ကနေဒါနိုင်ငံသားများကိုဆေးဘက်ဆိုင်ရာကျောင်းသားများအတွက်အတုထောက်လှမ်းရေးကိုသင်ကြားခြင်းအပေါ်ရှုထောင့်

Vis ည့်သည်ကိုလာရောက်လည်ပတ်သည့်အတွက်ကျေးဇူးတင်ပါသည်။ သင်အသုံးပြုနေသော browser ဗားရှင်းမှာ CSS အထောက်အပံ့ကိုကန့်သတ်ထားသည်။ အကောင်းဆုံးရလဒ်များအတွက်ကျွန်ုပ်တို့သည်သင်၏ browser ၏ဗားရှင်းအသစ်ကိုအသုံးပြုရန်အကြံပြုသည် (သို့မဟုတ် Internet Explorer တွင်ပါ 0 င်သောအသုံးစနစ်များကိုပိတ်ထားခြင်း) ကိုကျွန်ုပ်တို့အကြံပြုပါသည်။ ဤအချိန်အတောအတွင်းဆက်လက်ပံ့ပိုးမှုများရရှိစေရန်ကျွန်ုပ်တို့သည် site ကိုပုံစံသို့မဟုတ် Javascript မပါဘဲပြနေသည်။
လက်တွေ့အတုထောက်လှမ်းရေးဆိုင်ရာထောက်လှမ်းရေးလျှောက်လွှာများ (AI) သည်လျင်မြန်စွာကြီးထွားလာသော်လည်းလက်ရှိဆေးဘက်ဆိုင်ရာကျောင်းသင်ရိုးညွှန်းတမ်းများကဤဒေသကိုဖုံးအုပ်ထားသည့်အတိုင်းကန့်သတ်ထားသည်။ ဤတွင်ကျွန်ုပ်တို့ကနဒေါဆေးဘက်ဆိုင်ရာကျောင်းသားများကိုတီထွင်ပြီးပို့ဆောင်ပေးခဲ့ပြီး, အနာဂတ်သင်တန်းအတွက်အကြံပြုချက်များပေးရန်အတုထောက်လှမ်းရေးသင်တန်းကိုဤတွင်ဖော်ပြထားသည်။
ဆေးပညာတွင်အတုထောက်လှမ်းရေး (AI) သည်အလုပ်ခွင်ထိရောက်မှုနှင့်အကူအညီလက်တွေ့ဆုံးဖြတ်ချက်ချခြင်းကိုတိုးတက်စေသည်။ အတုဥာဏ်ရည်ကိုအသုံးပြုခြင်းကိုအန္တရာယ်ကင်းစွာလမ်းညွှန်ရန်ဆရာဝန်များသည်အတုထောက်လှမ်းရေးကိုနားလည်ရမည်။ မှတ်ချက်များစွာသည် AI Models နှင့်စိစစ်အတည်ပြုသည့်လုပ်ငန်းစဉ်များကိုရှင်းပြစသည့် AI သဘောတရားများကိုသင်ကြားပို့ချပေးရန်အကြံပေးသည်။ သို့သော်အထူးသဖြင့်အမျိုးသားအဆင့်တွင်ဖွဲ့စည်းပုံအခြေခံဥပဒေအနည်းငယ်အကောင်အထည်ဖော်မှုအနည်းငယ်သာရှိသည်။ Pinto Dos Santos et al.3 ။ 263 ဆေးဘက်ဆိုင်ရာကျောင်းသားများကိုစစ်တမ်းကောက်ယူခဲ့ပြီး 71 ရာခိုင်နှုန်းက၎င်းတို့အားအတုထောက်လှမ်းရေးတွင်လေ့ကျင့်သင်ကြားရန်လိုအပ်ကြောင်းသဘောတူညီခဲ့ကြသည်။ ဆေးဘက်ဆိုင်ရာပရိသတ်များမှအတုထောက်လှမ်းရေးကိုသင်ကြားခြင်းသည်ကြိုတင်မဲဗဟုသုတများစွာရှိသောကျောင်းသားများအတွက်နည်းပညာနှင့်မဟုတ်သောနည်းပညာဆိုင်ရာအယူအဆများကိုပေါင်းစပ်ရန်ဂရုတစိုက်အထူးဒီဇိုင်းလိုအပ်သည်။ ကျွန်ုပ်တို့၏အတွေ့အကြုံများကို AI အလုပ်ရုံဆွေးနွေးပွဲများကိုဆေးဘက်ဆိုင်ရာကျောင်းသားသုံးစုသို့ပို့ဆောင်ပေးပြီး AI ရှိအနာဂတ်ဆေးပညာပညာအတွက်အကြံပြုချက်များပေးသည့်ကျွန်ုပ်တို့၏အတွေ့အကြုံကိုဖော်ပြထားသည်။
