میڈیکل طلباء کو مصنوعی ذہانت کی تعلیم کے بارے میں کینیڈا کا تناظر

فطرت ڈاٹ کام دیکھنے کے لئے آپ کا شکریہ۔ آپ براؤزر کے ورژن کا استعمال کر رہے ہیں جس میں سی ایس ایس کی محدود سپورٹ ہے۔ بہترین نتائج کے ل we ، ہم آپ کے براؤزر کا ایک نیا ورژن (یا انٹرنیٹ ایکسپلورر میں مطابقت وضع کو بند کرنے) کا ایک نیا ورژن استعمال کرنے کی تجویز کرتے ہیں۔ اس دوران ، جاری حمایت کو یقینی بنانے کے ل we ، ہم بغیر اسٹائل یا جاوا اسکرپٹ کے سائٹ کو دکھا رہے ہیں۔
کلینیکل مصنوعی ذہانت (AI) کی درخواستیں تیزی سے بڑھ رہی ہیں ، لیکن موجودہ میڈیکل اسکول کا نصاب اس علاقے کو ڈھکنے والی محدود تدریس کی پیش کش کرتا ہے۔ یہاں ہم ایک مصنوعی ذہانت کے تربیتی کورس کی وضاحت کرتے ہیں جس کو ہم نے کینیڈا کے میڈیکل طلباء کو تیار کیا اور فراہم کیا اور مستقبل کی تربیت کے لئے سفارشات پیش کیں۔
طب میں مصنوعی ذہانت (AI) کام کی جگہ کی کارکردگی اور طبی فیصلہ سازی کو بہتر بنا سکتی ہے۔ مصنوعی ذہانت کے استعمال کو بحفاظت رہنمائی کرنے کے لئے ، معالجین کو مصنوعی ذہانت کے بارے میں کچھ تفہیم ہونی چاہئے۔ بہت سارے تبصرے AI تصورات کی تعلیم دینے کی حمایت کرتے ہیں ، جیسے AI ماڈلز کی وضاحت اور توثیق کے عمل 2۔ تاہم ، خاص طور پر قومی سطح پر ، کچھ ساختہ منصوبوں پر عمل درآمد کیا گیا ہے۔ پنٹو ڈوس سانٹوس ET رحمہ اللہ تعالی۔ 263 میڈیکل طلباء کا سروے کیا گیا اور 71 ٪ نے اس بات پر اتفاق کیا کہ انہیں مصنوعی ذہانت کی تربیت کی ضرورت ہے۔ طبی سامعین کو مصنوعی ذہانت کی تعلیم کے لئے محتاط ڈیزائن کی ضرورت ہوتی ہے جو ان طلباء کے لئے تکنیکی اور غیر تکنیکی تصورات کو جوڑتا ہے جن کے پاس اکثر سابقہ ​​علم ہوتا ہے۔ ہم میڈیکل طلباء کے تین گروہوں کو اے آئی ورکشاپس کی ایک سیریز کی فراہمی کے اپنے تجربے کی وضاحت کرتے ہیں اور اے آئی میں مستقبل کی طبی تعلیم کے لئے سفارشات پیش کرتے ہیں۔
میڈیکل اسٹوڈنٹس کے لئے میڈیسن ورکشاپ میں مصنوعی ذہانت سے ہمارا پانچ ہفتوں کا تعارف فروری 2019 اور اپریل 2021 کے درمیان تین بار منعقد ہوا۔ ہر ورکشاپ کا ایک شیڈول ، جس میں کورس میں تبدیلیوں کی ایک مختصر وضاحت کے ساتھ ، شکل 1 میں دکھایا گیا ہے۔ ہمارا کورس ہے۔ سیکھنے کے تین بنیادی مقاصد: طلباء سمجھتے ہیں کہ مصنوعی ذہانت کی ایپلی کیشنز میں ڈیٹا پر کس طرح عملدرآمد کیا جاتا ہے ، کلینیکل ایپلی کیشنز کے لئے مصنوعی ذہانت کے ادب کا تجزیہ کریں ، اور مصنوعی ذہانت کو تیار کرنے والے انجینئروں کے ساتھ تعاون کے مواقع سے فائدہ اٹھائیں۔
