میڈیکل طلباء کو مصنوعی ذہانت کی تعلیم دینے پر کینیڈا کا نقطہ نظر

Nature.com پر جانے کا شکریہ۔براؤزر کا جو ورژن آپ استعمال کر رہے ہیں وہ محدود CSS سپورٹ رکھتا ہے۔بہترین نتائج کے لیے، ہم آپ کے براؤزر کا نیا ورژن استعمال کرنے کی تجویز کرتے ہیں (یا انٹرنیٹ ایکسپلورر میں مطابقت موڈ کو بند کر دیں)۔اس دوران، جاری تعاون کو یقینی بنانے کے لیے، ہم سائٹ کو اسٹائل یا جاوا اسکرپٹ کے بغیر دکھا رہے ہیں۔
کلینیکل آرٹیفیشل انٹیلی جنس (AI) کی ایپلی کیشنز تیزی سے بڑھ رہی ہیں، لیکن میڈیکل اسکول کا موجودہ نصاب اس علاقے میں محدود تدریس کی پیشکش کرتا ہے۔یہاں ہم ایک مصنوعی ذہانت کے تربیتی کورس کی وضاحت کرتے ہیں جسے ہم نے تیار کیا اور کینیڈا کے میڈیکل طلباء تک پہنچایا اور مستقبل کی تربیت کے لیے سفارشات پیش کیں۔
طب میں مصنوعی ذہانت (AI) کام کی جگہ کی کارکردگی کو بہتر بنا سکتی ہے اور طبی فیصلہ سازی میں مدد کر سکتی ہے۔مصنوعی ذہانت کے استعمال کی بحفاظت رہنمائی کرنے کے لیے، معالجین کو مصنوعی ذہانت کی کچھ سمجھ ہونی چاہیے۔بہت سے تبصرے AI کے تصورات1 کی تعلیم دینے کی وکالت کرتے ہیں، جیسے کہ AI ماڈلز اور تصدیقی عمل کی وضاحت کرنا2۔تاہم، کچھ منظم منصوبے لاگو کیے گئے ہیں، خاص طور پر قومی سطح پر۔Pinto dos Santos et al.3.263 میڈیکل طلباء کا سروے کیا گیا اور 71 فیصد نے اتفاق کیا کہ انہیں مصنوعی ذہانت میں تربیت کی ضرورت ہے۔طبی سامعین کو مصنوعی ذہانت کی تعلیم دینے کے لیے محتاط ڈیزائن کی ضرورت ہوتی ہے جس میں ایسے طلبا کے لیے تکنیکی اور غیر تکنیکی تصورات کو یکجا کیا جاتا ہے جو اکثر پہلے سے وسیع علم رکھتے ہیں۔ہم طبی طلباء کے تین گروپوں کو AI ورکشاپس کی سیریز فراہم کرنے کے اپنے تجربے کو بیان کرتے ہیں اور AI میں مستقبل کی طبی تعلیم کے لیے سفارشات پیش کرتے ہیں۔
طبی طالب علموں کے لیے ہماری پانچ ہفتوں پر مشتمل آرٹیفیشل انٹیلی جنس ان میڈیسن ورکشاپ کا انعقاد فروری 2019 اور اپریل 2021 کے درمیان تین بار کیا گیا۔ کورس میں ہونے والی تبدیلیوں کی مختصر وضاحت کے ساتھ ہر ورکشاپ کا شیڈول تصویر 1 میں دکھایا گیا ہے۔ سیکھنے کے تین بنیادی مقاصد: طلباء یہ سمجھتے ہیں کہ مصنوعی ذہانت کی ایپلی کیشنز میں ڈیٹا پر کس طرح کارروائی کی جاتی ہے، کلینیکل ایپلی کیشنز کے لیے مصنوعی ذہانت کے لٹریچر کا تجزیہ کرتے ہیں، اور مصنوعی ذہانت تیار کرنے والے انجینئرز کے ساتھ تعاون کرنے کے مواقع سے فائدہ اٹھاتے ہیں۔
