മെഡിക്കൽ വിദ്യാർത്ഥികൾക്ക് കൃത്രിമബുദ്ധി പഠിപ്പിക്കുന്നതിനെക്കുറിച്ചുള്ള കനേഡിയൻ കാഴ്ചപ്പാട്.

Nature.com സന്ദർശിച്ചതിന് നന്ദി. നിങ്ങൾ ഉപയോഗിക്കുന്ന ബ്രൗസറിന്റെ പതിപ്പിന് പരിമിതമായ CSS പിന്തുണ മാത്രമേ ഉള്ളൂ. മികച്ച ഫലങ്ങൾക്കായി, നിങ്ങളുടെ ബ്രൗസറിന്റെ പുതിയ പതിപ്പ് ഉപയോഗിക്കാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു (അല്ലെങ്കിൽ ഇന്റർനെറ്റ് എക്സ്പ്ലോററിൽ അനുയോജ്യതാ മോഡ് ഓഫാക്കുക). അതേസമയം, തുടർച്ചയായ പിന്തുണ ഉറപ്പാക്കാൻ, സ്റ്റൈലിംഗോ ജാവാസ്ക്രിപ്റ്റോ ഇല്ലാതെ ഞങ്ങൾ സൈറ്റ് കാണിക്കുന്നു.
ക്ലിനിക്കൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ (AI) പ്രയോഗങ്ങൾ അതിവേഗം വളർന്നുവരികയാണ്, എന്നാൽ നിലവിലുള്ള മെഡിക്കൽ സ്കൂൾ പാഠ്യപദ്ധതികൾ ഈ മേഖലയെ ഉൾക്കൊള്ളുന്ന പരിമിതമായ അദ്ധ്യാപനമാണ് നൽകുന്നത്. കനേഡിയൻ മെഡിക്കൽ വിദ്യാർത്ഥികൾക്ക് ഞങ്ങൾ വികസിപ്പിച്ചെടുത്തതും വിതരണം ചെയ്തതുമായ ഒരു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് പരിശീലന കോഴ്‌സ് ഞങ്ങൾ ഇവിടെ വിവരിക്കുകയും ഭാവി പരിശീലനത്തിനുള്ള ശുപാർശകൾ നൽകുകയും ചെയ്യുന്നു.
വൈദ്യശാസ്ത്രത്തിലെ കൃത്രിമബുദ്ധി (AI) ജോലിസ്ഥലത്തെ കാര്യക്ഷമത മെച്ചപ്പെടുത്താനും ക്ലിനിക്കൽ തീരുമാനമെടുക്കലിനെ സഹായിക്കാനും സഹായിക്കും. കൃത്രിമബുദ്ധിയുടെ ഉപയോഗത്തെ സുരക്ഷിതമായി നയിക്കുന്നതിന്, ഡോക്ടർമാർക്ക് കൃത്രിമബുദ്ധിയെക്കുറിച്ച് കുറച്ച് ധാരണ ഉണ്ടായിരിക്കണം. AI മോഡലുകളും സ്ഥിരീകരണ പ്രക്രിയകളും വിശദീകരിക്കുന്നത് പോലുള്ള AI ആശയങ്ങൾ പഠിപ്പിക്കുന്നതിനെ പല അഭിപ്രായങ്ങളും വാദിക്കുന്നു2. എന്നിരുന്നാലും, വളരെ കുറച്ച് ഘടനാപരമായ പദ്ധതികൾ മാത്രമേ നടപ്പിലാക്കിയിട്ടുള്ളൂ, പ്രത്യേകിച്ച് ദേശീയ തലത്തിൽ. പിന്റോ ഡോസ് സാന്റോസ് തുടങ്ങിയവർ.3. 263 മെഡിക്കൽ വിദ്യാർത്ഥികളെ സർവേയിൽ ഉൾപ്പെടുത്തി, അവർക്ക് കൃത്രിമബുദ്ധിയിൽ പരിശീലനം ആവശ്യമാണെന്ന് 71% പേർ സമ്മതിച്ചു. ഒരു മെഡിക്കൽ പ്രേക്ഷകർക്ക് കൃത്രിമബുദ്ധി പഠിപ്പിക്കുന്നതിന്, വിപുലമായ മുൻ അറിവുള്ള വിദ്യാർത്ഥികൾക്ക് സാങ്കേതികവും സാങ്കേതികേതരവുമായ ആശയങ്ങൾ സംയോജിപ്പിക്കുന്ന ശ്രദ്ധാപൂർവ്വമായ രൂപകൽപ്പന ആവശ്യമാണ്. മൂന്ന് ഗ്രൂപ്പുകളുടെ മെഡിക്കൽ വിദ്യാർത്ഥികൾക്ക് AI വർക്ക്ഷോപ്പുകൾ നൽകിയ ഞങ്ങളുടെ അനുഭവം ഞങ്ങൾ വിവരിക്കുകയും AI-യിലെ ഭാവി മെഡിക്കൽ വിദ്യാഭ്യാസത്തിനായി ശുപാർശകൾ നൽകുകയും ചെയ്യുന്നു.
2019 ഫെബ്രുവരി മുതൽ 2021 ഏപ്രിൽ വരെ മൂന്ന് തവണയാണ് മെഡിക്കൽ വിദ്യാർത്ഥികൾക്കായുള്ള ഞങ്ങളുടെ അഞ്ച് ആഴ്ച നീണ്ടുനിന്ന ഇൻട്രൊഡക്ഷൻ ടു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഇൻ മെഡിസിൻ വർക്ക്ഷോപ്പ് നടന്നത്. ഓരോ വർക്ക്ഷോപ്പിന്റെയും ഷെഡ്യൂൾ, കോഴ്‌സിലെ മാറ്റങ്ങളുടെ ഒരു ഹ്രസ്വ വിവരണം ചിത്രം 1 ൽ കാണിച്ചിരിക്കുന്നു. ഞങ്ങളുടെ കോഴ്‌സിന് മൂന്ന് പ്രാഥമിക പഠന ലക്ഷ്യങ്ങളുണ്ട്: ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ആപ്ലിക്കേഷനുകളിൽ ഡാറ്റ എങ്ങനെ പ്രോസസ്സ് ചെയ്യുന്നുവെന്ന് വിദ്യാർത്ഥികൾ മനസ്സിലാക്കുന്നു, ക്ലിനിക്കൽ ആപ്ലിക്കേഷനുകൾക്കായുള്ള ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സാഹിത്യം വിശകലനം ചെയ്യുന്നു, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് വികസിപ്പിക്കുന്ന എഞ്ചിനീയർമാരുമായി സഹകരിക്കാനുള്ള അവസരങ്ങൾ പ്രയോജനപ്പെടുത്തുന്നു.