بلیو لیکچر کا موضوع ہے اور ہلکے نیلے رنگ کا انٹرایکٹو سوال اور جواب کی مدت ہے۔ گرے سیکشن مختصر ادب کے جائزے کی توجہ کا مرکز ہے۔ اورنج سیکشنز کا انتخاب کیس اسٹڈیز ہیں جو مصنوعی ذہانت کے ماڈل یا تکنیک کی وضاحت کرتے ہیں۔ گرین ایک ہدایت یافتہ پروگرامنگ کورس ہے جو کلینیکل مسائل کو حل کرنے اور ماڈلز کا اندازہ کرنے کے لئے مصنوعی ذہانت کی تعلیم کے لئے ڈیزائن کیا گیا ہے۔ ورکشاپس کا مواد اور مدت طلباء کی ضروریات کے جائزے کی بنیاد پر مختلف ہوتی ہے۔
پہلی ورکشاپ فروری سے اپریل 2019 تک یونیورسٹی آف برٹش کولمبیا میں منعقد ہوئی ، اور تمام 8 شرکاء نے مثبت فیڈ بیک 4 دیا۔ کوویڈ 19 کی وجہ سے ، دوسرا ورکشاپ اکتوبر-نومبر 2020 میں عملی طور پر منعقد ہوا ، جس میں 222 میڈیکل طلباء اور 8 کینیڈا کے میڈیکل اسکولوں کے 3 رہائشی رجسٹر ہوئے تھے۔ پریزنٹیشن سلائیڈز اور کوڈ کو اوپن ایکسیس سائٹ (http://ubcaimed.github.io) پر اپ لوڈ کیا گیا ہے۔ پہلی تکرار سے کلیدی تاثرات یہ تھے کہ لیکچرز بہت شدید تھے اور مواد بھی نظریاتی تھا۔ کینیڈا کے چھ مختلف ٹائم زون کی خدمت میں اضافی چیلنجز ہیں۔ اس طرح ، دوسری ورکشاپ نے ہر سیشن کو 1 گھنٹہ تک مختصر کردیا ، کورس کے مواد کو آسان بنایا ، مزید کیس اسٹڈیز شامل کیں ، اور بوائلر پلیٹ پروگرام بنائے جس سے شرکاء کو کم سے کم ڈیبگنگ (باکس 1) کے ساتھ کوڈ کے ٹکڑوں کو مکمل کرنے کی اجازت دی گئی۔ دوسرے تکرار کے کلیدی تاثرات میں پروگرامنگ کی مشقوں کے بارے میں مثبت آراء اور مشین لرننگ پروجیکٹ کے لئے منصوبہ بندی کا مظاہرہ کرنے کی درخواست شامل ہے۔ لہذا ، مارچ سے اپریل 2021 میں 126 میڈیکل طلباء کے لئے عملی طور پر منعقدہ ہماری تیسری ورکشاپ میں ، ہم نے پروجیکٹس پر ورکشاپ کے تصورات کے استعمال کے اثرات کو ظاہر کرنے کے لئے مزید انٹرایکٹو کوڈنگ کی مشقیں اور پروجیکٹ فیڈ بیک سیشن شامل کیے۔
اعداد و شمار کا تجزیہ: اعداد و شمار میں مطالعہ کا ایک شعبہ جو ڈیٹا کے نمونوں کا تجزیہ ، پروسیسنگ اور بات چیت کرکے اعداد و شمار میں معنی خیز نمونوں کی نشاندہی کرتا ہے۔
ڈیٹا مائننگ: ڈیٹا کی شناخت اور نکالنے کا عمل۔ مصنوعی ذہانت کے تناظر میں ، یہ اکثر بڑا ہوتا ہے ، ہر نمونے کے ل multiple متعدد متغیرات کے ساتھ۔
جہت میں کمی: اصل ڈیٹا سیٹ کی اہم خصوصیات کو محفوظ رکھتے ہوئے بہت سی انفرادی خصوصیات کے ساتھ اعداد و شمار کو کم خصوصیات میں تبدیل کرنے کا عمل۔
خصوصیات (مصنوعی ذہانت کے تناظر میں): نمونے کی پیمائش کی خصوصیات۔ اکثر "پراپرٹی" یا "متغیر" کے ساتھ تبادلہ خیال استعمال کیا جاتا ہے۔