نیلا لیکچر کا موضوع ہے اور ہلکا نیلا انٹرایکٹو سوال و جواب کا دورانیہ ہے۔سرمئی سیکشن مختصر ادبی جائزے کا مرکز ہے۔نارنجی حصے منتخب کیس اسٹڈیز ہیں جو مصنوعی ذہانت کے ماڈلز یا تکنیکوں کو بیان کرتے ہیں۔گرین ایک گائیڈڈ پروگرامنگ کورس ہے جسے طبی مسائل کو حل کرنے اور ماڈلز کا جائزہ لینے کے لیے مصنوعی ذہانت سکھانے کے لیے ڈیزائن کیا گیا ہے۔ورکشاپس کا مواد اور دورانیہ طالب علم کی ضروریات کے جائزے کی بنیاد پر مختلف ہوتا ہے۔
پہلی ورکشاپ یونیورسٹی آف برٹش کولمبیا میں فروری سے اپریل 2019 تک منعقد ہوئی، اور تمام 8 شرکاء نے مثبت آراء4۔COVID-19 کی وجہ سے، دوسری ورکشاپ عملی طور پر اکتوبر-نومبر 2020 میں منعقد ہوئی، جس میں 222 میڈیکل طلباء اور 8 کینیڈا کے میڈیکل اسکولوں کے 3 رہائشیوں نے رجسٹریشن کرائی۔پریزنٹیشن سلائیڈز اور کوڈ کو ایک کھلی رسائی سائٹ (http://ubcaimed.github.io) پر اپ لوڈ کر دیا گیا ہے۔پہلی تکرار سے اہم رائے یہ تھی کہ لیکچرز بہت شدید اور مواد بہت نظریاتی تھا۔کینیڈا کے چھ مختلف ٹائم زونز کی خدمت کرنا اضافی چیلنجز کا سامنا ہے۔اس طرح، دوسری ورکشاپ نے ہر سیشن کو 1 گھنٹہ تک مختصر کر دیا، 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 کا موقع ملا۔دوسری تکرار کے کلیدی تاثرات میں پروگرامنگ مشقوں پر مثبت تاثرات اور مشین لرننگ پروجیکٹ کے لیے منصوبہ بندی کا مظاہرہ کرنے کی درخواست شامل تھی۔لہذا، ہماری تیسری ورکشاپ میں، جو عملی طور پر 126 میڈیکل طلباء کے لیے مارچ-اپریل 2021 میں منعقد کی گئی تھی، ہم نے پروجیکٹوں پر ورکشاپ کے تصورات کے استعمال کے اثرات کو ظاہر کرنے کے لیے مزید انٹرایکٹو کوڈنگ مشقیں اور پروجیکٹ فیڈ بیک سیشنز شامل کیے تھے۔
ڈیٹا تجزیہ: اعداد و شمار میں مطالعہ کا ایک شعبہ جو ڈیٹا کے نمونوں کا تجزیہ، پروسیسنگ، اور بات چیت کے ذریعے ڈیٹا میں معنی خیز نمونوں کی شناخت کرتا ہے۔
ڈیٹا مائننگ: ڈیٹا کی شناخت اور نکالنے کا عمل۔مصنوعی ذہانت کے تناظر میں، یہ اکثر بڑا ہوتا ہے، ہر نمونے کے لیے متعدد متغیرات کے ساتھ۔
جہت میں کمی: اصل ڈیٹا سیٹ کی اہم خصوصیات کو محفوظ رکھتے ہوئے متعدد انفرادی خصوصیات کے ساتھ ڈیٹا کو کم خصوصیات میں تبدیل کرنے کا عمل۔
خصوصیات (مصنوعی ذہانت کے تناظر میں): نمونے کی قابل پیمائش خصوصیات۔اکثر "پراپرٹی" یا "متغیر" کے ساتھ ایک دوسرے کے ساتھ استعمال ہوتا ہے۔