നീലയാണ് പ്രഭാഷണത്തിന്റെ വിഷയം, ഇളം നീല സംവേദനാത്മക ചോദ്യോത്തര കാലയളവ്. ചാരനിറത്തിലുള്ള വിഭാഗമാണ് സംക്ഷിപ്ത സാഹിത്യ അവലോകനത്തിന്റെ കേന്ദ്രബിന്ദു. ഓറഞ്ച് വിഭാഗങ്ങൾ കൃത്രിമബുദ്ധി മോഡലുകളെയോ സാങ്കേതികതകളെയോ വിവരിക്കുന്ന തിരഞ്ഞെടുത്ത കേസ് പഠനങ്ങളാണ്. ക്ലിനിക്കൽ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിനും മോഡലുകൾ വിലയിരുത്തുന്നതിനും കൃത്രിമബുദ്ധി പഠിപ്പിക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്ത ഒരു ഗൈഡഡ് പ്രോഗ്രാമിംഗ് കോഴ്‌സാണ് പച്ച. വിദ്യാർത്ഥികളുടെ ആവശ്യങ്ങളുടെ വിലയിരുത്തലിനെ അടിസ്ഥാനമാക്കി വർക്ക്ഷോപ്പുകളുടെ ഉള്ളടക്കവും ദൈർഘ്യവും വ്യത്യാസപ്പെടുന്നു.
2019 ഫെബ്രുവരി മുതൽ ഏപ്രിൽ വരെ ബ്രിട്ടീഷ് കൊളംബിയ സർവകലാശാലയിൽ നടന്ന ആദ്യ വർക്ക്‌ഷോപ്പിൽ പങ്കെടുത്ത 8 പേരും പോസിറ്റീവ് ഫീഡ്‌ബാക്ക് നൽകി4. കോവിഡ്-19 കാരണം, രണ്ടാമത്തെ വർക്ക്‌ഷോപ്പ് 2020 ഒക്ടോബർ-നവംബർ മാസങ്ങളിൽ വെർച്വലായി നടന്നു, 8 കനേഡിയൻ മെഡിക്കൽ സ്‌കൂളുകളിൽ നിന്നുള്ള 222 മെഡിക്കൽ വിദ്യാർത്ഥികളും 3 താമസക്കാരും രജിസ്റ്റർ ചെയ്തു. അവതരണ സ്ലൈഡുകളും കോഡും ഒരു ഓപ്പൺ ആക്‌സസ് സൈറ്റിലേക്ക് (http://ubcaimed.github.io) അപ്‌ലോഡ് ചെയ്തിട്ടുണ്ട്. ആദ്യ ആവർത്തനത്തിൽ നിന്നുള്ള പ്രധാന ഫീഡ്‌ബാക്ക്, പ്രഭാഷണങ്ങൾ വളരെ തീവ്രവും മെറ്റീരിയൽ വളരെ സൈദ്ധാന്തികവുമായിരുന്നു എന്നതാണ്. കാനഡയിലെ ആറ് വ്യത്യസ്ത സമയ മേഖലകളെ സേവിക്കുന്നത് അധിക വെല്ലുവിളികൾ ഉയർത്തുന്നു. അങ്ങനെ, രണ്ടാമത്തെ വർക്ക്‌ഷോപ്പ് ഓരോ സെഷനും 1 മണിക്കൂറായി ചുരുക്കി, കോഴ്‌സ് മെറ്റീരിയൽ ലളിതമാക്കി, കൂടുതൽ കേസ് പഠനങ്ങൾ ചേർത്തു, പങ്കെടുക്കുന്നവർക്ക് കുറഞ്ഞ ഡീബഗ്ഗിംഗ് ഉപയോഗിച്ച് കോഡ് സ്‌നിപ്പെറ്റുകൾ പൂർത്തിയാക്കാൻ അനുവദിക്കുന്ന ബോയിലർപ്ലേറ്റ് പ്രോഗ്രാമുകൾ സൃഷ്ടിച്ചു (ബോക്സ് 1). രണ്ടാമത്തെ ആവർത്തനത്തിൽ നിന്നുള്ള പ്രധാന ഫീഡ്‌ബാക്കിൽ പ്രോഗ്രാമിംഗ് വ്യായാമങ്ങളെക്കുറിച്ചുള്ള പോസിറ്റീവ് ഫീഡ്‌ബാക്കും ഒരു മെഷീൻ ലേണിംഗ് പ്രോജക്റ്റിനായുള്ള ആസൂത്രണം പ്രദർശിപ്പിക്കാനുള്ള അഭ്യർത്ഥനയും ഉൾപ്പെടുന്നു. അതുകൊണ്ട്, 2021 മാർച്ച്-ഏപ്രിൽ മാസങ്ങളിൽ 126 മെഡിക്കൽ വിദ്യാർത്ഥികൾക്കായി വെർച്വലായി നടന്ന ഞങ്ങളുടെ മൂന്നാമത്തെ വർക്ക്‌ഷോപ്പിൽ, വർക്ക്‌ഷോപ്പ് ആശയങ്ങൾ പ്രോജക്റ്റുകളിൽ ഉപയോഗിക്കുന്നതിന്റെ സ്വാധീനം പ്രകടമാക്കുന്നതിനായി കൂടുതൽ സംവേദനാത്മക കോഡിംഗ് വ്യായാമങ്ങളും പ്രോജക്റ്റ് ഫീഡ്‌ബാക്ക് സെഷനുകളും ഞങ്ങൾ ഉൾപ്പെടുത്തി.
ഡാറ്റ വിശകലനം: ഡാറ്റ പാറ്റേണുകൾ വിശകലനം ചെയ്തും, പ്രോസസ്സ് ചെയ്തും, ആശയവിനിമയം നടത്തിയും ഡാറ്റയിലെ അർത്ഥവത്തായ പാറ്റേണുകൾ തിരിച്ചറിയുന്ന സ്ഥിതിവിവരക്കണക്കുകളിലെ ഒരു പഠന മേഖല.
ഡാറ്റ മൈനിംഗ്: ഡാറ്റ തിരിച്ചറിയുന്നതിനും വേർതിരിച്ചെടുക്കുന്നതിനുമുള്ള പ്രക്രിയ. കൃത്രിമബുദ്ധിയുടെ പശ്ചാത്തലത്തിൽ, ഇത് പലപ്പോഴും വലുതാണ്, ഓരോ സാമ്പിളിനും ഒന്നിലധികം വേരിയബിളുകൾ ഉണ്ടാകും.