ဆေးဘက်ဆိုင်ရာကျောင်းသားများကိုဆေးပညာအလုပ်ရုံဆွေးနွေးပွဲအတွက်အတုဥာဏ်ရည်ကိုကျွန်ုပ်တို့၏ငါးပတ်ကြာနိဒါန်းအကြားဖေဖော်ဝါရီလနှင့် 20 ပြီလ 22 ရက်အကြားသုံးကြိမ်ကျင်းပခဲ့သည်။ အလုပ်ရုံဆွေးနွေးပွဲတစ်ခုချင်းစီအတွက်အချိန်ဇယားကိုပုံ 1 တွင်ဖော်ပြထားသည်။ ကျွန်ုပ်တို့၏သင်တန်းတွင်ရှိသည် မူလတန်းသင်ယူမှုရည်မှန်းချက်သုံးခု - ကျောင်းသားများသည်အတုထောက်လှမ်းရေး applications approvices applications applications applications များတွင်အချက်အလက်များကိုမည်သို့လုပ်ဆောင်သည်ကိုနားလည်ပါ။
အပြာရောင်သည်ဟောပြောပွဲ၏ခေါင်းစဉ်ဖြစ်ပြီးအပြာရောင်သည်အပြန်အလှန်အကျိုးသက်ရောက်မှုရှိသောမေးခွန်းနှင့်အဖြေဖြစ်သည်။ မီးခိုးရောင်အပိုင်းသည်စာပေပြန်လည်သုံးသပ်ခြင်း၏အဓိကအချက်ဖြစ်သည်။ လိမ်မော်ရောင်ကဏ် sections များသည်အတုထောက်လှမ်းရေးမော်ဒယ်များသို့မဟုတ်နည်းစနစ်များကိုဖော်ပြသောဖြစ်ရပ်မှန်လေ့လာမှုများကိုရွေးချယ်ထားသောဖြစ်ရပ်မှန်လေ့လာမှုများကိုရွေးချယ်သည်။ အစိမ်းရောင်သည်လက်တွေ့ပြ problems နာများကိုဖြေရှင်းရန်အတုဥာဏ်ရည်ကိုသင်ကြားရန်နှင့်မော်ဒယ်များကိုအကဲဖြတ်ရန်အတွက်အတုထောက်လှမ်းရေးကိုသင်ကြားရန်ဒီဇိုင်းပြုလုပ်ထားသောလမ်းညွှန်လမ်းညွှန်သင်တန်းဖြစ်သည်။ အလုပ်ရုံဆွေးနွေးပွဲများ၏ပါဝင်မှုနှင့်ကြာချိန်သည်ကျောင်းသားလိုအပ်ချက်များကိုအကဲဖြတ်ခြင်းအပေါ် အခြေခံ. ကွဲပြားသည်။
ပထမအကြိမ်အလုပ်ရုံဆွေးနွေးပွဲကိုဗြိတိသျှကိုလံဘီယာတက္ကသိုလ်တွင်ဖေဖော်ဝါရီလမှ 2019 ခုနှစ်, April ပြီလမှ 2019 ခုနှစ်, Covid -9 ကြောင့်ဒုတိယအကြိမ်အလုပ်ရုံဆွေးနွေးပွဲကိုအောက်တိုဘာ - နို 0 င်ဘာလတွင် 20020 ခုနှစ်, နို 0 င်ဘာလ 2020 တွင်ကျင်းပခဲ့ပြီး, တင်ဆက်မှုဆလိုက်များနှင့်ကုဒ်ကို Open access site (http://ubcaimed.github) သို့တင်ထားသည်။ ပထမအကြိမ်ကြားကနေအဓိကတုံ့ပြန်ချက်မှာဟောပြောပွဲများသည်အလွန်ပြင်းထန်ပြီးအကြောင်းအရာအလွန်ပြင်းထန်လွန်းသောကြောင့်ဖြစ်သည်။ ကနဒေါ၏ကွဲပြားခြားနားသောအချိန်ဇုန် (6) ခုကို 0 န်ဆောင်မှုပေးခြင်းသည်အပိုစိန်ခေါ်မှုများကိုဖြစ်ပေါ်စေသည်။ ထို့ကြောင့်ဒုတိယအကြိမ်အလုပ်ရုံသည်တစ်နာရီလျှင်တစ်နာရီလျှင် 1 နာရီအကြာတွင် "တစ်နာရီကိုရိုးရှင်းအောင်လုပ်လိုက်သည်, သင်တန်းပစ္စည်းများကိုရိုးရှင်းအောင်ပြုလုပ်ခဲ့သည်။ ဒုတိယအကြိမ်ကြားမှအဓိကတုံ့ပြန်ချက်များမှာပရိုဂရမ်းမင်းလေ့ကျင့်ခန်းများနှင့်စက်သင်ယူမှုစီမံကိန်းအတွက်စီမံကိန်းရေးဆွဲခြင်းကိုသရုပ်ပြရန်တောင်းဆိုခြင်းတွင်အပြုသဘောဆောင်သောတုံ့ပြန်ချက်များပါ 0 င်သည်။ ထို့ကြောင့်ကျွန်ုပ်တို့၏တတိယအလုပ်ရုံဆွေးနွေးပွဲတွင် 2021 ခုနှစ်မတ်လ - April ပြီလ - April ပြီလ - April ပြီလ - April ပြီလ - Projectshop အယူအဆများအသုံးပြုခြင်း၏အကျိုးသက်ရောက်မှုကိုပြသရန်အတွက်ဆေးဘက်ဆိုင်ရာကျောင်းသား 126 ယောက်နီးပါးရှိသည်။
ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်း - အချက်အလက်ပုံစံများကိုခွဲခြမ်းစိတ်ဖြာခြင်းနှင့်ဆက်သွယ်ခြင်းဖြင့်ဒေတာများတွင်အဓိပ္ပာယ်ပြည့်ဝသောပုံစံများကိုဖော်ပြသောစာရင်းအင်းဆိုင်ရာလေ့လာမှုနယ်ပယ်တွင်လေ့လာမှုနယ်ပယ်တွင်။
ဒေတာတူးဖော်ခြင်း - ဒေတာများကိုဖော်ထုတ်ခြင်းနှင့်ထုတ်ယူခြင်းလုပ်ငန်းစဉ်။ အတုထောက်လှမ်းရေးအခြေအနေတွင်ဤသည်မကြာခဏကြီးမားသည်, နမူနာတစ်ခုချင်းစီအတွက် variable တွေကိုမျိုးစုံနှင့်အတူကြီးမားသည်။
ရှုထောင့်လျှော့ချခြင်း
ဝိသေသလက္ခဏာများ (အတုထောက်လှမ်းရေး၏အခြေအနေတွင်): နမူနာ၏တိုင်းတာသောဂုဏ်သတ္တိများ။ မကြာခဏ "ပိုင်ဆိုင်မှု" သို့မဟုတ် "variable ကို" နှင့်အတူအပြန်အလှန်ဖလှယ်အသုံးပြုခဲ့သည်။
Gradient Activation Mempration - အထူးကြိုတင်ခန့်မှန်းထားသည့်အချက်အလက်များသို့မဟုတ်ရုပ်ပုံများကိုခွဲခြားသတ်မှတ်ရန်ကွန်ယက်၏နောက်ဆုံးအပိုင်းကိုလေ့လာရန်ကွန်ယက်၏နောက်ဆုံးအပိုင်းကိုပိုမိုကောင်းမွန်စေရန်အသုံးပြုသောပစ္စည်းများကိုအနက်ဖွင့်ရန်အသုံးပြုသောနည်းစနစ်တစ်ခု။
စံမော်ဒယ် - အလားတူအလုပ်များကိုလုပ်ဆောင်ရန်ကြိုတင်လေ့ကျင့်ထားသောရှိပြီးသား AI မော်ဒယ်လ်တစ်ခု။