گریڈینٹ ایکٹیویشن میپ: مصنوعی ذہانت کے ماڈلز (خاص طور پر کنولوشنل نیورل نیٹ ورکس) کی تشریح کرنے کے لیے استعمال ہونے والی ایک تکنیک، جو ڈیٹا یا امیجز کے ان خطوں کی نشاندہی کرنے کے لیے نیٹ ورک کے آخری حصے کو بہتر بنانے کے عمل کا تجزیہ کرتی ہے جو انتہائی پیش گوئی کرنے والے ہیں۔
معیاری ماڈل: ایک موجودہ AI ماڈل جو اسی طرح کے کام انجام دینے کے لیے پہلے سے تربیت یافتہ ہے۔
ٹیسٹنگ (مصنوعی ذہانت کے تناظر میں): یہ مشاہدہ کرنا کہ ماڈل کس طرح ڈیٹا کا استعمال کرتے ہوئے کسی کام کو انجام دیتا ہے جس کا اسے پہلے سامنا نہیں ہوا۔
تربیت (مصنوعی ذہانت کے تناظر میں): ڈیٹا اور نتائج کے ساتھ ایک ماڈل فراہم کرنا تاکہ ماڈل نئے ڈیٹا کا استعمال کرتے ہوئے کاموں کو انجام دینے کی اپنی صلاحیت کو بہتر بنانے کے لیے اپنے اندرونی پیرامیٹرز کو ایڈجسٹ کرے۔
ویکٹر: ڈیٹا کی صف۔مشین لرننگ میں، ہر صف کا عنصر عام طور پر نمونے کی ایک منفرد خصوصیت ہوتا ہے۔
جدول 1 اپریل 2021 کے تازہ ترین کورسز کی فہرست دیتا ہے، بشمول ہر موضوع کے لیے ہدف شدہ سیکھنے کے مقاصد۔یہ ورکشاپ تکنیکی سطح پر نئے لوگوں کے لیے ہے اور اس کے لیے انڈرگریجویٹ میڈیکل ڈگری کے پہلے سال سے آگے کسی ریاضیاتی علم کی ضرورت نہیں ہے۔یہ کورس 6 میڈیکل طلباء اور 3 اساتذہ نے انجینئرنگ کی اعلیٰ ڈگریوں کے ساتھ تیار کیا تھا۔انجینئرز سکھانے کے لیے مصنوعی ذہانت کا نظریہ تیار کر رہے ہیں، اور طبی طالب علم طبی لحاظ سے متعلقہ مواد سیکھ رہے ہیں۔
ورکشاپس میں لیکچرز، کیس اسٹڈیز، اور گائیڈڈ پروگرامنگ شامل ہیں۔پہلے لیکچر میں، ہم بائیو سٹیٹسٹکس میں ڈیٹا کے تجزیہ کے منتخب تصورات کا جائزہ لیتے ہیں، بشمول ڈیٹا ویژولائزیشن، لاجسٹک ریگریشن، اور وضاحتی اور اشتعال انگیز اعدادوشمار کا موازنہ۔اگرچہ ڈیٹا کا تجزیہ مصنوعی ذہانت کی بنیاد ہے، لیکن ہم ڈیٹا مائننگ، اہمیت کی جانچ، یا انٹرایکٹو ویژولائزیشن جیسے موضوعات کو خارج کر دیتے ہیں۔یہ وقت کی پابندیوں کی وجہ سے تھا اور اس وجہ سے بھی کہ کچھ انڈرگریجویٹ طلباء نے بائیو سٹیٹسٹکس میں پہلے سے تربیت حاصل کی تھی اور وہ مشین لرننگ کے مزید منفرد موضوعات کا احاطہ کرنا چاہتے تھے۔اس کے بعد کے لیکچر میں جدید طریقے متعارف کرائے گئے ہیں اور AI کے مسائل کی تشکیل، AI ماڈلز کے فوائد اور حدود، اور ماڈل ٹیسٹنگ پر تبادلہ خیال کیا گیا ہے۔