ഡൈമെൻഷണാലിറ്റി റിഡക്ഷൻ: നിരവധി വ്യക്തിഗത സവിശേഷതകളുള്ള ഡാറ്റയെ കുറഞ്ഞ സവിശേഷതകളാക്കി മാറ്റുന്നതിനൊപ്പം യഥാർത്ഥ ഡാറ്റാ സെറ്റിന്റെ പ്രധാന സവിശേഷതകൾ സംരക്ഷിക്കുന്ന പ്രക്രിയ.
സ്വഭാവസവിശേഷതകൾ (കൃത്രിമബുദ്ധിയുടെ പശ്ചാത്തലത്തിൽ): ഒരു സാമ്പിളിന്റെ അളക്കാവുന്ന ഗുണവിശേഷതകൾ. പലപ്പോഴും "പ്രോപ്പർട്ടി" അല്ലെങ്കിൽ "വേരിയബിൾ" എന്നിവയുമായി പരസ്പരം മാറിമാറി ഉപയോഗിക്കുന്നു.
ഗ്രേഡിയന്റ് ആക്ടിവേഷൻ മാപ്പ്: കൃത്രിമബുദ്ധി മോഡലുകളെ (പ്രത്യേകിച്ച് കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ) വ്യാഖ്യാനിക്കാൻ ഉപയോഗിക്കുന്ന ഒരു സാങ്കേതികത, ഉയർന്ന പ്രവചനശേഷിയുള്ള ഡാറ്റയുടെയോ ചിത്രങ്ങളുടെയോ മേഖലകൾ തിരിച്ചറിയുന്നതിന് നെറ്റ്‌വർക്കിന്റെ അവസാന ഭാഗം ഒപ്റ്റിമൈസ് ചെയ്യുന്ന പ്രക്രിയ വിശകലനം ചെയ്യുന്നു.
സ്റ്റാൻഡേർഡ് മോഡൽ: സമാനമായ ജോലികൾ ചെയ്യുന്നതിന് മുൻകൂട്ടി പരിശീലനം ലഭിച്ച നിലവിലുള്ള ഒരു AI മോഡൽ.
(കൃത്രിമബുദ്ധിയുടെ പശ്ചാത്തലത്തിൽ) പരിശോധന: ഒരു മോഡൽ മുമ്പ് നേരിട്ടിട്ടില്ലാത്ത ഡാറ്റ ഉപയോഗിച്ച് ഒരു ജോലി എങ്ങനെ നിർവഹിക്കുന്നുവെന്ന് നിരീക്ഷിക്കുന്നു.
പരിശീലനം (കൃത്രിമബുദ്ധിയുടെ പശ്ചാത്തലത്തിൽ): പുതിയ ഡാറ്റ ഉപയോഗിച്ച് ജോലികൾ ചെയ്യാനുള്ള കഴിവ് ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന് മോഡൽ അതിന്റെ ആന്തരിക പാരാമീറ്ററുകൾ ക്രമീകരിക്കുന്നതിന് ഡാറ്റയും ഫലങ്ങളും ഉപയോഗിച്ച് ഒരു മോഡലിന് നൽകുന്നു.
വെക്റ്റർ: ഡാറ്റയുടെ ശ്രേണി. മെഷീൻ ലേണിംഗിൽ, ഓരോ ശ്രേണി ഘടകവും സാധാരണയായി സാമ്പിളിന്റെ ഒരു സവിശേഷ സവിശേഷതയാണ്.
2021 ഏപ്രിലിലെ ഏറ്റവും പുതിയ കോഴ്‌സുകൾ പട്ടിക 1-ൽ പട്ടികപ്പെടുത്തിയിട്ടുണ്ട്, ഓരോ വിഷയത്തിനും ലക്ഷ്യമിട്ടുള്ള പഠന ലക്ഷ്യങ്ങൾ ഉൾപ്പെടെ. സാങ്കേതിക തലത്തിലേക്ക് പുതുതായി വരുന്നവരെ ഉദ്ദേശിച്ചുള്ളതാണ് ഈ വർക്ക്‌ഷോപ്പ്, കൂടാതെ ബിരുദ മെഡിക്കൽ ബിരുദത്തിന്റെ ഒന്നാം വർഷത്തിനപ്പുറം ഗണിതശാസ്ത്ര പരിജ്ഞാനം ആവശ്യമില്ല. എഞ്ചിനീയറിംഗിൽ ഉന്നത ബിരുദമുള്ള 6 മെഡിക്കൽ വിദ്യാർത്ഥികളും 3 അധ്യാപകരും ചേർന്നാണ് കോഴ്‌സ് വികസിപ്പിച്ചെടുത്തത്. പഠിപ്പിക്കുന്നതിനായി എഞ്ചിനീയർമാർ കൃത്രിമ ബുദ്ധി സിദ്ധാന്തം വികസിപ്പിക്കുന്നു, മെഡിക്കൽ വിദ്യാർത്ഥികൾ ക്ലിനിക്കലി പ്രസക്തമായ മെറ്റീരിയൽ പഠിക്കുന്നു.