စမ်းသပ်ခြင်း (အတုထောက်လှမ်းရေး၏အခြေအနေတွင်) - မော်ဒယ်တစ်ခုသည်ယခင်ကမတွေ့ရသေးသောအချက်အလက်များကို အသုံးပြု. ပုံစံကိုမည်သို့လုပ်ဆောင်သည်ကိုလေ့လာခြင်း။
လေ့ကျင့်ရေး (အတုထောက်လှမ်းရေး၏အခြေအနေတွင်) - ဒေတာနှင့်ရလဒ်များနှင့်အတူမော်ဒယ်တစ်ခုပေးရန်ဒီမော်ဒယ်ကဒေတာအသစ်ကို အသုံးပြု. လုပ်ငန်းများကိုလုပ်ဆောင်နိုင်စွမ်းကိုပိုမိုကောင်းမွန်စေရန်၎င်း၏အတွင်းပိုင်း parameters များကိုပြုပြင်ရန်၎င်း၏အတွင်းပိုင်း parameters တွေကိုပြုပြင်ရန်။
Vector: ဒေတာများကိုခင်းကျင်း။ စက်သင်ယူမှုတွင် array ဒြပ်စင်တစ်ခုစီသည်များသောအားဖြင့်နမူနာ၏ထူးခြားသောလက်ခဏာတစ်ခုဖြစ်သည်။
Table 1 သည် 2021 ခုနှစ် April ပြီလအတွက်နောက်ဆုံးပေါ်သင်တန်းများကိုခေါင်းစဉ်တစ်ခုစီအတွက်ရည်ရွယ်သည့်သင်ကြားမှုရည်ရွယ်ချက်များအပါအ 0 င်နောက်ဆုံးပေါ်သင်တန်းများကိုဖော်ပြထားသည်။ ဤအလုပ်ရုံဆွေးနွေးပွဲသည်နည်းပညာအဆင့်သို့အသစ်များအတွက်ရည်ရွယ်ထားသည်။ သင်တန်းကိုဆေးဘက်ဆိုင်ရာကျောင်းသား 6 ယောက်နှင့်အင်ဂျင်နီယာအဆင့်မြင့်ဒီဂရီနှင့်အတူဆရာ 3 ဦး မှဖွံ့ဖြိုးခဲ့သည်။ အင်ဂျင်နီယာများသည်သွန်သင်ရန်အတုထောက်လှမ်းရေးသီအိုရီကိုတီထွင်နေကြသည်။
အလုပ်ရုံဆွေးနွေးပွဲများတွင်သင်ကြားပို့ချမှုများ, ဖြစ်ရပ်မှန်လေ့လာမှုများနှင့်ပဲ့ထိန်းပရိုဂရမ်းမင်းတို့ပါဝင်သည်။ ပထမဟောပြောပွဲတွင်ကျွန်ုပ်တို့သည်ရွေးချယ်ထားသောအချက်အလက်များကိုခွဲခြမ်းစိတ်ဖြာခြင်း, ထောက်ခံပို့ဆောင်ရေး 0 င်ရောက်မှုများနှင့်ဖော်ပြရန်နှင့် inductive statistics များနှင့်နှိုင်းယှဉ်ခြင်းအပါအ 0 င် Biostatistials တွင်အချက်အလက်ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာအချက်အလက်များကိုခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာအယူအဆများကိုပြန်လည်သုံးသပ်သည်။ ဒေတာခွဲခြမ်းစိတ်ဖြာမှုသည်အတုဥာဏ်ရည်ကိုအငြင်းပွားဖွယ်ဖြစ်သော်လည်းအချက်အလက်များသတ္တုတူးဖော်ရေး, ၎င်းသည်အချိန်အတားအဆီးများနှင့်လည်းအဘယ်ကြောင့်ဆိုသော်အထူးသဖြင့်ဘွဲ့ကြိုကျောင်းသားများသည် biostatististials