لیکچرز موجودہ مصنوعی ذہانت کے آلات پر لٹریچر اور عملی تحقیق سے مکمل ہیں۔ہم موجودہ مصنوعی ذہانت کے آلات کی حدود کو سمجھنے سمیت طبی سوالات کو حل کرنے کے لیے ماڈل کی تاثیر اور فزیبلٹی کا جائزہ لینے کے لیے درکار مہارتوں پر زور دیتے ہیں۔مثال کے طور پر، ہم نے طلباء سے کہا کہ وہ Kupperman et al. کی تجویز کردہ پیڈیاٹرک سر کی چوٹ کے رہنما اصولوں کی تشریح کریں، جس نے ایک مصنوعی ذہانت کے فیصلے کے درخت کے الگورتھم کو لاگو کیا تاکہ یہ تعین کیا جا سکے کہ آیا ڈاکٹر کے معائنے کی بنیاد پر CT سکین مفید ہو گا۔ہم اس بات پر زور دیتے ہیں کہ یہ AI کی ایک عام مثال ہے جو معالجین کو ڈاکٹروں کی جگہ لے کر تشریح کرنے کے لیے پیشین گوئی کرنے والے تجزیات فراہم کرتی ہے۔
دستیاب اوپن سورس بوٹسٹریپ پروگرامنگ مثالوں میں (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples)، ہم یہ ظاہر کرتے ہیں کہ ڈیٹا کا تجزیہ، جہت میں کمی، معیاری ماڈل لوڈنگ، اور تربیت کیسے انجام دی جائے۔ .اور ٹیسٹنگ.ہم Google Colaboratory notebooks (Google LLC, Mountain View, CA) کا استعمال کرتے ہیں، جو Python کوڈ کو ویب براؤزر سے لاگو کرنے کی اجازت دیتے ہیں۔تصویر میں تصویر 2 پروگرامنگ مشق کی ایک مثال فراہم کرتا ہے۔اس مشق میں وسکونسن اوپن بریسٹ امیجنگ ڈیٹا سیٹ 6 اور فیصلہ سازی کے الگورتھم کا استعمال کرتے ہوئے خرابیوں کی پیش گوئی کرنا شامل ہے۔
متعلقہ موضوعات پر ہفتہ بھر کے پروگرام پیش کریں اور شائع شدہ AI ایپلی کیشنز سے مثالیں منتخب کریں۔پروگرامنگ کے عناصر کو صرف اس صورت میں شامل کیا جاتا ہے جب انہیں مستقبل کے کلینیکل پریکٹس کے بارے میں بصیرت فراہم کرنے کے لیے متعلقہ سمجھا جاتا ہے، جیسے کہ ماڈلز کا اندازہ کیسے لگایا جائے کہ آیا وہ کلینیکل ٹرائلز میں استعمال کے لیے تیار ہیں۔یہ مثالیں ایک مکمل اینڈ ٹو اینڈ ایپلی کیشن میں اختتام پذیر ہوتی ہیں جو طبی امیج کے پیرامیٹرز کی بنیاد پر ٹیومر کو سومی یا مہلک کے طور پر درجہ بندی کرتی ہے۔
پیشگی علم کی متفاوتیت۔ہمارے شرکاء اپنے ریاضی کے علم کی سطح میں مختلف تھے۔مثال کے طور پر، اعلی درجے کی انجینئرنگ پس منظر کے حامل طلباء مزید گہرائی والے مواد کی تلاش میں ہیں، جیسے کہ اپنے فوئیر ٹرانسفارمز کو کیسے انجام دیا جائے۔تاہم، کلاس میں فوئیر الگورتھم پر بحث کرنا ممکن نہیں ہے کیونکہ اس کے لیے سگنل پروسیسنگ کے بارے میں گہرائی سے علم کی ضرورت ہوتی ہے۔