വർക്ക്‌ഷോപ്പുകളിൽ പ്രഭാഷണങ്ങൾ, കേസ് സ്റ്റഡികൾ, ഗൈഡഡ് പ്രോഗ്രാമിംഗ് എന്നിവ ഉൾപ്പെടുന്നു. ആദ്യ പ്രഭാഷണത്തിൽ, ഡാറ്റ വിഷ്വലൈസേഷൻ, ലോജിസ്റ്റിക് റിഗ്രഷൻ, ഡിസ്ക്രിപ്റ്റീവ്, ഇൻഡക്റ്റീവ് സ്റ്റാറ്റിസ്റ്റിക്‌സിന്റെ താരതമ്യം എന്നിവയുൾപ്പെടെ ബയോസ്റ്റാറ്റിസ്റ്റിക്‌സിലെ ഡാറ്റ വിശകലനത്തിന്റെ തിരഞ്ഞെടുത്ത ആശയങ്ങൾ ഞങ്ങൾ അവലോകനം ചെയ്യുന്നു. ഡാറ്റ വിശകലനം കൃത്രിമബുദ്ധിയുടെ അടിത്തറയാണെങ്കിലും, ഡാറ്റ മൈനിംഗ്, സിഗ്നിഫിക്കൻസ് ടെസ്റ്റിംഗ് അല്ലെങ്കിൽ ഇന്ററാക്ടീവ് വിഷ്വലൈസേഷൻ തുടങ്ങിയ വിഷയങ്ങൾ ഞങ്ങൾ ഒഴിവാക്കുന്നു. സമയപരിമിതികളും ചില ബിരുദ വിദ്യാർത്ഥികൾക്ക് ബയോസ്റ്റാറ്റിസ്റ്റിക്‌സിൽ മുൻ പരിശീലനം ഉണ്ടായിരുന്നതിനാലും കൂടുതൽ സവിശേഷമായ മെഷീൻ ലേണിംഗ് വിഷയങ്ങൾ ഉൾപ്പെടുത്താൻ ആഗ്രഹിച്ചതിനാലുമാണ് ഇത് സംഭവിച്ചത്. തുടർന്നുള്ള പ്രഭാഷണം ആധുനിക രീതികൾ പരിചയപ്പെടുത്തുകയും AI പ്രശ്‌ന രൂപീകരണം, AI മോഡലുകളുടെ ഗുണങ്ങളും പരിമിതികളും, മോഡൽ ടെസ്റ്റിംഗ് എന്നിവ ചർച്ച ചെയ്യുകയും ചെയ്യുന്നു. നിലവിലുള്ള കൃത്രിമബുദ്ധി ഉപകരണങ്ങളെക്കുറിച്ചുള്ള സാഹിത്യവും പ്രായോഗിക ഗവേഷണവും പ്രഭാഷണങ്ങളെ പൂരകമാക്കുന്നു. നിലവിലുള്ള കൃത്രിമബുദ്ധി ഉപകരണങ്ങളുടെ പരിമിതികൾ മനസ്സിലാക്കുന്നത് ഉൾപ്പെടെ, ക്ലിനിക്കൽ ചോദ്യങ്ങൾ അഭിസംബോധന ചെയ്യുന്നതിന് ഒരു മോഡലിന്റെ ഫലപ്രാപ്തിയും സാധ്യതയും വിലയിരുത്തുന്നതിന് ആവശ്യമായ കഴിവുകൾ ഞങ്ങൾ ഊന്നിപ്പറയുന്നു. ഉദാഹരണത്തിന്, കുപ്പർമാൻ തുടങ്ങിയവർ നിർദ്ദേശിച്ച പീഡിയാട്രിക് തലയ്ക്ക് പരിക്കേറ്റ മാർഗ്ഗനിർദ്ദേശങ്ങൾ വ്യാഖ്യാനിക്കാൻ ഞങ്ങൾ വിദ്യാർത്ഥികളോട് ആവശ്യപ്പെട്ടു, 5 ഒരു ഡോക്ടറുടെ പരിശോധനയെ അടിസ്ഥാനമാക്കി ഒരു സിടി സ്കാൻ ഉപയോഗപ്രദമാകുമോ എന്ന് നിർണ്ണയിക്കാൻ ഒരു കൃത്രിമബുദ്ധി തീരുമാന വൃക്ഷ അൽഗോരിതം നടപ്പിലാക്കിയത് ഈ അൽഗോരിതമാണ്. ഫിസിഷ്യൻമാരെ മാറ്റിസ്ഥാപിക്കുന്നതിനുപകരം, ഫിസിഷ്യൻമാർക്ക് വ്യാഖ്യാനിക്കുന്നതിനായി പ്രവചനാത്മക അനലിറ്റിക്സ് നൽകുന്ന AI യുടെ ഒരു പൊതു 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. ടെസ്റ്റിംഗ് എന്നിവ എങ്ങനെ നടത്താമെന്ന് ഞങ്ങൾ പ്രദർശിപ്പിച്ചിരിക്കുന്നു. വെബ് ബ്രൗസറിൽ നിന്ന് പൈത്തൺ കോഡ് എക്സിക്യൂട്ട് ചെയ്യാൻ അനുവദിക്കുന്ന Google Colaboratory നോട്ട്ബുക്കുകൾ (Google LLC, Mountain View, CA) ഞങ്ങൾ ഉപയോഗിക്കുന്നു. ചിത്രത്തിൽ. ചിത്രം 2 ഒരു പ്രോഗ്രാമിംഗ് വ്യായാമത്തിന്റെ ഒരു ഉദാഹരണം നൽകുന്നു. വിസ്കോൺസിൻ ഓപ്പൺ ബ്രെസ്റ്റ് ഇമേജിംഗ് ഡാറ്റാസെറ്റ്6 ഉം ഒരു ഡിസിഷൻ ട്രീ അൽഗോരിതവും ഉപയോഗിച്ച് മാരകമായ രോഗങ്ങൾ പ്രവചിക്കുന്നത് ഈ വ്യായാമത്തിൽ ഉൾപ്പെടുന്നു.
ആഴ്ചയിലുടനീളം അനുബന്ധ വിഷയങ്ങളിൽ പ്രോഗ്രാമുകൾ അവതരിപ്പിക്കുകയും പ്രസിദ്ധീകരിച്ച AI ആപ്ലിക്കേഷനുകളിൽ നിന്ന് ഉദാഹരണങ്ങൾ തിരഞ്ഞെടുക്കുകയും ചെയ്യുക. ക്ലിനിക്കൽ പരീക്ഷണങ്ങളിൽ ഉപയോഗിക്കാൻ തയ്യാറാണോ എന്ന് നിർണ്ണയിക്കാൻ മോഡലുകൾ എങ്ങനെ വിലയിരുത്താം എന്നതുപോലുള്ള ഭാവിയിലെ ക്ലിനിക്കൽ പ്രാക്ടീസിനെക്കുറിച്ച് ഉൾക്കാഴ്ച നൽകുന്നതിന് പ്രസക്തമാണെന്ന് കരുതുന്നുണ്ടെങ്കിൽ മാത്രമേ പ്രോഗ്രാമിംഗ് ഘടകങ്ങൾ ഉൾപ്പെടുത്തുകയുള്ളൂ. മെഡിക്കൽ ഇമേജ് പാരാമീറ്ററുകളെ അടിസ്ഥാനമാക്കി ട്യൂമറുകളെ ദോഷകരമോ മാരകമോ ആയി തരംതിരിക്കുന്ന ഒരു പൂർണ്ണമായ എൻഡ്-ടു-എൻഡ് ആപ്ലിക്കേഷനിൽ ഈ ഉദാഹരണങ്ങൾ കലാശിക്കുന്നു.
മുൻകാല അറിവുകളുടെ വൈവിധ്യം. ഞങ്ങളുടെ പങ്കാളികൾക്ക് ഗണിതശാസ്ത്ര പരിജ്ഞാനത്തിന്റെ നിലവാരത്തിൽ വ്യത്യാസമുണ്ട്. ഉദാഹരണത്തിന്, ഉയർന്ന എഞ്ചിനീയറിംഗ് പശ്ചാത്തലമുള്ള വിദ്യാർത്ഥികൾ സ്വന്തം ഫ്യൂറിയർ പരിവർത്തനങ്ങൾ എങ്ങനെ നടത്താം എന്നതുപോലുള്ള കൂടുതൽ ആഴത്തിലുള്ള മെറ്റീരിയലുകൾക്കായി തിരയുന്നു. എന്നിരുന്നാലും, സിഗ്നൽ പ്രോസസ്സിംഗിനെക്കുറിച്ച് ആഴത്തിലുള്ള അറിവ് ആവശ്യമുള്ളതിനാൽ, ഫ്യൂറിയർ അൽഗോരിതം ക്ലാസിൽ ചർച്ച ചെയ്യുന്നത് സാധ്യമല്ല.
