് പ്രോജക്റ്റിനായി ആസൂത്രണം ചെയ്യാനുള്ള അഭ്യർത്ഥനയും ഉൾപ്പെടുന്നു.അതിനാൽ, 2021 മാർച്ച്-ഏപ്രിൽ മാസങ്ങളിൽ 126 മെഡിക്കൽ വിദ്യാർത്ഥികൾക്കായി നടത്തിയ ഞങ്ങളുടെ മൂന്നാമത്തെ വർക്ക്‌ഷോപ്പിൽ, പ്രോജക്റ്റുകളിൽ വർക്ക്‌ഷോപ്പ് ആശയങ്ങൾ ഉപയോഗിക്കുന്നതിൻ്റെ സ്വാധീനം പ്രകടിപ്പിക്കുന്നതിനായി ഞങ്ങൾ കൂടുതൽ സംവേദനാത്മക കോഡിംഗ് വ്യായാമങ്ങളും പ്രോജക്റ്റ് ഫീഡ്‌ബാക്ക് സെഷനുകളും ഉൾപ്പെടുത്തി.
ഡാറ്റാ അനാലിസിസ്: ഡാറ്റ പാറ്റേണുകൾ വിശകലനം ചെയ്തും പ്രോസസ്സ് ചെയ്തും ആശയവിനിമയം നടത്തിയും ഡാറ്റയിലെ അർത്ഥവത്തായ പാറ്റേണുകൾ തിരിച്ചറിയുന്ന സ്ഥിതിവിവരക്കണക്കിലെ ഒരു പഠന മേഖല.
ഡാറ്റ മൈനിംഗ്: ഡാറ്റ തിരിച്ചറിയുന്നതിനും വേർതിരിച്ചെടുക്കുന്നതിനുമുള്ള പ്രക്രിയ.ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പശ്ചാത്തലത്തിൽ, ഇത് പലപ്പോഴും വലുതാണ്, ഓരോ സാമ്പിളിനും ഒന്നിലധികം വേരിയബിളുകൾ ഉണ്ട്.
ഡൈമെൻഷണാലിറ്റി റിഡക്ഷൻ: ഒറിജിനൽ ഡാറ്റാ സെറ്റിൻ്റെ പ്രധാനപ്പെട്ട പ്രോപ്പർട്ടികൾ സംരക്ഷിക്കുമ്പോൾ, നിരവധി വ്യക്തിഗത സവിശേഷതകളുള്ള ഡാറ്റയെ കുറച്ച് ഫീച്ചറുകളാക്കി മാറ്റുന്ന പ്രക്രിയ.
സ്വഭാവഗുണങ്ങൾ (കൃത്രിമ ബുദ്ധിയുടെ പശ്ചാത്തലത്തിൽ): ഒരു സാമ്പിളിൻ്റെ അളക്കാവുന്ന ഗുണങ്ങൾ.പലപ്പോഴും "പ്രോപ്പർട്ടി" അല്ലെങ്കിൽ "വേരിയബിൾ" എന്നതിന് പകരം ഉപയോഗിക്കാറുണ്ട്.
ഗ്രേഡിയൻ്റ് ആക്ടിവേഷൻ മാപ്പ്: ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് മോഡലുകളെ (പ്രത്യേകിച്ച് കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ) വ്യാഖ്യാനിക്കാൻ ഉപയോഗിക്കുന്ന ഒരു സാങ്കേതികത, ഇത് വളരെ പ്രവചനാത്മകമായ ഡാറ്റയുടെയോ ചിത്രങ്ങളുടെയോ പ്രദേശങ്ങൾ തിരിച്ചറിയുന്നതിന് നെറ്റ്‌വർക്കിൻ്റെ അവസാന ഭാഗം ഒപ്റ്റിമൈസ് ചെയ്യുന്ന പ്രക്രിയയെ വിശകലനം ചെയ്യുന്നു.
സ്റ്റാൻഡേർഡ് മോഡൽ: സമാനമായ ജോലികൾ ചെയ്യാൻ മുൻകൂട്ടി പരിശീലിപ്പിച്ചിട്ടുള്ള നിലവിലുള്ള AI മോഡൽ.
ടെസ്റ്റിംഗ് (ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പശ്ചാത്തലത്തിൽ): മുമ്പ് നേരിട്ടിട്ടില്ലാത്ത ഡാറ്റ ഉപയോഗിച്ച് ഒരു മോഡൽ ഒരു ടാസ്ക് എങ്ങനെ നിർവഹിക്കുന്നുവെന്ന് നിരീക്ഷിക്കുന്നു.
പരിശീലനം (ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പശ്ചാത്തലത്തിൽ): ഡാറ്റയും ഫലങ്ങളും ഉള്ള ഒരു മോഡൽ നൽകുന്നു, അതുവഴി പുതിയ ഡാറ്റ ഉപയോഗിച്ച് ടാസ്‌ക്കുകൾ ചെയ്യാനുള്ള അതിൻ്റെ കഴിവ് ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന് മോഡൽ അതിൻ്റെ ആന്തരിക പാരാമീറ്ററുകൾ ക്രമീകരിക്കുന്നു.
വെക്റ്റർ: ഡാറ്റയുടെ നിര.മെഷീൻ ലേണിംഗിൽ, ഓരോ അറേ എലമെൻ്റും സാധാരണയായി സാമ്പിളിൻ്റെ ഒരു പ്രത്യേക സവിശേഷതയാണ്.