تدریجی ایکٹیویشن کا نقشہ: مصنوعی ذہانت کے ماڈلز (خاص طور پر مجازی اعصابی نیٹ ورک) کی ترجمانی کے لئے استعمال ہونے والی ایک تکنیک ، جو ڈیٹا یا تصاویر کے خطوں کی نشاندہی کرنے کے لئے نیٹ ورک کے آخری حصے کو بہتر بنانے کے عمل کا تجزیہ کرتی ہے جو انتہائی پیش گوئی کرتے ہیں۔
معیاری ماڈل: ایک موجودہ AI ماڈل جو اسی طرح کے کاموں کو انجام دینے کے لئے پہلے سے تربیت یافتہ ہے۔
جانچ (مصنوعی ذہانت کے تناظر میں): یہ مشاہدہ کرنا کہ ایک ماڈل کس طرح ڈیٹا کا استعمال کرتے ہوئے ایک کام انجام دیتا ہے جس کا سامنا اس سے پہلے نہیں ہوا ہے۔
تربیت (مصنوعی ذہانت کے تناظر میں): ڈیٹا اور نتائج کے ساتھ ایک ماڈل کی فراہمی تاکہ ماڈل اپنے داخلی پیرامیٹرز کو ایڈجسٹ کرے تاکہ نئے ڈیٹا کا استعمال کرتے ہوئے کام انجام دینے کی اپنی صلاحیت کو بہتر بنایا جاسکے۔
ویکٹر: ڈیٹا کی صف۔ مشین لرننگ میں ، ہر صف عنصر عام طور پر نمونے کی ایک انوکھی خصوصیت ہوتی ہے۔
جدول 1 میں اپریل 2021 کے تازہ ترین کورسز کی فہرست دی گئی ہے ، جس میں ہر عنوان کے لئے ٹارگٹ سیکھنے کے مقاصد بھی شامل ہیں۔ اس ورکشاپ کا مقصد تکنیکی سطح پر نئے لوگوں کے لئے ہے اور ان میں انڈرگریجویٹ میڈیکل ڈگری کے پہلے سال سے زیادہ ریاضی کے علم کی ضرورت نہیں ہے۔ اس کورس کو انجینئرنگ میں 6 میڈیکل طلباء اور 3 اساتذہ نے تیار کیا تھا۔ انجینئر پڑھانے کے لئے مصنوعی ذہانت کا نظریہ تیار کررہے ہیں ، اور میڈیکل طلباء طبی لحاظ سے متعلقہ مواد سیکھ رہے ہیں۔
ورکشاپس میں لیکچرز ، کیس اسٹڈیز ، اور رہنمائی پروگرامنگ شامل ہیں۔ پہلے لیکچر میں ، ہم بائیوسٹاٹسٹکس میں اعداد و شمار کے تجزیے کے منتخب تصورات کا جائزہ لیتے ہیں ، بشمول اعداد و شمار کے تصور ، لاجسٹک ریگریشن ، اور وضاحتی اور دلکش اعدادوشمار کا موازنہ۔ اگرچہ اعداد و شمار کا تجزیہ مصنوعی ذہانت کی بنیاد ہے ، لیکن ہم اعداد و شمار کی کان کنی ، اہمیت کی جانچ ، یا انٹرایکٹو تصور جیسے عنوانات کو خارج کرتے ہیں۔ یہ وقت کی رکاوٹوں کی وجہ سے تھا اور اس لئے بھی کہ کچھ انڈرگریجویٹ طلباء نے بایوسٹاٹسٹکس میں پہلے کی تربیت حاصل کی تھی اور وہ مشین لرننگ کے مزید انوکھے موضوعات کا احاطہ کرنا چاہتے تھے۔ اس کے بعد کے لیکچر میں جدید طریقوں کو متعارف کرایا گیا ہے اور AI کے مسئلے کی تشکیل ، فوائد اور AI ماڈلز کی حدود ، اور ماڈل ٹیسٹنگ پر تبادلہ خیال کیا گیا ہے۔ لیکچرز کو موجودہ مصنوعی ذہانت کے آلات پر ادب اور عملی تحقیق کے ذریعہ پورا کیا جاتا ہے۔ ہم کلینیکل سوالات کو حل کرنے کے لئے کسی ماڈل کی تاثیر اور فزیبلٹی کا اندازہ کرنے کے لئے درکار مہارتوں پر زور دیتے ہیں ، بشمول موجودہ مصنوعی ذہانت کے آلات کی حدود کو سمجھنا۔ مثال کے طور پر ، ہم نے طلباء سے کوپرمین ایٹ ال ، 5 کے ذریعہ تجویز کردہ پیڈیاٹرک سر کی چوٹ کے رہنما خطوط کی ترجمانی کرنے کو کہا جس نے مصنوعی ذہانت کے فیصلے کے درخت الگورتھم کو نافذ کیا تاکہ اس بات کا تعین کیا جاسکے کہ آیا کسی معالج کے امتحان کی بنیاد پر سی ٹی اسکین کارآمد ثابت ہوگا یا نہیں۔ ہم اس بات پر زور دیتے ہیں کہ یہ معالجین کی جگہ لینے کے بجائے معالجین کو تشریح کرنے کے لئے پیش گوئی کرنے والے تجزیات فراہم کرنے کی ایک عام مثال ہے۔
دستیاب اوپن سورس بوٹسٹریپ پروگرامنگ مثالوں (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) میں ، ہم یہ ظاہر کرتے ہیں کہ کس طرح ریسرچ ڈیٹا تجزیہ ، طول و عرض میں کمی ، معیاری ماڈل لوڈنگ ، اور تربیت انجام دینے کا طریقہ . اور جانچ ہم گوگل کولیبریٹری نوٹ بک (گوگل ایل ایل سی ، ماؤنٹین ویو ، سی اے) کا استعمال کرتے ہیں ، جو ازگر کوڈ کو ویب براؤزر سے پھانسی دینے کی اجازت دیتے ہیں۔ انجیر میں۔ شکل 2 پروگرامنگ کی مشق کی ایک مثال پیش کرتا ہے۔ اس مشق میں وسکونسن اوپن بریسٹ امیجنگ ڈیٹاسیٹ 6 اور فیصلہ کن درخت الگورتھم کا استعمال کرتے ہوئے خرابی کی پیش گوئی کرنا شامل ہے۔
متعلقہ عنوانات پر ہفتے بھر میں پروگرام پیش کریں اور شائع شدہ AI ایپلی کیشنز سے مثالوں کا انتخاب کریں۔ پروگرامنگ عناصر کو صرف اس صورت میں شامل کیا جاتا ہے جب وہ مستقبل کے کلینیکل پریکٹس کے بارے میں بصیرت فراہم کرنے کے لئے متعلقہ سمجھے جائیں ، جیسے ماڈلز کا اندازہ کیسے کریں تاکہ یہ معلوم کیا جاسکے کہ آیا وہ کلینیکل ٹرائلز میں استعمال کے لئے تیار ہیں یا نہیں۔ ان مثالوں کا اختتام ایک مکمل اختتام سے آخر تک کی درخواست پر ہوتا ہے جو میڈیکل امیج پیرامیٹرز کی بنیاد پر ٹیومر کو سومی یا مہلک کے طور پر درجہ بندی کرتا ہے۔
پیشگی علم کی نسبت۔ ہمارے شرکاء ریاضی کے علم کی سطح میں مختلف تھے۔ مثال کے طور پر ، جدید انجینئرنگ کے پس منظر والے طلباء زیادہ گہرائی والے مواد کی تلاش میں ہیں ، جیسے اپنے فوئیر ٹرانسفارمز کو انجام دینے کا طریقہ۔ تاہم ، کلاس میں فوئیر الگورتھم پر تبادلہ خیال کرنا ممکن نہیں ہے کیونکہ اس کے لئے سگنل پروسیسنگ کے بارے میں گہرائی سے علم کی ضرورت ہے۔