ഹാജർ നില കുറഞ്ഞു. പ്രത്യേകിച്ച് ഓൺലൈൻ ഫോർമാറ്റുകളിൽ, തുടർ മീറ്റിംഗുകളിലെ ഹാജർ കുറഞ്ഞു. ഹാജർ ട്രാക്ക് ചെയ്ത് പൂർത്തിയാക്കിയതിന്റെ സർട്ടിഫിക്കറ്റ് നൽകുന്നതായിരിക്കാം ഒരു പരിഹാരം. മെഡിക്കൽ സ്കൂളുകൾ വിദ്യാർത്ഥികളുടെ പാഠ്യേതര അക്കാദമിക് പ്രവർത്തനങ്ങളുടെ ട്രാൻസ്ക്രിപ്റ്റുകൾ അംഗീകരിക്കുന്നതായി അറിയപ്പെടുന്നു, ഇത് വിദ്യാർത്ഥികളെ ബിരുദം നേടാൻ പ്രോത്സാഹിപ്പിക്കും.
കോഴ്‌സ് ഡിസൈൻ: AI നിരവധി ഉപമേഖലകളിലേക്ക് വ്യാപിച്ചുകിടക്കുന്നതിനാൽ, ഉചിതമായ ആഴത്തിന്റെയും വീതിയുടെയും പ്രധാന ആശയങ്ങൾ തിരഞ്ഞെടുക്കുന്നത് വെല്ലുവിളി നിറഞ്ഞതായിരിക്കും. ഉദാഹരണത്തിന്, ലബോറട്ടറി മുതൽ ക്ലിനിക്ക് വരെയുള്ള AI ഉപകരണങ്ങളുടെ തുടർച്ചയായ ഉപയോഗം ഒരു പ്രധാന വിഷയമാണ്. ഡാറ്റ പ്രീപ്രോസസ്സിംഗ്, മോഡൽ ബിൽഡിംഗ്, വാലിഡേഷൻ തുടങ്ങിയ വിഷയങ്ങൾ ഞങ്ങൾ ഉൾപ്പെടുത്തുന്നുണ്ടെങ്കിലും, ബിഗ് ഡാറ്റ അനലിറ്റിക്സ്, ഇന്ററാക്ടീവ് വിഷ്വലൈസേഷൻ അല്ലെങ്കിൽ AI ക്ലിനിക്കൽ പരീക്ഷണങ്ങൾ നടത്തൽ തുടങ്ങിയ വിഷയങ്ങൾ ഞങ്ങൾ ഉൾപ്പെടുത്തുന്നില്ല, പകരം ഏറ്റവും സവിശേഷമായ AI ആശയങ്ങളിൽ ഞങ്ങൾ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. കഴിവുകളല്ല, സാക്ഷരത മെച്ചപ്പെടുത്തുക എന്നതാണ് ഞങ്ങളുടെ മാർഗ്ഗനിർദ്ദേശ തത്വം. ഉദാഹരണത്തിന്, ഒരു മോഡൽ ഇൻപുട്ട് സവിശേഷതകൾ എങ്ങനെ പ്രോസസ്സ് ചെയ്യുന്നു എന്ന് മനസ്സിലാക്കുന്നത് വ്യാഖ്യാനക്ഷമതയ്ക്ക് പ്രധാനമാണ്. ഇത് ചെയ്യാനുള്ള ഒരു മാർഗം ഗ്രേഡിയന്റ് ആക്ടിവേഷൻ മാപ്പുകൾ ഉപയോഗിക്കുക എന്നതാണ്, ഇത് ഡാറ്റയുടെ ഏതൊക്കെ മേഖലകളാണ് പ്രവചിക്കാവുന്നതെന്ന് ദൃശ്യവൽക്കരിക്കാൻ കഴിയും. എന്നിരുന്നാലും, ഇതിന് മൾട്ടിവേരിയേറ്റ് കാൽക്കുലസ് ആവശ്യമാണ്, അത് അവതരിപ്പിക്കാൻ കഴിയില്ല8. ഗണിതശാസ്ത്ര ഔപചാരികതയില്ലാതെ വെക്റ്ററുകളായി ഡാറ്റയുമായി എങ്ങനെ പ്രവർത്തിക്കാമെന്ന് വിശദീകരിക്കാൻ ഞങ്ങൾ ശ്രമിച്ചതിനാൽ ഒരു പൊതു പദാവലി വികസിപ്പിക്കുന്നത് വെല്ലുവിളി നിറഞ്ഞതായിരുന്നു. വ്യത്യസ്ത പദങ്ങൾക്ക് ഒരേ അർത്ഥമുണ്ടെന്ന കാര്യം ശ്രദ്ധിക്കുക, ഉദാഹരണത്തിന്, എപ്പിഡെമിയോളജിയിൽ, ഒരു "സ്വഭാവം" ഒരു "വേരിയബിൾ" അല്ലെങ്കിൽ "ആട്രിബ്യൂട്ട്" എന്ന് വിവരിക്കുന്നു.
അറിവ് നിലനിർത്തൽ. AI യുടെ പ്രയോഗം പരിമിതമായതിനാൽ, പങ്കെടുക്കുന്നവർ അറിവ് എത്രത്തോളം നിലനിർത്തുന്നു എന്നത് കണ്ടറിയേണ്ടിയിരിക്കുന്നു. പ്രായോഗിക പരിക്രമണങ്ങളിൽ അറിവ് ശക്തിപ്പെടുത്തുന്നതിന് മെഡിക്കൽ സ്കൂൾ പാഠ്യപദ്ധതി പലപ്പോഴും ഇടവേളകളുള്ള ആവർത്തനത്തെ ആശ്രയിക്കുന്നു, ഇത് AI വിദ്യാഭ്യാസത്തിലും പ്രയോഗിക്കാവുന്നതാണ്.