ഓരോ വിഷയത്തിനും ലക്ഷ്യമിട്ടുള്ള പഠന ലക്ഷ്യങ്ങൾ ഉൾപ്പെടെ 2021 ഏപ്രിലിലെ ഏറ്റവും പുതിയ കോഴ്‌സുകൾ പട്ടിക 1 പട്ടികപ്പെടുത്തുന്നു.ഈ വർക്ക്‌ഷോപ്പ് സാങ്കേതിക തലത്തിലേക്ക് പുതിയവരെ ഉദ്ദേശിച്ചുള്ളതാണ്, കൂടാതെ ബിരുദ മെഡിക്കൽ ബിരുദത്തിൻ്റെ ആദ്യ വർഷത്തിനപ്പുറം ഗണിതശാസ്ത്ര പരിജ്ഞാനം ആവശ്യമില്ല.എഞ്ചിനീയറിംഗിൽ ഉന്നത ബിരുദമുള്ള 6 മെഡിക്കൽ വിദ്യാർത്ഥികളും 3 അധ്യാപകരും ചേർന്നാണ് കോഴ്‌സ് വികസിപ്പിച്ചത്.പഠിപ്പിക്കുന്നതിനായി എഞ്ചിനീയർമാർ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സിദ്ധാന്തം വികസിപ്പിച്ചുകൊണ്ടിരിക്കുന്നു, മെഡിക്കൽ വിദ്യാർത്ഥികൾ ക്ലിനിക്കലി പ്രസക്തമായ മെറ്റീരിയൽ പഠിക്കുന്നു.
വർക്ക്ഷോപ്പുകളിൽ പ്രഭാഷണങ്ങൾ, കേസ് പഠനങ്ങൾ, ഗൈഡഡ് പ്രോഗ്രാമിംഗ് എന്നിവ ഉൾപ്പെടുന്നു.ആദ്യ പ്രഭാഷണത്തിൽ, ഡാറ്റാ വിഷ്വലൈസേഷൻ, ലോജിസ്റ്റിക് റിഗ്രഷൻ, വിവരണാത്മകവും ഇൻഡക്റ്റീവ് സ്റ്റാറ്റിസ്റ്റിക്സിൻ്റെ താരതമ്യവും ഉൾപ്പെടെ, ബയോസ്റ്റാറ്റിസ്റ്റിക്സിലെ ഡാറ്റാ വിശകലനത്തിൻ്റെ തിരഞ്ഞെടുത്ത ആശയങ്ങൾ ഞങ്ങൾ അവലോകനം ചെയ്യുന്നു.ഡാറ്റാ വിശകലനമാണ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ അടിസ്ഥാനമെങ്കിലും, ഡാറ്റാ മൈനിംഗ്, പ്രാധാന്യ പരിശോധന, അല്ലെങ്കിൽ ഇൻ്ററാക്ടീവ് വിഷ്വലൈസേഷൻ തുടങ്ങിയ വിഷയങ്ങൾ ഞങ്ങൾ ഒഴിവാക്കുന്നു.സമയ പരിമിതികളും ചില ബിരുദ വിദ്യാർത്ഥികൾക്ക് ബയോസ്റ്റാറ്റിസ്റ്റിക്സിൽ മുൻകൂർ പരിശീലനം ലഭിച്ചതിനാലും കൂടുതൽ സവിശേഷമായ മെഷീൻ ലേണിംഗ് വിഷയങ്ങൾ ഉൾക്കൊള്ളാൻ ആഗ്രഹിക്കുന്നതിനാലും ഇത് സംഭവിച്ചു.തുടർന്നുള്ള പ്രഭാഷണം ആധുനിക രീതികൾ അവതരിപ്പിക്കുകയും AI പ്രശ്ന രൂപീകരണം, AI മോഡലുകളുടെ ഗുണങ്ങളും പരിമിതികളും, മോഡൽ ടെസ്റ്റിംഗ് എന്നിവയും ചർച്ച ചെയ്യുന്നു.നിലവിലുള്ള ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപകരണങ്ങളെക്കുറിച്ചുള്ള സാഹിത്യവും പ്രായോഗിക ഗവേഷണവും പ്രഭാഷണങ്ങൾ പൂർത്തീകരിക്കുന്നു.നിലവിലുള്ള ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപകരണങ്ങളുടെ പരിമിതികൾ മനസ്സിലാക്കുന്നതുൾപ്പെടെയുള്ള ക്ലിനിക്കൽ ചോദ്യങ്ങൾ പരിഹരിക്കുന്നതിന് ഒരു മോഡലിൻ്റെ ഫലപ്രാപ്തിയും സാധ്യതയും വിലയിരുത്തുന്നതിന് ആവശ്യമായ കഴിവുകൾ ഞങ്ങൾ ഊന്നിപ്പറയുന്നു.ഉദാഹരണത്തിന്, ഒരു ഫിസിഷ്യൻ്റെ പരിശോധനയെ അടിസ്ഥാനമാക്കി ഒരു സിടി സ്കാൻ ഉപയോഗപ്രദമാകുമോ എന്ന് നിർണ്ണയിക്കാൻ ഒരു ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഡിസിഷൻ ട്രീ അൽഗോരിതം നടപ്പിലാക്കിയ കുപ്പർമാൻ et al., 5 നിർദ്ദേശിച്ച പീഡിയാട്രിക് തലയ്ക്ക് പരിക്കേറ്റ മാർഗ്ഗനിർദ്ദേശങ്ങൾ വ്യാഖ്യാനിക്കാൻ ഞങ്ങൾ വിദ്യാർത്ഥികളോട് ആവശ്യപ്പെട്ടു.ഫിസിഷ്യൻമാരെ മാറ്റിസ്ഥാപിക്കുന്നതിനുപകരം, ഫിസിഷ്യൻമാർക്ക് വ്യാഖ്യാനിക്കാൻ പ്രവചനാത്മക വിശകലനം നൽകുന്ന AI യുടെ ഒരു സാധാരണ ഉദാഹരണമാണിതെന്ന് ഞങ്ങൾ ഊന്നിപ്പറയുന്നു.