حاضری کا بہاؤ۔ فالو اپ میٹنگوں میں حاضری میں کمی واقع ہوئی ، خاص طور پر آن لائن فارمیٹس میں۔ ایک حل یہ ہوسکتا ہے کہ حاضری کو ٹریک کریں اور تکمیل کا سرٹیفکیٹ فراہم کریں۔ میڈیکل اسکول طلباء کی غیر نصابی تعلیمی سرگرمیوں کی نقل کو تسلیم کرنے کے لئے جانا جاتا ہے ، جو طلبا کو ڈگری حاصل کرنے کی ترغیب دے سکتے ہیں۔
کورس کا ڈیزائن: کیونکہ اے آئی بہت سارے ذیلی فیلڈز پر محیط ہے ، لہذا مناسب گہرائی اور وسعت کے بنیادی تصورات کا انتخاب مشکل ہوسکتا ہے۔ مثال کے طور پر ، لیبارٹری سے کلینک تک اے آئی ٹولز کے استعمال کا تسلسل ایک اہم عنوان ہے۔ اگرچہ ہم ڈیٹا پری پروسیسنگ ، ماڈل بلڈنگ ، اور توثیق کا احاطہ کرتے ہیں ، لیکن ہم بڑے اعداد و شمار کے تجزیات ، انٹرایکٹو ویژنائزیشن ، یا اے آئی کلینیکل ٹرائلز کا انعقاد جیسے موضوعات کو شامل نہیں کرتے ہیں ، اس کے بجائے ہم AI کے انتہائی منفرد تصورات پر توجہ مرکوز کرتے ہیں۔ ہمارا رہنما اصول خواندگی کو بہتر بنانا ہے ، مہارت نہیں۔ مثال کے طور پر ، یہ سمجھنا کہ ماڈل ان پٹ کی خصوصیات کو کس طرح پروسیس کرتا ہے اس کی ترجمانی کے لئے اہم ہے۔ ایسا کرنے کا ایک طریقہ یہ ہے کہ تدریجی ایکٹیویشن میپس کا استعمال کریں ، جو یہ تصور کرسکتے ہیں کہ اعداد و شمار کے کون سے خطے پیش گوئی کی جاسکتی ہیں۔ تاہم ، اس کے لئے ملٹی ویریٹ کیلکولس کی ضرورت ہے اور اس کو متعارف نہیں کیا جاسکتا۔ ایک مشترکہ اصطلاحات تیار کرنا مشکل تھا کیونکہ ہم یہ بتانے کی کوشش کر رہے تھے کہ ریاضی کے رسمی عمل کے بغیر ویکٹر کی حیثیت سے ڈیٹا کے ساتھ کیسے کام کریں۔ نوٹ کریں کہ مختلف اصطلاحات ایک ہی معنی رکھتے ہیں ، مثال کے طور پر ، وبائی امراض میں ، ایک "خصوصیت" کو "متغیر" یا "وصف" کے طور پر بیان کیا گیا ہے۔
علم برقرار رکھنا۔ چونکہ اے آئی کا اطلاق محدود ہے ، لہذا شرکاء جس حد تک علم برقرار رکھتے ہیں اسے دیکھنا باقی ہے۔ میڈیکل اسکول کا نصاب اکثر عملی گردشوں کے دوران علم کو تقویت دینے کے لئے فاصلہ تکرار پر انحصار کرتا ہے ، 9 جو AI تعلیم پر بھی لاگو ہوسکتے ہیں۔
پیشہ ورانہ مہارت خواندگی سے زیادہ اہم ہے۔ اس مواد کی گہرائی کو ریاضی کی سختی کے بغیر ڈیزائن کیا گیا ہے ، جو مصنوعی ذہانت میں کلینیکل کورسز کا آغاز کرتے وقت ایک مسئلہ تھا۔ پروگرامنگ کی مثالوں میں ، ہم ایک ٹیمپلیٹ پروگرام استعمال کرتے ہیں جو شرکاء کو فیلڈز کو پُر کرنے اور سافٹ ویئر چلانے کی اجازت دیتا ہے جس کا پتہ لگائے بغیر کہ ایک مکمل پروگرامنگ ماحول قائم کیا جائے۔