സാക്ഷരതയേക്കാൾ പ്രൊഫഷണലിസമാണ് പ്രധാനം. ഗണിതശാസ്ത്രപരമായ കാഠിന്യം കൂടാതെയാണ് മെറ്റീരിയലിന്റെ ആഴം രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്, കൃത്രിമബുദ്ധിയിൽ ക്ലിനിക്കൽ കോഴ്‌സുകൾ ആരംഭിക്കുമ്പോൾ ഇത് ഒരു പ്രശ്‌നമായിരുന്നു. പ്രോഗ്രാമിംഗ് ഉദാഹരണങ്ങളിൽ, പങ്കെടുക്കുന്നവർക്ക് ഒരു പൂർണ്ണ പ്രോഗ്രാമിംഗ് പരിസ്ഥിതി എങ്ങനെ സജ്ജീകരിക്കാമെന്ന് കണ്ടെത്താതെ തന്നെ ഫീൽഡുകൾ പൂരിപ്പിക്കാനും സോഫ്റ്റ്‌വെയർ പ്രവർത്തിപ്പിക്കാനും അനുവദിക്കുന്ന ഒരു ടെംപ്ലേറ്റ് പ്രോഗ്രാം ഞങ്ങൾ ഉപയോഗിക്കുന്നു.
കൃത്രിമബുദ്ധിയെക്കുറിച്ചുള്ള ആശങ്കകൾ പരിഹരിക്കപ്പെട്ടു: കൃത്രിമബുദ്ധി ചില ക്ലിനിക്കൽ കടമകൾക്ക് പകരമാകുമെന്ന് വ്യാപകമായ ആശങ്കയുണ്ട്3. ഈ പ്രശ്നം പരിഹരിക്കുന്നതിന്, റെഗുലേറ്റർമാർ അംഗീകരിച്ച മിക്കവാറും എല്ലാ AI സാങ്കേതികവിദ്യകൾക്കും ഡോക്ടറുടെ മേൽനോട്ടമാവശ്യമാണെന്ന വസ്തുത ഉൾപ്പെടെ, AI-യുടെ പരിമിതികൾ ഞങ്ങൾ വിശദീകരിക്കുന്നു11. അൽഗോരിതങ്ങൾ പക്ഷപാതത്തിന് സാധ്യതയുള്ളതിനാൽ, പ്രത്യേകിച്ച് ഡാറ്റാ സെറ്റ് വൈവിധ്യപൂർണ്ണമല്ലെങ്കിൽ12, പക്ഷപാതത്തിന്റെ പ്രാധാന്യവും ഞങ്ങൾ ഊന്നിപ്പറയുന്നു. തൽഫലമായി, ഒരു പ്രത്യേക ഉപഗ്രൂപ്പ് തെറ്റായി മാതൃകയാക്കപ്പെട്ടേക്കാം, ഇത് അന്യായമായ ക്ലിനിക്കൽ തീരുമാനങ്ങളിലേക്ക് നയിച്ചേക്കാം.
വിഭവങ്ങൾ പൊതുജനങ്ങൾക്ക് ലഭ്യമാണ്: പ്രഭാഷണ സ്ലൈഡുകളും കോഡും ഉൾപ്പെടെ പൊതുജനങ്ങൾക്ക് ലഭ്യമായ ഉറവിടങ്ങൾ ഞങ്ങൾ സൃഷ്ടിച്ചിട്ടുണ്ട്. സമയ മേഖലകൾ കാരണം സിൻക്രണസ് ഉള്ളടക്കത്തിലേക്കുള്ള പ്രവേശനം പരിമിതമാണെങ്കിലും, എല്ലാ മെഡിക്കൽ സ്കൂളുകളിലും AI വൈദഗ്ദ്ധ്യം ലഭ്യമല്ലാത്തതിനാൽ, ഓപ്പൺ സോഴ്‌സ് ഉള്ളടക്കം അസിൻക്രണസ് പഠനത്തിന് സൗകര്യപ്രദമായ ഒരു രീതിയാണ്.
ഇന്റർ ഡിസിപ്ലിനറി സഹകരണം: എഞ്ചിനീയർമാരുമായി ചേർന്ന് കോഴ്‌സുകൾ ആസൂത്രണം ചെയ്യുന്നതിനായി മെഡിക്കൽ വിദ്യാർത്ഥികൾ ആരംഭിച്ച ഒരു സംയുക്ത സംരംഭമാണ് ഈ വർക്ക്‌ഷോപ്പ്. രണ്ട് മേഖലകളിലെയും സഹകരണ അവസരങ്ങളും അറിവിന്റെ വിടവുകളും ഇത് പ്രകടമാക്കുന്നു, ഭാവിയിൽ അവർക്ക് സംഭാവന ചെയ്യാൻ കഴിയുന്ന സാധ്യതയുള്ള പങ്ക് മനസ്സിലാക്കാൻ പങ്കാളികളെ ഇത് അനുവദിക്കുന്നു.
AI കോർ കഴിവുകൾ നിർവചിക്കുക. കഴിവുകളുടെ ഒരു ലിസ്റ്റ് നിർവചിക്കുന്നത് നിലവിലുള്ള യോഗ്യതാധിഷ്ഠിത മെഡിക്കൽ പാഠ്യപദ്ധതിയിൽ സംയോജിപ്പിക്കാൻ കഴിയുന്ന ഒരു സ്റ്റാൻഡേർഡ് ഘടന നൽകുന്നു. ഈ വർക്ക്ഷോപ്പ് നിലവിൽ ബ്ലൂമിന്റെ ടാക്സോണമിയുടെ ലേണിംഗ് ഒബ്ജക്റ്റീവ് ലെവലുകൾ 2 (ഗ്രഹണശേഷി), 3 (പ്രയോഗിക്കൽ), 4 (വിശകലനം) എന്നിവ ഉപയോഗിക്കുന്നു. പ്രോജക്ടുകൾ സൃഷ്ടിക്കുന്നത് പോലുള്ള ഉയർന്ന തലത്തിലുള്ള വർഗ്ഗീകരണത്തിൽ വിഭവങ്ങൾ ഉണ്ടായിരിക്കുന്നത് അറിവിനെ കൂടുതൽ ശക്തിപ്പെടുത്തും. ക്ലിനിക്കൽ വർക്ക്ഫ്ലോകളിൽ AI വിഷയങ്ങൾ എങ്ങനെ പ്രയോഗിക്കാമെന്ന് നിർണ്ണയിക്കുന്നതിനും സ്റ്റാൻഡേർഡ് മെഡിക്കൽ പാഠ്യപദ്ധതിയിൽ ഇതിനകം ഉൾപ്പെടുത്തിയിട്ടുള്ള ആവർത്തിച്ചുള്ള വിഷയങ്ങൾ പഠിപ്പിക്കുന്നത് തടയുന്നതിനും ക്ലിനിക്കൽ വിദഗ്ധരുമായി പ്രവർത്തിക്കേണ്ടത് ഇതിന് ആവശ്യമാണ്.