ലഭ്യമായ ഓപ്പൺ സോഴ്‌സ് ബൂട്ട്‌സ്‌ട്രാപ്പ് പ്രോഗ്രാമിംഗ് ഉദാഹരണങ്ങളിൽ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), പര്യവേക്ഷണ ഡാറ്റ വിശകലനം, ഡൈമൻഷണാലിറ്റി റിഡക്ഷൻ, സ്റ്റാൻഡേർഡ് മോഡൽ ലോഡിംഗ്, പരിശീലനം എന്നിവ എങ്ങനെ നടത്താമെന്ന് ഞങ്ങൾ കാണിക്കുന്നു. .ടെസ്റ്റിംഗും.ഒരു വെബ് ബ്രൗസറിൽ നിന്ന് പൈത്തൺ കോഡ് എക്സിക്യൂട്ട് ചെയ്യാൻ അനുവദിക്കുന്ന Google Colaboratory നോട്ട്ബുക്കുകൾ (Google LLC, Mountain View, CA) ഞങ്ങൾ ഉപയോഗിക്കുന്നു.ചിത്രം 2-ൽ ഒരു പ്രോഗ്രാമിംഗ് വ്യായാമത്തിൻ്റെ ഒരു ഉദാഹരണം നൽകുന്നു.വിസ്കോൺസിൻ ഓപ്പൺ ബ്രെസ്റ്റ് ഇമേജിംഗ് ഡാറ്റാസെറ്റ്6, ഡിസിഷൻ ട്രീ അൽഗോരിതം എന്നിവ ഉപയോഗിച്ച് മാരകരോഗങ്ങൾ പ്രവചിക്കുന്നത് ഈ വ്യായാമത്തിൽ ഉൾപ്പെടുന്നു.
ബന്ധപ്പെട്ട വിഷയങ്ങളിൽ ആഴ്‌ച മുഴുവൻ പ്രോഗ്രാമുകൾ അവതരിപ്പിക്കുകയും പ്രസിദ്ധീകരിച്ച AI ആപ്ലിക്കേഷനുകളിൽ നിന്ന് ഉദാഹരണങ്ങൾ തിരഞ്ഞെടുക്കുക.ക്ലിനിക്കൽ ട്രയലുകളിൽ ഉപയോഗിക്കുന്നതിന് തയ്യാറാണോ എന്ന് നിർണ്ണയിക്കാൻ മോഡലുകളെ എങ്ങനെ വിലയിരുത്താം എന്നതുപോലുള്ള ഭാവിയിലെ ക്ലിനിക്കൽ പ്രാക്ടീസിലേക്ക് ഉൾക്കാഴ്ച നൽകുന്നതിന് പ്രസക്തമെന്ന് കരുതുന്നെങ്കിൽ മാത്രമേ പ്രോഗ്രാമിംഗ് ഘടകങ്ങൾ ഉൾപ്പെടുത്തൂ.മെഡിക്കൽ ഇമേജ് പാരാമീറ്ററുകളെ അടിസ്ഥാനമാക്കി ട്യൂമറുകളെ ദോഷകരമോ മാരകമോ ആയി തരംതിരിക്കുന്ന ഒരു പൂർണ്ണമായ എൻഡ്-ടു-എൻഡ് ആപ്ലിക്കേഷനിൽ ഈ ഉദാഹരണങ്ങൾ അവസാനിക്കുന്നു.
മുൻ അറിവിൻ്റെ വൈവിധ്യം.ഞങ്ങളുടെ പങ്കാളികൾ അവരുടെ ഗണിതശാസ്ത്ര അറിവിൻ്റെ നിലവാരത്തിൽ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു.ഉദാഹരണത്തിന്, വികസിത എഞ്ചിനീയറിംഗ് പശ്ചാത്തലമുള്ള വിദ്യാർത്ഥികൾ അവരുടെ സ്വന്തം ഫോറിയർ പരിവർത്തനങ്ങൾ എങ്ങനെ നിർവഹിക്കാം എന്നതുപോലുള്ള കൂടുതൽ ആഴത്തിലുള്ള മെറ്റീരിയലുകൾക്കായി തിരയുന്നു.എന്നിരുന്നാലും, ക്ലാസിൽ ഫ്യൂറിയർ അൽഗോരിതം ചർച്ച ചെയ്യുന്നത് സാധ്യമല്ല, കാരണം അതിന് സിഗ്നൽ പ്രോസസ്സിംഗിനെക്കുറിച്ച് ആഴത്തിലുള്ള അറിവ് ആവശ്യമാണ്.