مصنوعی ذہانت سے متعلق خدشات جن پر توجہ دی گئی: اس میں وسیع پیمانے پر تشویش پائی جاتی ہے کہ مصنوعی ذہانت کچھ طبی فرائض 3 کی جگہ لے سکتی ہے۔ اس مسئلے کو حل کرنے کے ل we ، ہم AI کی حدود کی وضاحت کرتے ہیں ، بشمول یہ حقیقت بھی شامل ہے کہ ریگولیٹرز کے ذریعہ منظور شدہ تقریبا all تمام AI ٹیکنالوجیز کو معالج کی نگرانی 11 کی ضرورت ہوتی ہے۔ ہم تعصب کی اہمیت پر بھی زور دیتے ہیں کیونکہ الگورتھم تعصب کا شکار ہیں ، خاص طور پر اگر ڈیٹا سیٹ متنوع 12 نہیں ہے۔ اس کے نتیجے میں ، ایک مخصوص ذیلی گروپ کو غلط طریقے سے ماڈل بنایا جاسکتا ہے ، جس سے غیر منصفانہ طبی فیصلوں کا باعث بنتا ہے۔
وسائل عوامی طور پر دستیاب ہیں: ہم نے عوامی طور پر دستیاب وسائل تشکیل دیئے ہیں ، بشمول لیکچر سلائیڈز اور کوڈ۔ اگرچہ ہم آہنگی کے مواد تک رسائی ٹائم زون کی وجہ سے محدود ہے ، لیکن اوپن سورس مواد غیر متزلزل سیکھنے کے لئے ایک آسان طریقہ ہے کیونکہ AI کی مہارت تمام میڈیکل اسکولوں میں دستیاب نہیں ہے۔
بین الضابطہ تعاون: یہ ورکشاپ ایک مشترکہ منصوبہ ہے جو میڈیکل طلباء نے انجینئروں کے ساتھ مل کر کورسز کی منصوبہ بندی کرنے کے لئے شروع کیا ہے۔ اس سے دونوں شعبوں میں باہمی تعاون کے مواقع اور علم کے فرق کو ظاہر کیا گیا ہے ، جس سے شرکاء کو مستقبل میں اس امکانی کردار کو سمجھنے کی اجازت ملتی ہے۔
اے آئی کور کی قابلیت کی وضاحت کریں۔ قابلیت کی فہرست کی وضاحت ایک معیاری ڈھانچہ فراہم کرتی ہے جسے موجودہ قابلیت پر مبنی طبی نصاب میں ضم کیا جاسکتا ہے۔ یہ ورکشاپ فی الحال بلوم کی درجہ بندی کے سیکھنے کے مقصد کی سطح 2 (فہم) ، 3 (درخواست) ، اور 4 (تجزیہ) کا استعمال کرتی ہے۔ اعلی درجے کی درجہ بندی پر وسائل رکھنے ، جیسے منصوبے بنانا ، علم کو مزید تقویت بخش سکتا ہے۔ اس کے لئے کلینیکل ماہرین کے ساتھ مل کر کام کرنے کی ضرورت ہے تاکہ یہ معلوم کیا جاسکے کہ AI عنوانات کو کلینیکل ورک فلوز پر کس طرح لاگو کیا جاسکتا ہے اور معیاری طبی نصاب میں پہلے ہی شامل بار بار ہونے والے موضوعات کی تعلیم کو روکا جاسکتا ہے۔
AI کا استعمال کرتے ہوئے کیس اسٹڈیز بنائیں۔ کلینیکل مثالوں کی طرح ، کیس پر مبنی سیکھنے سے ان کے کلینیکل سوالات سے مطابقت کو اجاگر کرکے تجریدی تصورات کو تقویت مل سکتی ہے۔ مثال کے طور پر ، ایک ورکشاپ کے مطالعے میں گوگل کے اے آئی پر مبنی ذیابیطس ریٹینیوپیتھی کا پتہ لگانے کے نظام 13 کا تجزیہ کیا گیا تاکہ لیب سے کلینک تک کے راستے میں چیلنجوں کی نشاندہی کی جاسکے ، جیسے بیرونی توثیق کی ضروریات اور ریگولیٹری منظوری کے راستے۔