حاضری کا اخراج۔فالو اپ میٹنگز میں حاضری کم ہوئی، خاص طور پر آن لائن فارمیٹس میں۔ایک حل حاضری کو ٹریک کرنا اور تکمیل کا سرٹیفکیٹ فراہم کرنا ہو سکتا ہے۔میڈیکل اسکول طلباء کی غیر نصابی تعلیمی سرگرمیوں کی نقلوں کو پہچاننے کے لیے جانے جاتے ہیں، جو طلباء کو ڈگری حاصل کرنے کی ترغیب دے سکتے ہیں۔
کورس ڈیزائن: چونکہ AI بہت سارے ذیلی شعبوں پر محیط ہے، اس لیے مناسب گہرائی اور وسعت کے بنیادی تصورات کا انتخاب کرنا مشکل ہو سکتا ہے۔مثال کے طور پر، لیبارٹری سے کلینک تک AI آلات کے استعمال کا تسلسل ایک اہم موضوع ہے۔جب کہ ہم ڈیٹا پری پروسیسنگ، ماڈل بلڈنگ اور توثیق کا احاطہ کرتے ہیں، ہم بڑے ڈیٹا اینالیٹکس، انٹرایکٹو ویژولائزیشن، یا AI کلینیکل ٹرائلز کرنے جیسے موضوعات کو شامل نہیں کرتے ہیں، اس کے بجائے ہم سب سے منفرد AI تصورات پر توجہ مرکوز کرتے ہیں۔ہمارا رہنما اصول خواندگی کو بہتر بنانا ہے، ہنر نہیں۔مثال کے طور پر، یہ سمجھنا کہ ماڈل ان پٹ خصوصیات پر کیسے عمل کرتا ہے تشریح کے لیے اہم ہے۔ایسا کرنے کا ایک طریقہ یہ ہے کہ تدریجی ایکٹیویشن نقشے استعمال کیے جائیں، جس سے اندازہ لگایا جا سکتا ہے کہ ڈیٹا کے کون سے علاقے پیش گوئی کے قابل ہیں۔تاہم، اس کے لیے ملٹی ویریٹی کیلکولس کی ضرورت ہے اور اسے متعارف نہیں کیا جا سکتا۔ایک عام اصطلاح تیار کرنا مشکل تھا کیونکہ ہم یہ بتانے کی کوشش کر رہے تھے کہ ریاضی کی رسمیت کے بغیر ڈیٹا کے ساتھ ویکٹر کے طور پر کیسے کام کیا جائے۔نوٹ کریں کہ مختلف اصطلاحات کا ایک ہی مطلب ہے، مثال کے طور پر، وبائی امراض میں، ایک "خصوصیت" کو "متغیر" یا "انتساب" کے طور پر بیان کیا جاتا ہے۔
علم برقرار رکھنا۔چونکہ AI کا اطلاق محدود ہے، اس لیے یہ دیکھنا باقی ہے کہ شرکاء کس حد تک علم کو برقرار رکھتے ہیں۔میڈیکل اسکول کے نصاب میں عملی گردش کے دوران علم کو تقویت دینے کے لیے اکثر وقفہ کی تکرار پر انحصار کیا جاتا ہے، 9 جس کا اطلاق AI تعلیم پر بھی کیا جا سکتا ہے۔
پیشہ ورانہ مہارت خواندگی سے زیادہ اہم ہے۔مواد کی گہرائی کو ریاضی کی سختی کے بغیر ڈیزائن کیا گیا ہے، جو کہ مصنوعی ذہانت کے کلینیکل کورسز شروع کرتے وقت ایک مسئلہ تھا۔پروگرامنگ کی مثالوں میں، ہم ایک ٹیمپلیٹ پروگرام استعمال کرتے ہیں جو شرکاء کو مکمل پروگرامنگ ماحول کو ترتیب دینے کا طریقہ معلوم کیے بغیر فیلڈز کو بھرنے اور سافٹ ویئر چلانے کی اجازت دیتا ہے۔