ഹാജർ ഔട്ട്ഫ്ലോ.ഫോളോ-അപ്പ് മീറ്റിംഗുകളിലെ ഹാജർ കുറഞ്ഞു, പ്രത്യേകിച്ച് ഓൺലൈൻ ഫോർമാറ്റുകളിൽ.ഹാജർ ട്രാക്ക് ചെയ്യുകയും പൂർത്തിയാക്കിയതിൻ്റെ സർട്ടിഫിക്കറ്റ് നൽകുകയും ചെയ്യുക എന്നതാണ് ഒരു പരിഹാരം.വിദ്യാർത്ഥികളുടെ പാഠ്യേതര അക്കാദമിക് പ്രവർത്തനങ്ങളുടെ ട്രാൻസ്ക്രിപ്റ്റുകൾ മെഡിക്കൽ സ്കൂളുകൾ തിരിച്ചറിയുന്നു, ഇത് വിദ്യാർത്ഥികളെ ബിരുദം നേടാൻ പ്രോത്സാഹിപ്പിക്കും.
കോഴ്‌സ് ഡിസൈൻ: AI നിരവധി ഉപഫീൽഡുകളിൽ വ്യാപിച്ചുകിടക്കുന്നതിനാൽ, ഉചിതമായ ആഴത്തിൻ്റെയും വീതിയുടെയും പ്രധാന ആശയങ്ങൾ തിരഞ്ഞെടുക്കുന്നത് വെല്ലുവിളി നിറഞ്ഞതാണ്.ഉദാഹരണത്തിന്, ലബോറട്ടറി മുതൽ ക്ലിനിക്ക് വരെ AI ഉപകരണങ്ങളുടെ തുടർച്ചയായ ഉപയോഗം ഒരു പ്രധാന വിഷയമാണ്.ഡാറ്റ പ്രീപ്രോസസിംഗ്, മോഡൽ ബിൽഡിംഗ്, വാലിഡേഷൻ എന്നിവ ഞങ്ങൾ കവർ ചെയ്യുമ്പോൾ, ബിഗ് ഡാറ്റ അനലിറ്റിക്‌സ്, ഇൻ്ററാക്ടീവ് വിഷ്വലൈസേഷൻ അല്ലെങ്കിൽ AI ക്ലിനിക്കൽ ട്രയലുകൾ നടത്തൽ തുടങ്ങിയ വിഷയങ്ങൾ ഞങ്ങൾ ഉൾപ്പെടുത്തില്ല, പകരം ഞങ്ങൾ ഏറ്റവും സവിശേഷമായ AI ആശയങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു.കഴിവുകളല്ല, സാക്ഷരത മെച്ചപ്പെടുത്തുക എന്നതാണ് ഞങ്ങളുടെ മാർഗ്ഗനിർദ്ദേശ തത്വം.ഉദാഹരണത്തിന്, ഒരു മോഡൽ ഇൻപുട്ട് സവിശേഷതകൾ എങ്ങനെ പ്രോസസ്സ് ചെയ്യുന്നു എന്ന് മനസ്സിലാക്കുന്നത് വ്യാഖ്യാനത്തിന് പ്രധാനമാണ്.ഇതിനുള്ള ഒരു മാർഗ്ഗം ഗ്രേഡിയൻ്റ് ആക്ടിവേഷൻ മാപ്പുകൾ ഉപയോഗിക്കുക എന്നതാണ്, അത് ഡാറ്റയുടെ ഏത് മേഖലകളാണ് പ്രവചിക്കാവുന്നതെന്ന് ദൃശ്യവൽക്കരിക്കാൻ കഴിയും.എന്നിരുന്നാലും, ഇതിന് മൾട്ടിവേരിയേറ്റ് കാൽക്കുലസ് ആവശ്യമാണ്, അത് അവതരിപ്പിക്കാൻ കഴിയില്ല.ഒരു പൊതു പദാവലി വികസിപ്പിക്കുന്നത് വെല്ലുവിളി നിറഞ്ഞതായിരുന്നു, കാരണം ഗണിതശാസ്ത്രപരമായ ഔപചാരികതയില്ലാതെ ഡാറ്റ വെക്റ്ററുകളായി എങ്ങനെ പ്രവർത്തിക്കാമെന്ന് വിശദീകരിക്കാൻ ഞങ്ങൾ ശ്രമിച്ചു.വ്യത്യസ്ത പദങ്ങൾക്ക് ഒരേ അർത്ഥമുണ്ടെന്ന കാര്യം ശ്രദ്ധിക്കുക, ഉദാഹരണത്തിന്, എപ്പിഡെമിയോളജിയിൽ, "സ്വഭാവം" ഒരു "വേരിയബിൾ" അല്ലെങ്കിൽ "ആട്രിബ്യൂട്ട്" ആയി വിവരിക്കപ്പെടുന്നു.
അറിവ് നിലനിർത്തൽ.AI-യുടെ പ്രയോഗം പരിമിതമായതിനാൽ, പങ്കെടുക്കുന്നവർ എത്രത്തോളം അറിവ് നിലനിർത്തുന്നു എന്നത് കാണേണ്ടിയിരിക്കുന്നു.പ്രായോഗിക പരിക്രമണങ്ങളിൽ അറിവ് ശക്തിപ്പെടുത്തുന്നതിന് മെഡിക്കൽ സ്കൂൾ പാഠ്യപദ്ധതി പലപ്പോഴും സ്പേസ്ഡ് ആവർത്തനത്തെ ആശ്രയിക്കുന്നു, 9 ഇത് AI വിദ്യാഭ്യാസത്തിലും പ്രയോഗിക്കാവുന്നതാണ്.