تجرباتی لرننگ کا استعمال کریں: تکنیکی مہارتوں کو کلینیکل ٹرینیوں کے گھومنے والے سیکھنے کے تجربات کی طرح ، ماسٹر کے لئے مرکوز مشق اور بار بار درخواست کی ضرورت ہوتی ہے۔ ایک ممکنہ حل پلٹ جانے والا کلاس روم ماڈل ہے ، جس میں انجینئرنگ ایجوکیشن 14 میں علم برقرار رکھنے میں بہتری لانے کی اطلاع دی گئی ہے۔ اس ماڈل میں ، طلباء آزادانہ طور پر نظریاتی مواد کا جائزہ لیتے ہیں اور طبقاتی وقت کیس اسٹڈیز کے ذریعہ مسائل کو حل کرنے کے لئے وقف ہے۔
کثیر الجہتی شرکاء کے لئے اسکیلنگ: ہم متعدد مضامین میں باہمی تعاون سے متعلق AI کو اپنانے کا تصور کرتے ہیں ، بشمول معالجین اور اس سے وابستہ صحت کے پیشہ ور افراد جن میں تربیت کی مختلف سطحیں ہیں۔ لہذا ، نصاب کو مختلف محکموں سے لے کر صحت کی دیکھ بھال کے مختلف شعبوں میں اپنے مواد کو تیار کرنے کے لئے فیکلٹی کے ساتھ مشاورت سے تیار کرنے کی ضرورت پڑسکتی ہے۔
مصنوعی ذہانت ہائی ٹیک ہے اور اس کے بنیادی تصورات ریاضی اور کمپیوٹر سائنس سے متعلق ہیں۔ مصنوعی ذہانت کو سمجھنے کے لئے صحت کی دیکھ بھال کرنے والے اہلکاروں کی تربیت مواد کے انتخاب ، طبی مطابقت اور ترسیل کے طریقوں میں انوکھے چیلنج پیش کرتی ہے۔ ہم امید کرتے ہیں کہ ایجوکیشن ورکشاپس میں اے آئی سے حاصل کردہ بصیرت سے مستقبل کے اساتذہ کو اے آئی کو طبی تعلیم میں ضم کرنے کے جدید طریقوں کو اپنانے میں مدد ملے گی۔
گوگل کولیبریٹری ازگر اسکرپٹ اوپن سورس ہے اور دستیاب ہے: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
پروبر ، کے جی اور خان ، ایس ریتھینکنگ میڈیکل ایجوکیشن: ایک کال ٹو ایکشن۔ اکاڈ۔ دوائی۔ 88 ، 1407–1410 (2013)۔
میک کوئے ، LG وغیرہ۔ میڈیکل طلباء کو مصنوعی ذہانت کے بارے میں واقعی میں کیا جاننے کی ضرورت ہے؟ NPZH نمبر میڈیسن 3 ، 1–3 (2020)۔
ڈوس سانٹوس ، ڈی پی ، وغیرہ۔ مصنوعی ذہانت کے بارے میں میڈیکل طلباء کے رویوں: ایک ملٹی سینٹر سروے۔ یورو۔ تابکاری 29 ، 1640–1646 (2019)۔
فین ، کی ، ہو ، آر ، اور سنگلا ، آر. میڈیکل طلباء کے لئے مشین لرننگ کا تعارف: ایک پائلٹ پروجیکٹ۔ جے میڈ۔ سکھائیں۔ 54 ، 1042–1043 (2020)۔
کوپر مین این ، وغیرہ۔ سر کی چوٹ کے بعد دماغی طور پر اہم دماغی چوٹ کا خطرہ بہت کم خطرہ میں بچوں کی نشاندہی کرنا: ایک ممکنہ ہم آہنگی کا مطالعہ۔ لانسیٹ 374 ، 1160–1170 (2009)۔
اسٹریٹ ، ڈبلیو این ، ولبرگ ، ڈبلیو ایچ اور منگاسیرین ، او ایل۔ چھاتی کے ٹیومر کی تشخیص کے لئے جوہری خصوصیت کو نکالنا۔ بائیو میڈیکل سائنس۔ تصویری پروسیسنگ۔ بائیو میڈیکل سائنس۔ ویس 1905 ، 861–870 (1993)۔