مصنوعی ذہانت کے بارے میں خدشات کا ازالہ کیا گیا: اس بات پر بڑے پیمانے پر تشویش پائی جاتی ہے کہ مصنوعی ذہانت کچھ طبی فرائض کی جگہ لے سکتی ہے۔اس مسئلے کو حل کرنے کے لیے، ہم AI کی حدود کی وضاحت کرتے ہیں، بشمول یہ حقیقت کہ ریگولیٹرز کے ذریعے منظور شدہ تقریباً تمام AI ٹیکنالوجیز کو معالج کی نگرانی کی ضرورت ہوتی ہے۔ہم تعصب کی اہمیت پر بھی زور دیتے ہیں کیونکہ الگورتھم تعصب کا شکار ہوتے ہیں، خاص طور پر اگر ڈیٹا سیٹ متنوع نہ ہو12۔نتیجتاً، ایک مخصوص ذیلی گروپ کو غلط طریقے سے ماڈل بنایا جا سکتا ہے، جس کے نتیجے میں غیر منصفانہ طبی فیصلے ہوتے ہیں۔
وسائل عوامی طور پر دستیاب ہیں: ہم نے عوامی طور پر دستیاب وسائل بنائے ہیں، بشمول لیکچر سلائیڈز اور کوڈ۔اگرچہ ٹائم زونز کی وجہ سے ہم وقت ساز مواد تک رسائی محدود ہے، لیکن اوپن سورس مواد غیر مطابقت پذیر سیکھنے کا ایک آسان طریقہ ہے کیونکہ AI کی مہارت تمام میڈیکل اسکولوں میں دستیاب نہیں ہے۔
بین الضابطہ تعاون: یہ ورکشاپ ایک مشترکہ منصوبہ ہے جس کا آغاز میڈیکل طلباء نے انجینئرز کے ساتھ مل کر کورسز کی منصوبہ بندی کے لیے کیا ہے۔یہ دونوں شعبوں میں تعاون کے مواقع اور علمی فرق کو ظاہر کرتا ہے، جس سے شرکاء کو اس ممکنہ کردار کو سمجھنے کی اجازت ملتی ہے جو وہ مستقبل میں اپنا حصہ ڈال سکتے ہیں۔
AI بنیادی صلاحیتوں کی وضاحت کریں۔قابلیت کی فہرست کی وضاحت ایک معیاری ڈھانچہ فراہم کرتی ہے جسے موجودہ قابلیت پر مبنی طبی نصاب میں ضم کیا جا سکتا ہے۔یہ ورکشاپ فی الحال بلوم کی درجہ بندی کے سیکھنے کے مقصد کی سطح 2 (فہم)، 3 (ایپلی کیشن) اور 4 (تجزیہ) کا استعمال کرتی ہے۔درجہ بندی کی اعلیٰ سطح پر وسائل کا ہونا، جیسے کہ پروجیکٹ بنانا، علم کو مزید تقویت دے سکتا ہے۔اس کے لیے طبی ماہرین کے ساتھ مل کر یہ تعین کرنے کی ضرورت ہے کہ کس طرح AI موضوعات کو طبی کام کے بہاؤ پر لاگو کیا جا سکتا ہے اور معیاری طبی نصاب میں پہلے سے شامل دہرائے جانے والے موضوعات کی تعلیم کو روکنا ہے۔
AI کا استعمال کرتے ہوئے کیس اسٹڈیز بنائیں۔طبی مثالوں کی طرح، کیس پر مبنی سیکھنے سے تجریدی تصورات کو طبی سوالات سے ان کی مطابقت کو اجاگر کر کے تقویت مل سکتی ہے۔مثال کے طور پر، ایک ورکشاپ کے مطالعے نے لیب سے کلینک تک کے راستے میں چیلنجوں کی نشاندہی کرنے کے لیے گوگل کے AI پر مبنی ذیابیطس ریٹینوپیتھی کا پتہ لگانے کے نظام 13 کا تجزیہ کیا، جیسے کہ بیرونی توثیق کی ضروریات اور ریگولیٹری منظوری کے راستے۔