സാക്ഷരതയേക്കാൾ പ്രൊഫഷണലിസമാണ് പ്രധാനം.ഗണിതശാസ്ത്രപരമായ കാഠിന്യം ഇല്ലാതെയാണ് മെറ്റീരിയലിൻ്റെ ആഴം രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്, ഇത് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൽ ക്ലിനിക്കൽ കോഴ്സുകൾ ആരംഭിക്കുമ്പോൾ ഒരു പ്രശ്നമായിരുന്നു.പ്രോഗ്രാമിംഗ് ഉദാഹരണങ്ങളിൽ, ഒരു സമ്പൂർണ്ണ പ്രോഗ്രാമിംഗ് പരിതസ്ഥിതി എങ്ങനെ സജ്ജീകരിക്കാമെന്ന് മനസിലാക്കാതെ തന്നെ ഫീൽഡുകൾ പൂരിപ്പിക്കാനും സോഫ്റ്റ്‌വെയർ പ്രവർത്തിപ്പിക്കാനും പങ്കാളികളെ അനുവദിക്കുന്ന ഒരു ടെംപ്ലേറ്റ് പ്രോഗ്രാം ഞങ്ങൾ ഉപയോഗിക്കുന്നു.
ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിനെ കുറിച്ചുള്ള ആശങ്കകൾ പരിഹരിക്കപ്പെട്ടു: ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് ചില ക്ലിനിക്കൽ ചുമതലകൾ മാറ്റിസ്ഥാപിക്കാനാകുമെന്ന ആശങ്ക വ്യാപകമാണ്3.ഈ പ്രശ്നം പരിഹരിക്കുന്നതിന്, റെഗുലേറ്റർമാർ അംഗീകരിച്ച മിക്കവാറും എല്ലാ AI സാങ്കേതികവിദ്യകൾക്കും ഡോക്ടറുടെ മേൽനോട്ടം ആവശ്യമാണ് എന്നതുൾപ്പെടെ, AI-യുടെ പരിമിതികൾ ഞങ്ങൾ വിശദീകരിക്കുന്നു.അൽഗോരിതങ്ങൾ പക്ഷപാതത്തിന് സാധ്യതയുള്ളതിനാൽ പക്ഷപാതത്തിൻ്റെ പ്രാധാന്യവും ഞങ്ങൾ ഊന്നിപ്പറയുന്നു, പ്രത്യേകിച്ചും ഡാറ്റാ സെറ്റ് വ്യത്യസ്തമല്ലെങ്കിൽ12.തൽഫലമായി, ഒരു പ്രത്യേക ഉപഗ്രൂപ്പ് തെറ്റായി മാതൃകയാക്കപ്പെട്ടേക്കാം, ഇത് അന്യായമായ ക്ലിനിക്കൽ തീരുമാനങ്ങളിലേക്ക് നയിക്കുന്നു.
ഉറവിടങ്ങൾ പൊതുവായി ലഭ്യമാണ്: ലെക്ചർ സ്ലൈഡുകളും കോഡും ഉൾപ്പെടെ പൊതുവായി ലഭ്യമായ ഉറവിടങ്ങൾ ഞങ്ങൾ സൃഷ്ടിച്ചിട്ടുണ്ട്.സമയ മേഖലകൾ കാരണം സിൻക്രണസ് ഉള്ളടക്കത്തിലേക്കുള്ള ആക്‌സസ് പരിമിതമാണെങ്കിലും, എല്ലാ മെഡിക്കൽ സ്‌കൂളുകളിലും AI വൈദഗ്ദ്ധ്യം ലഭ്യമല്ലാത്തതിനാൽ, ഓപ്പൺ സോഴ്‌സ് ഉള്ളടക്കം അസിൻക്രണസ് പഠനത്തിനുള്ള സൗകര്യപ്രദമായ ഒരു രീതിയാണ്.
ഇൻ്റർ ഡിസിപ്ലിനറി സഹകരണം: എഞ്ചിനീയർമാരുമായി ചേർന്ന് കോഴ്സുകൾ ആസൂത്രണം ചെയ്യുന്നതിനായി മെഡിക്കൽ വിദ്യാർത്ഥികൾ ആരംഭിച്ച സംയുക്ത സംരംഭമാണ് ഈ വർക്ക്ഷോപ്പ്.ഇത് രണ്ട് മേഖലകളിലെയും സഹകരണ അവസരങ്ങളും വിജ്ഞാന വിടവുകളും പ്രകടമാക്കുന്നു, ഭാവിയിൽ അവർക്ക് സംഭാവന ചെയ്യാൻ കഴിയുന്ന പങ്ക് മനസ്സിലാക്കാൻ പങ്കാളികളെ അനുവദിക്കുന്നു.