چن ، پی ایچ سی ، لیو ، وائی اور پینگ ، ایل۔ ​​صحت کی دیکھ بھال کے لئے مشین لرننگ ماڈل کیسے تیار کریں۔ نیٹ۔ میٹ 18 ، 410–414 (2019)۔
سیلوراجو ، آر آر ایٹ ال۔ گریڈ کیم: میلان پر مبنی لوکلائزیشن کے ذریعہ گہرے نیٹ ورکس کی بصری تشریح۔ کمپیوٹر ویژن پر آئی ای ای بین الاقوامی کانفرنس کی کارروائی ، 618–626 (2017)۔
انڈرگریجویٹ میڈیکل ایجوکیشن میں او ایس سی ای کا استعمال کرتے ہوئے شواہد پر مبنی دوائیوں کی قابلیت کا اندازہ کرنے کے لئے کمارویل بی ، اسٹیورٹ کے اور ایلک ڈی کی ترقی اور تشخیص۔ بی ایم کے میڈیسن۔ سکھائیں۔ 21 ، 1–9 (2021)۔
کولاچلاما وی بی اور گارگ پی ایس مشین لرننگ اینڈ میڈیکل ایجوکیشن۔ NPZH نمبر دوائی۔ 1 ، 1–3 (2018)
وان لیووین ، کے جی ، شیلیکیمپ ، ایس ، رٹن ، ایم جے ، وان گینکن ، بی اور ڈی روئے ، ایم۔ ریڈیولاجی میں مصنوعی ذہانت: 100 تجارتی مصنوعات اور ان کے سائنسی ثبوت۔ یورو۔ تابکاری 31 ، 3797–3804 (2021)۔
ٹوپول ، ای جے اعلی کارکردگی کی دوائی: انسانی اور مصنوعی ذہانت کا تبادلہ۔ نیٹ۔ دوائی۔ 25 ، 44–56 (2019)۔
بیڈ ، ای۔ ایٹ ال۔ ذیابیطس ریٹینیوپیتھی کا پتہ لگانے کے لئے کلینک میں تعینات گہری سیکھنے کے نظام کی انسانی مرکزیت کی تشخیص۔ کمپیوٹنگ سسٹم (2020) میں انسانی عوامل سے متعلق 2020 CHI کانفرنس کی کارروائی۔
کیر ، بی۔ انجینئرنگ ایجوکیشن میں پلٹ جانے والی کلاس روم: ایک تحقیقی جائزہ۔ انٹرایکٹو باہمی تعاون کے ساتھ 2015 کی بین الاقوامی کانفرنس کی کارروائی (2015)۔
مصنفین یونیورسٹی آف برٹش کولمبیا میں بائیو میڈیکل امیجنگ اور مصنوعی ذہانت کے ریسرچ کلسٹر سے تعلق رکھنے والے ڈینیئل واکر ، ٹم سالکوڈن ، اور پیٹر زینڈسٹرا کا تعاون اور مالی اعانت کے لئے شکریہ ادا کرتے ہیں۔
آر ایچ ، پی پی ، زیڈ ایچ ، آر ایس اور ایم اے ورکشاپ کی تدریسی مواد کو تیار کرنے کے ذمہ دار تھے۔ آر ایچ اور پی پی پروگرامنگ کی مثالوں کو تیار کرنے کے ذمہ دار تھے۔ کیف ، او وائی ، ایم ٹی اور پی ڈبلیو اس منصوبے کی لاجسٹک تنظیم اور ورکشاپس کے تجزیہ کے ذمہ دار تھے۔ آر ایچ ، اوئے ، ایم ٹی ، آر ایس ، اعداد و شمار اور میزیں بنانے کے ذمہ دار تھے۔ آر ایچ ، کیف ، پی پی ، زیڈ ایچ ، اوئے ، میرے ، پی ڈبلیو ، ٹی ایل ، ایم اے ، آر ایس دستاویز کو تیار کرنے اور اس میں ترمیم کرنے کے ذمہ دار تھے۔
مواصلات کی دوائی اس کام کے جائزے میں ان کی شراکت کے لئے کیرولن میکگریگر ، فیبیو موریس ، اور آدتیہ بورکاٹی کا شکریہ۔