تجرباتی سیکھنے کا استعمال کریں: تکنیکی مہارتوں میں مہارت حاصل کرنے کے لیے توجہ مرکوز کی مشق اور بار بار درخواست کی ضرورت ہوتی ہے، جیسا کہ کلینکل ٹرینیز کے گھومتے ہوئے سیکھنے کے تجربات۔ایک ممکنہ حل فلپ شدہ کلاس روم ماڈل ہے، جس کے بارے میں بتایا گیا ہے کہ انجینئرنگ کی تعلیم میں علم کی برقراری کو بہتر بنایا گیا ہے14۔اس ماڈل میں، طلباء آزادانہ طور پر نظریاتی مواد کا جائزہ لیتے ہیں اور کلاس کا وقت کیس اسٹڈیز کے ذریعے مسائل کو حل کرنے کے لیے وقف ہوتا ہے۔
کثیر الضابطہ شرکاء کے لیے پیمانہ کاری: ہم AI کو اپنانے کا تصور کرتے ہیں جس میں متعدد شعبوں میں تعاون شامل ہے، بشمول معالجین اور متعلقہ صحت کے پیشہ ور افراد جن کی تربیت کی مختلف سطحیں ہیں۔لہذا، صحت کی دیکھ بھال کے مختلف شعبوں کے مطابق ان کے مواد کو تیار کرنے کے لیے مختلف محکموں کے فیکلٹی کے ساتھ مشاورت سے نصاب تیار کرنے کی ضرورت پڑسکتی ہے۔
مصنوعی ذہانت ہائی ٹیک ہے اور اس کے بنیادی تصورات کا تعلق ریاضی اور کمپیوٹر سائنس سے ہے۔صحت کی دیکھ بھال کرنے والے اہلکاروں کو مصنوعی ذہانت کو سمجھنے کے لیے تربیت دینا مواد کے انتخاب، طبی مطابقت اور ترسیل کے طریقوں میں منفرد چیلنجز پیش کرتا ہے۔ہم امید کرتے ہیں کہ تعلیمی ورکشاپس میں AI سے حاصل کردہ بصیرت مستقبل کے اساتذہ کو AI کو طبی تعلیم میں ضم کرنے کے جدید طریقوں کو اپنانے میں مدد فراہم کرے گی۔
Google Colaboratory Python اسکرپٹ اوپن سورس ہے اور یہاں دستیاب ہے: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/۔
پرابر، کے جی اینڈ خان، ایس۔ میڈیکل ایجوکیشن پر نظر ثانی: ایک کال ٹو ایکشن۔اکاد۔دوائی.88، 1407–1410 (2013)۔
McCoy, LG وغیرہ۔ طبی طلباء کو مصنوعی ذہانت کے بارے میں واقعی کیا جاننے کی ضرورت ہے؟NPZh نمبرز۔میڈیسن 3، 1–3 (2020)۔
Dos Santos، DP، et al.طبی طلباء کا مصنوعی ذہانت کی طرف رویہ: ایک ملٹی سینٹر سروے۔یوروتابکاری29، 1640–1646 (2019)۔
فین، کے وائی، ہو، آر، اور سنگلا، آر میڈیکل طلباء کے لیے مشین لرننگ کا تعارف: ایک پائلٹ پروجیکٹ۔جے میڈسکھانا54، 1042–1043 (2020)۔
Cooperman N، et al.سر کی چوٹ کے بعد طبی لحاظ سے اہم دماغی چوٹ کے بہت کم خطرے والے بچوں کی شناخت کرنا: ایک ممکنہ ہم آہنگ مطالعہ۔لینسیٹ 374، 1160–1170 (2009)۔