AI കോർ കഴിവുകൾ നിർവചിക്കുക.കഴിവുകളുടെ ഒരു ലിസ്റ്റ് നിർവചിക്കുന്നത് നിലവിലുള്ള യോഗ്യത അടിസ്ഥാനമാക്കിയുള്ള മെഡിക്കൽ പാഠ്യപദ്ധതിയുമായി സംയോജിപ്പിക്കാൻ കഴിയുന്ന ഒരു സ്റ്റാൻഡേർഡ് ഘടന നൽകുന്നു.ഈ വർക്ക്ഷോപ്പ് നിലവിൽ ബ്ലൂംസ് ടാക്സോണമിയുടെ ലേണിംഗ് ഒബ്ജക്റ്റീവ് ലെവലുകൾ 2 (കോംപ്രിഹെൻഷൻ), 3 (അപ്ലിക്കേഷൻ), 4 (വിശകലനം) എന്നിവ ഉപയോഗിക്കുന്നു.പ്രോജക്‌റ്റുകൾ സൃഷ്‌ടിക്കുന്നത് പോലെയുള്ള ഉയർന്ന തലത്തിലുള്ള വർഗ്ഗീകരണത്തിൽ വിഭവങ്ങൾ ഉണ്ടായിരിക്കുന്നത് അറിവിനെ കൂടുതൽ ശക്തിപ്പെടുത്തും.ഇതിന് ക്ലിനിക്കൽ വർക്ക്ഫ്ലോകളിൽ AI വിഷയങ്ങൾ എങ്ങനെ പ്രയോഗിക്കാമെന്നും സ്റ്റാൻഡേർഡ് മെഡിക്കൽ പാഠ്യപദ്ധതിയിൽ ഇതിനകം ഉൾപ്പെടുത്തിയിട്ടുള്ള ആവർത്തന വിഷയങ്ങൾ പഠിപ്പിക്കുന്നത് തടയാനും ക്ലിനിക്കൽ വിദഗ്ധരുമായി പ്രവർത്തിക്കേണ്ടതുണ്ട്.
AI ഉപയോഗിച്ച് കേസ് പഠനങ്ങൾ സൃഷ്ടിക്കുക.ക്ലിനിക്കൽ ഉദാഹരണങ്ങൾക്ക് സമാനമായി, ക്ലിനിക്കൽ ചോദ്യങ്ങളോടുള്ള അവയുടെ പ്രസക്തി എടുത്തുകാണിച്ചുകൊണ്ട് കേസ് അടിസ്ഥാനമാക്കിയുള്ള പഠനത്തിന് അമൂർത്ത ആശയങ്ങളെ ശക്തിപ്പെടുത്താൻ കഴിയും.ഉദാഹരണത്തിന്, ഒരു വർക്ക്‌ഷോപ്പ് പഠനം Google-ൻ്റെ AI അടിസ്ഥാനമാക്കിയുള്ള ഡയബറ്റിക് റെറ്റിനോപ്പതി കണ്ടെത്തൽ സംവിധാനം 13 വിശകലനം ചെയ്തു, ലാബിൽ നിന്ന് ക്ലിനിക്കിലേക്കുള്ള പാതയിലെ വെല്ലുവിളികൾ തിരിച്ചറിയാൻ, ബാഹ്യ മൂല്യനിർണ്ണയ ആവശ്യകതകളും റെഗുലേറ്ററി അംഗീകാര പാതകളും പോലെ.
അനുഭവപരമായ പഠനം ഉപയോഗിക്കുക: ക്ലിനിക്കൽ ട്രെയിനികളുടെ കറങ്ങുന്ന പഠന അനുഭവങ്ങൾക്ക് സമാനമായി സാങ്കേതിക വൈദഗ്ധ്യത്തിന് ശ്രദ്ധ കേന്ദ്രീകരിച്ചുള്ള പരിശീലനവും ആവർത്തിച്ചുള്ള അപേക്ഷയും ആവശ്യമാണ്.എഞ്ചിനീയറിംഗ് വിദ്യാഭ്യാസത്തിൽ അറിവ് നിലനിർത്തൽ മെച്ചപ്പെടുത്തുന്നതായി റിപ്പോർട്ട് ചെയ്യപ്പെട്ട ഫ്ലിപ്പ്ഡ് ക്ലാസ് റൂം മാതൃകയാണ് ഒരു സാധ്യതയുള്ള പരിഹാരം.ഈ മാതൃകയിൽ, വിദ്യാർത്ഥികൾ സൈദ്ധാന്തിക കാര്യങ്ങൾ സ്വതന്ത്രമായി അവലോകനം ചെയ്യുന്നു, കൂടാതെ കേസ് പഠനങ്ങളിലൂടെ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് ക്ലാസ് സമയം നീക്കിവച്ചിരിക്കുന്നു.
മൾട്ടി ഡിസിപ്ലിനറി പങ്കാളികൾക്കുള്ള സ്കെയിലിംഗ്: വിവിധ തലത്തിലുള്ള പരിശീലനങ്ങളുള്ള ഫിസിഷ്യൻമാരും അനുബന്ധ ആരോഗ്യ പ്രൊഫഷണലുകളും ഉൾപ്പെടെ ഒന്നിലധികം വിഭാഗങ്ങളിലുടനീളം സഹകരണം ഉൾപ്പെടുന്ന AI ദത്തെടുക്കൽ ഞങ്ങൾ വിഭാവനം ചെയ്യുന്നു.അതിനാൽ, വിവിധ വകുപ്പുകളിൽ നിന്നുള്ള ഫാക്കൽറ്റികളുമായി കൂടിയാലോചിച്ച് അവരുടെ ഉള്ളടക്കം ആരോഗ്യ സംരക്ഷണത്തിൻ്റെ വിവിധ മേഖലകളിലേക്ക് ക്രമീകരിക്കുന്നതിന് പാഠ്യപദ്ധതി വികസിപ്പിക്കേണ്ടതുണ്ട്.
ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഹൈടെക് ആണ്, അതിൻ്റെ പ്രധാന ആശയങ്ങൾ ഗണിതവും കമ്പ്യൂട്ടർ സയൻസുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു.ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് മനസിലാക്കാൻ ആരോഗ്യ സംരക്ഷണ ഉദ്യോഗസ്ഥരെ പരിശീലിപ്പിക്കുന്നത് ഉള്ളടക്കം തിരഞ്ഞെടുക്കുന്നതിലും ക്ലിനിക്കൽ പ്രസക്തിയിലും ഡെലിവറി രീതികളിലും സവിശേഷമായ വെല്ലുവിളികൾ അവതരിപ്പിക്കുന്നു.വിദ്യാഭ്യാസ ശിൽപശാലകളിലെ AI-യിൽ നിന്ന് ലഭിച്ച സ്ഥിതിവിവരക്കണക്കുകൾ, AI-യെ മെഡിക്കൽ വിദ്യാഭ്യാസത്തിലേക്ക് സമന്വയിപ്പിക്കുന്നതിനുള്ള നൂതന വഴികൾ സ്വീകരിക്കാൻ ഭാവിയിലെ അധ്യാപകരെ സഹായിക്കുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.
Google Colaboratory Python സ്‌ക്രിപ്റ്റ് ഓപ്പൺ സോഴ്‌സ് ആണ് കൂടാതെ ഇവിടെ ലഭ്യമാണ്: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
പ്രോബർ, കെ.ജി. ആൻഡ് ഖാൻ, എസ്. മെഡിക്കൽ വിദ്യാഭ്യാസത്തെ പുനർവിചിന്തനം: പ്രവർത്തനത്തിനുള്ള ആഹ്വാനം.അക്കാദ്.മരുന്ന്.88, 1407–1410 (2013).
മക്കോയ്, എൽജി തുടങ്ങിയവ. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിനെ കുറിച്ച് മെഡിക്കൽ വിദ്യാർത്ഥികൾക്ക് ശരിക്കും എന്താണ് അറിയേണ്ടത്?NPZh നമ്പറുകൾ.മെഡിസിൻ 3, 1–3 (2020).
ഡോസ് സാൻ്റോസ്, ഡിപി, തുടങ്ങിയവർ.കൃത്രിമ ബുദ്ധിയോടുള്ള മെഡിക്കൽ വിദ്യാർത്ഥികളുടെ മനോഭാവം: ഒരു മൾട്ടിസെൻ്റർ സർവേ.യൂറോ.വികിരണം.29, 1640–1646 (2019).
ഫാൻ, കെവൈ, ഹു, ആർ., സിംഗ്ല, ആർ. മെഡിക്കൽ വിദ്യാർത്ഥികൾക്കുള്ള മെഷീൻ ലേണിംഗിൻ്റെ ആമുഖം: ഒരു പൈലറ്റ് പ്രോജക്റ്റ്.ജെ. മെഡ്.പഠിപ്പിക്കുക.54, 1042–1043 (2020).
കൂപ്പർമാൻ എൻ, et al.തലയ്ക്ക് പരിക്കേറ്റതിന് ശേഷം ക്ലിനിക്കലി പ്രാധാന്യമുള്ള മസ്തിഷ്ക ക്ഷതം വളരെ കുറഞ്ഞ അപകടസാധ്യതയുള്ള കുട്ടികളെ തിരിച്ചറിയൽ: ഒരു പ്രോസ്പെക്റ്റീവ് കോഹോർട്ട് പഠനം.ലാൻസെറ്റ് 374, 1160–1170 (2009).
സ്ട്രീറ്റ്, WN, വോൾബെർഗ്, WH, മംഗസേറിയൻ, OL.ബ്രെസ്റ്റ് ട്യൂമർ രോഗനിർണയത്തിനുള്ള ന്യൂക്ലിയർ ഫീച്ചർ എക്സ്ട്രാക്ഷൻ.ബയോമെഡിക്കൽ സയൻസ്.ഇമേജ് പ്രോസസ്സിംഗ്.ബയോമെഡിക്കൽ സയൻസ്.വീസ്.1905, 861-870 (1993).
ചെൻ, പിഎച്ച്‌സി, ലിയു, വൈ, പെങ്, എൽ. ആരോഗ്യ സംരക്ഷണത്തിനായി മെഷീൻ ലേണിംഗ് മോഡലുകൾ എങ്ങനെ വികസിപ്പിക്കാം.നാറ്റ്.മാറ്റ്.18, 410–414 (2019).
സെൽവരാജു, ആർആർ തുടങ്ങിയവർ.ഗ്രാഡ്-ക്യാം: ഗ്രേഡിയൻ്റ് അടിസ്ഥാനമാക്കിയുള്ള പ്രാദേശികവൽക്കരണം വഴി ആഴത്തിലുള്ള നെറ്റ്‌വർക്കുകളുടെ ദൃശ്യ വ്യാഖ്യാനം.IEEE ഇൻ്റർനാഷണൽ കോൺഫറൻസ് ഓൺ കമ്പ്യൂട്ടർ വിഷൻ, 618–626 (2017) നടപടിക്രമങ്ങൾ.