တွင်ကြိုတင်လေ့ကျင့်သင်ကြားခြင်းနှင့်ပိုမိုထူးခြားသည့်စက်များလေ့လာသင်ယူရန်လိုသောကြောင့်ဖြစ်သည်။ နောက်ဆက်တွဲဟောပြောပွဲသည်ခေတ်သစ်နည်းလမ်းများကိုမိတ်ဆက်ပေးပြီး AI ပြ problem နာများရေးဆွဲခြင်း, ဟောပြောပွဲများသည်စာပေများနှင့်လက်ရှိအတုထောက်လှမ်းရေးကိရိယာများအပေါ်စာပေများနှင့်လက်တွေ့ကျသုတေသနဖြင့်ဖြည့်စွက်ထားသည်။ ရှိပြီးသားအတုထောက်လှမ်းရေးကိရိယာများ၏ကန့်သတ်ချက်များကိုနားလည်ခြင်းအပါအ 0 င်လက်တွေ့မေးခွန်းများကိုဖြေရှင်းရန်မော်ဒယ်တစ်ခု၏ထိရောက်မှုနှင့်ဖြစ်နိုင်ချေကိုအကဲဖြတ်ရန်လိုအပ်သောကျွမ်းကျင်မှုများကိုကျွန်ုပ်တို့အလေးထားသည်။ ဥပမာအားဖြင့်, Kuperman et al မှအဆိုပြုထားသောကလေးအထူးကု ဦး ခေါင်းဒဏ်ရာလမ်းညွှန်များကိုဘော်ပြရန်ကျောင်းသားများကိုမေးမြန်းခဲ့သည်။ ၎င်းသည်ဆရာ 0 န်များကိုအစားထိုးရန်သမားအတုအယောင်များအတွက်အထူးကြိုတင်ပြင်ဆင်ဆန်းစစ်လေ့လာခြင်းကိုပေးသည့် AI ၏ဘုံဥပမာတစ်ခုဖြစ်ကြောင်းကျွန်ုပ်တို့အလေးပေးပြောကြားသည်။
ရရှိနိုင်သည့် open source bootstrap programp ဥပမာ (https://github.com/ubcaimed/mastered.gachogred.gacting_examps) တွင်ရှာဖွေခြင်းအချက်အလက်ခွဲခြမ်းစိတ်ဖြာခြင်း, ။ နှင့်စမ်းသပ်ခြင်း။ ကျွန်ုပ်တို့သည် Google Comberatory Notebooks (Google LLC, Mountain View, CA) ကိုအသုံးပြုသည်။ ပုံ။ ပုံ 2 တွင်ပရိုဂရမ်းမင်းလေ့ကျင့်ခန်း၏ဥပမာတစ်ခုပေးသည်။ ဤလေ့ကျင့်ခန်းတွင် Wisconsinin ပွင့်လင်းရင်သားကင်ဆာပုံရိပ်များ datset6 ကို အသုံးပြု. ကင်ဆာကိုကြိုတင်ခန့်မှန်းခြင်းပါဝင်သည်။
လက်ရှိအစီအစဉ်များနှင့်သက်ဆိုင်သောအကြောင်းအရာများနှင့်သက်ဆိုင်သောအစီအစဉ်များနှင့်ပုံနှိပ်ထုတ်ဝေထားသော AI application များမှဥပမာများကိုရွေးချယ်ပါ။ Programming element များသည်၎င်းတို့အားလက်တွေ့စမ်းသပ်မှုများတွင်အသုံးပြုရန်အဆင်သင့်ဖြစ်မရှိဆုံးဖြတ်ရန်ပုံစံများကိုအကဲဖြတ်ရန်မည်သို့အကဲဖြတ်ရန်နှင့်သက်ဆိုင်သည်။ ဤဥပမာများသည်ဆေးဘက်ဆိုင်ရာပုံရိပ်များကို အခြေခံ. ညင်သာပျံ့နှံ့မှုနှင့်ကင်ဆာရောဂါအဖြစ်ကင်ဆာများကိုခွဲခြားထားသည့်အပြည့်အဝသတ်မှတ်ထားသောလျှောက်လွှာတစ်ခုတွင်အပြည့်အဝဖြတ်သန်းသွားသည်။