Street, WN, Wolberg, WH اور Mangasarian, OL.چھاتی کے ٹیومر کی تشخیص کے لیے نیوکلیئر فیچر نکالنا۔حیاتیاتی سائنس.امیج پروسیسنگ۔حیاتیاتی سائنس.ویس1905، 861–870 (1993)۔
چن، پی ایچ سی، لیو، وائی اور پینگ، ایل۔ ​​ہیلتھ کیئر کے لیے مشین لرننگ ماڈل کیسے تیار کیے جائیں۔نیٹمیٹ18، 410–414 (2019)۔
سیلواراجو، آر آر وغیرہ۔گریڈ کیم: گریڈینٹ پر مبنی لوکلائزیشن کے ذریعے گہرے نیٹ ورکس کی بصری تشریح۔کمپیوٹر ویژن، 618–626 (2017) پر IEEE انٹرنیشنل کانفرنس کی کارروائی۔
کماراویل بی، اسٹیورٹ کے اور آئیلک ڈی۔ انڈرگریجویٹ میڈیکل ایجوکیشن میں OSCE کا استعمال کرتے ہوئے شواہد پر مبنی ادویات کی قابلیت کا اندازہ لگانے کے لیے ایک سرپل ماڈل کی ترقی اور تشخیص۔بی ایم کے میڈیسن۔سکھانا21، 1–9 (2021)۔
کولاچلاما وی بی اور گرگ پی ایس مشین لرننگ اور میڈیکل ایجوکیشن۔NPZh نمبرز۔دوائی.1، 1–3 (2018)۔
وین لیوین، کے جی، شالیکمپ، ایس.، رٹن، ایم جے، وین گینیکن، بی اور ڈی روئے، ایم. ریڈیولاجی میں مصنوعی ذہانت: 100 تجارتی مصنوعات اور ان کے سائنسی ثبوت۔یوروتابکاری31، 3797–3804 (2021)۔
ٹوپول، ای جے ہائی پرفارمنس میڈیسن: انسانی اور مصنوعی ذہانت کا ہم آہنگ۔نیٹدوائی.25، 44–56 (2019)۔
Bede، E. et al.ذیابیطس ریٹینوپیتھی کا پتہ لگانے کے لیے کلینک میں تعینات گہرے سیکھنے کے نظام کا انسانی مرکز پر مبنی جائزہ۔کمپیوٹنگ سسٹمز (2020) میں انسانی عوامل پر 2020 CHI کانفرنس کی کارروائی۔
کیر، بی انجینئرنگ کی تعلیم میں فلپ شدہ کلاس روم: ایک تحقیقی جائزہ۔انٹرایکٹو کولیبریٹو لرننگ (2015) پر 2015 کی بین الاقوامی کانفرنس کی کارروائی۔
مصنفین ڈینیل واکر، ٹم سالکوڈن، اور پیٹر زنڈسٹرا کا بائیو میڈیکل امیجنگ اینڈ آرٹیفیشل انٹیلی جنس ریسرچ کلسٹر یونیورسٹی آف برٹش کولمبیا میں سپورٹ اور فنڈنگ ​​کے لیے شکریہ ادا کرتے ہیں۔
ورکشاپ کے تدریسی مواد کو تیار کرنے کے لیے RH، PP، ZH، RS اور MA ذمہ دار تھے۔RH اور PP پروگرامنگ کی مثالیں تیار کرنے کے ذمہ دار تھے۔KYF, OY, MT اور PW پروجیکٹ کی لاجسٹک تنظیم اور ورکشاپس کے تجزیہ کے ذمہ دار تھے۔اعداد و شمار اور میزیں بنانے کے لیے RH, OY, MT, RS ذمہ دار تھے۔RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS دستاویز کے مسودے اور ترمیم کے ذمہ دار تھے۔
کمیونیکیشن میڈیسن اس کام کے جائزے کے لیے کیرولین میک گریگور، فیبیو موریس، اور آدتیہ بوراکاتی کا شکریہ ادا کرتی ہے۔