കുമാരവേൽ ബി, സ്റ്റുവർട്ട് കെ, ഐലിക് ഡി. ബിരുദ മെഡിക്കൽ വിദ്യാഭ്യാസത്തിൽ ഒഎസ്‌സിഇ ഉപയോഗിച്ച് തെളിവുകൾ അടിസ്ഥാനമാക്കിയുള്ള മെഡിസിൻ കഴിവുകൾ വിലയിരുത്തുന്നതിനുള്ള ഒരു സർപ്പിള മാതൃകയുടെ വികസനവും വിലയിരുത്തലും.ബിഎംകെ മെഡിസിൻ.പഠിപ്പിക്കുക.21, 1–9 (2021).
കോലാചലമ വിബിയും ഗാർഗ് പിഎസ് മെഷീൻ ലേണിംഗും മെഡിക്കൽ വിദ്യാഭ്യാസവും.NPZh നമ്പറുകൾ.മരുന്ന്.1, 1–3 (2018).
വാൻ ല്യൂവൻ, കെജി, ഷാലെകാമ്പ്, എസ്., റൂട്ടൻ, എംജെ, വാൻ ജിന്നേക്കൻ, ബി. ആൻഡ് ഡി റൂയ്, എം. റേഡിയോളജിയിലെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്: 100 വാണിജ്യ ഉൽപ്പന്നങ്ങളും അവയുടെ ശാസ്ത്രീയ തെളിവുകളും.യൂറോ.വികിരണം.31, 3797–3804 (2021).
ടോപോൾ, ഇജെ ഹൈ-പെർഫോമൻസ് മെഡിസിൻ: ഹ്യൂമൻ ആൻഡ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ സംയോജനം.നാറ്റ്.മരുന്ന്.25, 44–56 (2019).
ബെഡെ, ഇ. തുടങ്ങിയവർ.ഡയബറ്റിക് റെറ്റിനോപ്പതി കണ്ടെത്തുന്നതിനായി ക്ലിനിക്കിൽ വിന്യസിച്ചിരിക്കുന്ന ആഴത്തിലുള്ള പഠന സംവിധാനത്തിൻ്റെ മനുഷ്യ കേന്ദ്രീകൃത വിലയിരുത്തൽ.കംപ്യൂട്ടിംഗ് സിസ്റ്റങ്ങളിലെ ഹ്യൂമൻ ഫാക്ടറുകളെക്കുറിച്ചുള്ള 2020 CHI കോൺഫറൻസിൻ്റെ നടപടിക്രമങ്ങൾ (2020).
കെർ, ബി. എഞ്ചിനീയറിംഗ് വിദ്യാഭ്യാസത്തിലെ ഫ്ലിപ്പ്ഡ് ക്ലാസ്റൂം: ഒരു ഗവേഷണ അവലോകനം.2015-ലെ ഇൻ്റർനാഷണൽ കോൺഫറൻസ് ഓൺ ഇൻ്ററാക്ടീവ് കോളാബറേറ്റീവ് ലേണിംഗ് (2015) നടപടിക്രമങ്ങൾ.
പിന്തുണക്കും ധനസഹായത്തിനും ബ്രിട്ടീഷ് കൊളംബിയ സർവകലാശാലയിലെ ബയോമെഡിക്കൽ ഇമേജിംഗ് ആൻഡ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് റിസർച്ച് ക്ലസ്റ്ററിൽ നിന്നുള്ള ഡാനിയേൽ വാക്കർ, ടിം സാൽകുഡിൻ, പീറ്റർ സാൻഡ്‌സ്‌ട്രാ എന്നിവർക്ക് എഴുത്തുകാർ നന്ദി പറയുന്നു.
RH, PP, ZH, RS, MA എന്നിവ വർക്ക്ഷോപ്പ് അധ്യാപന ഉള്ളടക്കം വികസിപ്പിക്കുന്നതിന് ഉത്തരവാദികളായിരുന്നു.പ്രോഗ്രാമിംഗ് ഉദാഹരണങ്ങൾ വികസിപ്പിക്കുന്നതിന് RH ഉം PP ഉം ഉത്തരവാദികളാണ്.പദ്ധതിയുടെ ലോജിസ്റ്റിക് ഓർഗനൈസേഷനും വർക്ക്ഷോപ്പുകളുടെ വിശകലനത്തിനും KYF, OY, MT, PW എന്നിവ ഉത്തരവാദികളായിരുന്നു.കണക്കുകളും പട്ടികകളും സൃഷ്ടിക്കുന്നതിനുള്ള ഉത്തരവാദിത്തം RH, OY, MT, RS ആയിരുന്നു.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS എന്നിവർക്ക് ഡോക്യുമെൻ്റ് ഡ്രാഫ്റ്റ് ചെയ്യുന്നതിനും എഡിറ്റ് ചെയ്യുന്നതിനും ഉത്തരവാദിത്തമുണ്ടായിരുന്നു.
കമ്മ്യൂണിക്കേഷൻ മെഡിസിൻ കരോലിൻ മക്ഗ്രെഗർ, ഫാബിയോ മൊറേസ്, ആദിത്യ ബോറകാട്ടി എന്നിവർക്ക് ഈ സൃഷ്ടിയുടെ അവലോകനത്തിന് നൽകിയ സംഭാവനകൾക്ക് നന്ദി പറയുന്നു.