AI ഉപയോഗിച്ച് കേസ് പഠനങ്ങൾ സൃഷ്ടിക്കുക. ക്ലിനിക്കൽ ഉദാഹരണങ്ങൾക്ക് സമാനമായി, കേസ് അധിഷ്ഠിത പഠനത്തിന് ക്ലിനിക്കൽ ചോദ്യങ്ങളിൽ അവയുടെ പ്രസക്തി എടുത്തുകാണിച്ചുകൊണ്ട് അമൂർത്ത ആശയങ്ങളെ ശക്തിപ്പെടുത്താൻ കഴിയും. ഉദാഹരണത്തിന്, ലാബിൽ നിന്ന് ക്ലിനിക്കിലേക്കുള്ള പാതയിലെ വെല്ലുവിളികൾ തിരിച്ചറിയുന്നതിനായി, ബാഹ്യ മൂല്യനിർണ്ണയ ആവശ്യകതകൾ, നിയന്ത്രണ അംഗീകാര പാതകൾ എന്നിവ പോലുള്ള, ഗൂഗിളിന്റെ AI-അധിഷ്ഠിത ഡയബറ്റിക് റെറ്റിനോപ്പതി കണ്ടെത്തൽ സംവിധാനം 13 ഒരു വർക്ക്ഷോപ്പ് പഠനം വിശകലനം ചെയ്തു.
അനുഭവത്തിലൂടെയുള്ള പഠനം ഉപയോഗിക്കുക: ക്ലിനിക്കൽ ട്രെയിനികളുടെ മാറിമാറി വരുന്ന പഠനാനുഭവങ്ങൾക്ക് സമാനമായി, സാങ്കേതിക വൈദഗ്ധ്യത്തിന് ശ്രദ്ധാകേന്ദ്രീകൃത പരിശീലനവും ആവർത്തിച്ചുള്ള പ്രയോഗവും ആവശ്യമാണ്. എഞ്ചിനീയറിംഗ് വിദ്യാഭ്യാസത്തിൽ അറിവ് നിലനിർത്തൽ മെച്ചപ്പെടുത്തുമെന്ന് റിപ്പോർട്ട് ചെയ്യപ്പെട്ട ഫ്ലിപ്പ്ഡ് ക്ലാസ്റൂം മോഡൽ ഒരു സാധ്യതയുള്ള പരിഹാരമാണ്14. ഈ മാതൃകയിൽ, വിദ്യാർത്ഥികൾ സ്വതന്ത്രമായി സൈദ്ധാന്തിക കാര്യങ്ങൾ അവലോകനം ചെയ്യുകയും ക്ലാസ് സമയം കേസ് സ്റ്റഡികളിലൂടെ പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് നീക്കിവയ്ക്കുകയും ചെയ്യുന്നു.
മൾട്ടി ഡിസിപ്ലിനറി പങ്കാളികൾക്കുള്ള സ്കെയിലിംഗ്: വ്യത്യസ്ത തലത്തിലുള്ള പരിശീലനമുള്ള ഫിസിഷ്യൻമാരും അനുബന്ധ ആരോഗ്യ വിദഗ്ധരും ഉൾപ്പെടെ ഒന്നിലധികം വിഷയങ്ങളിലെ സഹകരണം ഉൾപ്പെടുന്ന AI ദത്തെടുക്കൽ ഞങ്ങൾ വിഭാവനം ചെയ്യുന്നു. അതിനാൽ, ആരോഗ്യ സംരക്ഷണത്തിന്റെ വ്യത്യസ്ത മേഖലകൾക്ക് അനുസൃതമായി ഉള്ളടക്കം ക്രമീകരിക്കുന്നതിന് വിവിധ വകുപ്പുകളിലെ ഫാക്കൽറ്റികളുമായി കൂടിയാലോചിച്ച് പാഠ്യപദ്ധതി വികസിപ്പിക്കേണ്ടതുണ്ട്.
കൃത്രിമബുദ്ധി ഒരു ഹൈടെക് ആണ്, അതിന്റെ പ്രധാന ആശയങ്ങൾ ഗണിതശാസ്ത്രം, കമ്പ്യൂട്ടർ സയൻസ് എന്നിവയുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. കൃത്രിമബുദ്ധി മനസ്സിലാക്കാൻ ആരോഗ്യപ്രവർത്തകരെ പരിശീലിപ്പിക്കുന്നത് ഉള്ളടക്ക തിരഞ്ഞെടുപ്പ്, ക്ലിനിക്കൽ പ്രസക്തി, വിതരണ രീതികൾ എന്നിവയിൽ സവിശേഷമായ വെല്ലുവിളികൾ ഉയർത്തുന്നു. AI ഇൻ എഡ്യൂക്കേഷൻ വർക്ക്‌ഷോപ്പുകളിൽ നിന്ന് ലഭിക്കുന്ന ഉൾക്കാഴ്ചകൾ ഭാവിയിലെ അധ്യാപകർക്ക് AI മെഡിക്കൽ വിദ്യാഭ്യാസത്തിൽ സംയോജിപ്പിക്കുന്നതിനുള്ള നൂതന മാർഗങ്ങൾ സ്വീകരിക്കാൻ സഹായിക്കുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.
ഗൂഗിൾ കൊളബറേറ്ററി പൈത്തൺ സ്ക്രിപ്റ്റ് ഓപ്പൺ സോഴ്‌സാണ്, ഇത് ഇവിടെ ലഭ്യമാണ്: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
പ്രോബർ, കെ.ജി. ഖാൻ, എസ്. മെഡിക്കൽ വിദ്യാഭ്യാസത്തെ പുനർവിചിന്തനം ചെയ്യുക: പ്രവർത്തനത്തിനുള്ള ആഹ്വാനം. അക്കാദ്. വൈദ്യശാസ്ത്രം. 88, 1407–1410 (2013).
മക്കോയ്, എൽജി തുടങ്ങിയവർ. കൃത്രിമബുദ്ധിയെക്കുറിച്ച് മെഡിക്കൽ വിദ്യാർത്ഥികൾക്ക് എന്താണ് ശരിക്കും അറിയേണ്ടത്? NPZh നമ്പറുകൾ. മെഡിസിൻ 3, 1–3 (2020).
ഡോസ് സാന്റോസ്, ഡിപി, തുടങ്ങിയവർ. കൃത്രിമബുദ്ധിയോടുള്ള മെഡിക്കൽ വിദ്യാർത്ഥികളുടെ മനോഭാവം: ഒരു മൾട്ടിസെന്റർ സർവേ. യൂറോ. റേഡിയേഷൻ. 29, 1640–1646 (2019).
ഫാൻ, കെ.വൈ, ഹു, ആർ., സിംഗ്ല, ആർ. മെഡിക്കൽ വിദ്യാർത്ഥികൾക്കുള്ള മെഷീൻ ലേണിംഗിലേക്കുള്ള ആമുഖം: ഒരു പൈലറ്റ് പ്രോജക്റ്റ്. ജെ. മെഡ്. പഠിപ്പിക്കുക. 54, 1042–1043 (2020).
കൂപ്പർമാൻ എൻ, തുടങ്ങിയവർ. തലയ്ക്ക് പരിക്കേറ്റതിന് ശേഷം ക്ലിനിക്കലി സിഗ്നിഫിക്കന്റ് ബ്രെയിൻ ഇൻജുറി ഉണ്ടാകാനുള്ള സാധ്യത വളരെ കുറവുള്ള കുട്ടികളെ തിരിച്ചറിയൽ: ഒരു പ്രോസ്പെക്റ്റീവ് കോഹോർട്ട് പഠനം. ലാൻസെറ്റ് 374, 1160–1170 (2009).
സ്ട്രീറ്റ്, WN, വോൾബർഗ്, WH, മംഗസേറിയൻ, OL. സ്തനാർബുദ രോഗനിർണയത്തിനുള്ള ന്യൂക്ലിയർ ഫീച്ചർ എക്സ്ട്രാക്ഷൻ. ബയോമെഡിക്കൽ സയൻസ്. ഇമേജ് പ്രോസസ്സിംഗ്. ബയോമെഡിക്കൽ സയൻസ്. വെയ്സ്. 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: ഗ്രേഡിയന്റ് അധിഷ്ഠിത പ്രാദേശികവൽക്കരണത്തിലൂടെ ആഴത്തിലുള്ള നെറ്റ്‌വർക്കുകളുടെ ദൃശ്യ വ്യാഖ്യാനം. കമ്പ്യൂട്ടർ വിഷൻ സംബന്ധിച്ച ഐഇഇഇ ഇന്റർനാഷണൽ കോൺഫറൻസിന്റെ നടപടിക്രമങ്ങൾ, 618–626 (2017).
കുമാരവേൽ ബി, സ്റ്റുവർട്ട് കെ, ഇലിക് ഡി. ബിരുദ മെഡിക്കൽ വിദ്യാഭ്യാസത്തിൽ OSCE ഉപയോഗിച്ച് തെളിവ് അടിസ്ഥാനമാക്കിയുള്ള വൈദ്യശാസ്ത്ര കഴിവുകൾ വിലയിരുത്തുന്നതിനുള്ള ഒരു സർപ്പിള മാതൃകയുടെ വികസനവും വിലയിരുത്തലും. BMK വൈദ്യശാസ്ത്രം. പഠിപ്പിക്കുക. 21, 1–9 (2021).
കൊളാചലാമ വിബിയും ഗാർഗ് പിഎസും മെഷീൻ ലേണിംഗും മെഡിക്കൽ വിദ്യാഭ്യാസവും. എൻ‌പി‌ജെഡ്‌എച്ച് നമ്പറുകൾ. വൈദ്യശാസ്ത്രം. 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: മനുഷ്യന്റെയും കൃത്രിമബുദ്ധിയുടെയും സംയോജനം. നാച്ചുറൽ മെഡിസിൻ. 25, 44–56 (2019).
ബെഡെ, ഇ. തുടങ്ങിയവർ. ഡയബറ്റിക് റെറ്റിനോപ്പതി കണ്ടെത്തുന്നതിനായി ക്ലിനിക്കിൽ വിന്യസിച്ചിരിക്കുന്ന ഒരു ആഴത്തിലുള്ള പഠന സംവിധാനത്തിന്റെ മനുഷ്യ കേന്ദ്രീകൃത വിലയിരുത്തൽ. കമ്പ്യൂട്ടിംഗ് സിസ്റ്റങ്ങളിലെ മനുഷ്യ ഘടകങ്ങളെക്കുറിച്ചുള്ള 2020 CHI കോൺഫറൻസിന്റെ നടപടിക്രമങ്ങൾ (2020).
കെർ, ബി. എഞ്ചിനീയറിംഗ് വിദ്യാഭ്യാസത്തിലെ ഫ്ലിപ്പ്ഡ് ക്ലാസ് റൂം: ഒരു ഗവേഷണ അവലോകനം. 2015 ലെ ഇന്ററാക്ടീവ് കൊളാബറേറ്റീവ് ലേണിംഗിനെക്കുറിച്ചുള്ള ഇന്റർനാഷണൽ കോൺഫറൻസിന്റെ നടപടിക്രമങ്ങൾ (2015).
ബ്രിട്ടീഷ് കൊളംബിയ സർവകലാശാലയിലെ ബയോമെഡിക്കൽ ഇമേജിംഗ് ആൻഡ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് റിസർച്ച് ക്ലസ്റ്ററിൽ നിന്നുള്ള ഡാനിയേൽ വാക്കർ, ടിം സാൽക്കുഡിൻ, പീറ്റർ സാൻഡ്സ്ട്ര എന്നിവരോട് പിന്തുണയ്ക്കും ധനസഹായത്തിനും രചയിതാക്കൾ നന്ദി പറയുന്നു.
വർക്ക്ഷോപ്പ് അധ്യാപന ഉള്ളടക്കം വികസിപ്പിക്കുന്നതിന് RH, PP, ZH, RS, MA എന്നിവർ ഉത്തരവാദികളായിരുന്നു. പ്രോഗ്രാമിംഗ് ഉദാഹരണങ്ങൾ വികസിപ്പിക്കുന്നതിന് RH, PP എന്നിവർ ഉത്തരവാദികളായിരുന്നു. പ്രോജക്റ്റിന്റെ ലോജിസ്റ്റിക്കൽ ഓർഗനൈസേഷനും വർക്ക്ഷോപ്പുകളുടെ വിശകലനത്തിനും KYF, OY, MT, PW എന്നിവർ ഉത്തരവാദികളായിരുന്നു. കണക്കുകളും പട്ടികകളും സൃഷ്ടിക്കുന്നതിന് RH, OY, MT, RS എന്നിവർ ഉത്തരവാദികളായിരുന്നു. ഡോക്യുമെന്റ് തയ്യാറാക്കുന്നതിനും എഡിറ്റ് ചെയ്യുന്നതിനും RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS എന്നിവർ ഉത്തരവാദികളായിരുന്നു.
ഈ കൃതിയുടെ അവലോകനത്തിന് നൽകിയ സംഭാവനകൾക്ക് കരോലിൻ മക്ഗ്രെഗർ, ഫാബിയോ മൊറേസ്, ആദിത്യ ബൊറകാറ്റി എന്നിവർക്ക് കമ്മ്യൂണിക്കേഷൻ മെഡിസിൻ നന്ദി പറയുന്നു.