ကြိုတင်အသိပညာ၏လှူဒါန်းမှု။ ကျွန်ုပ်တို့၏သင်တန်းသားများသည်သူတို့၏သင်္ချာဗဟုသုတအဆင့်တွင်ကွဲပြားသည်။ ဥပမာအားဖြင့်အဆင့်မြင့်အင်ဂျင်နီယာနောက်ခံရှိကျောင်းသားများသည်ပိုမိုနက်ရှိုင်းသောပစ္စည်းများကိုရှာဖွေနေကြသည်။ သို့သော်, classier တွင် algorithm ကိုလေ့လာခြင်းသည်မဖြစ်နိုင်ပါ။
တက်ရောက်သူသွားလာမှု။ အထူးသဖြင့်အွန်လိုင်းပုံစံများတွင်နောက်ဆက်တွဲအစည်းအဝေးများတက်ရောက်ရန်ငြင်းဆန်ခဲ့သည်။ အဖြေတစ်ခုသည်တက်ရောက်သူကိုခြေရာခံရန်နှင့်ပြီးစီးမှုလက်မှတ်ကိုပေးရန်ဖြစ်နိုင်သည်။ ဆေးကျောင်းများသည်ကျောင်းသားများ၏သင်ရိုးညွှန်းတမ်းပြင်ပပညာရေးဆိုင်ရာလှုပ်ရှားမှုများမှတ်တမ်းများကိုအသိအမှတ်ပြုကြောင်းလူသိများသည်။
သင်တန်းဒီဇိုင်း - AI spakes spfields ဤမျှလောက်ကျယ်သောကြောင့်အဓိကအတိမ်အနက်နှင့်အနံ၏အဓိကသဘောတရားများကိုရွေးချယ်ခြင်းသည်စိန်ခေါ်မှုဖြစ်နိုင်သည်။ ဥပမာအားဖြင့်ဓာတ်ခွဲခန်းမှဓာတ်ခွဲခန်းမှ AI tools များကိုဆက်လက်အသုံးပြုခြင်းသည်အရေးကြီးသောအကြောင်းအရာဖြစ်သည်။ ကျွန်ုပ်တို့သည်အချက်အလက်များကိုကြိုတင်တည်ဆောက်ခြင်း, စံပြတည်ဆောက်မှုနှင့်အတည်ပြုခြင်းကဲ့သို့သောအကြောင်းအရာများ, အပြန်အလှန်အကျိုးသက်ရောက်မှုရှိသောမြင်ကွင်းများ, ကျွန်ုပ်တို့၏လမ်းညွှန်နိယာမသည်ကျွမ်းကျင်မှုမဟုတ်ဘဲစာတတ်မြောက်ရေးကိုတိုးတက်စေရန်ဖြစ်သည်။ ဥပမာအားဖြင့်, စံပြဖြစ်စဉ်များထည့်သွင်းမှု features တွေကဘယ်လိုပုံဖော်ခြင်းအတွက်ဘယ်လိုအရေးကြီးသလဲဆိုတာကိုနားလည်သဘောပေါက်ပါ။ ဤသို့ပြုလုပ်ရန်နည်းလမ်းတစ်ခုမှာ gradient activation maps များကိုအသုံးပြုရန်ဖြစ်သည်။ ၎င်းသည်အချက်အလက်များကိုကြိုတင်ခန့်မှန်းနိုင်သည့်နေရာများကိုမြင်ယောင်ကြည့်နိုင်သည်။ သို့သော်၎င်းသည် Multivariate calculus လိုအပ်သည်နှင့်မိတ်ဆက်မရနိုင်ပါ။ ဘုံဝေါဟာရတစ်ခုဖွံ့ဖြိုးတိုးတက်မှုသည်သင်္ချာဆိုင်ရာဓလေ့ထုံးတမ်းများမရှိဘဲအချက်အလက်များနှင့်မည်သို့အလုပ်လုပ်သည်ကိုရှင်းပြရန်ကြိုးစားနေသောကြောင့်စိန်ခေါ်မှုတစ်ခုဖြစ်သောကြောင့်ဖြစ်သည်။ သတိပြုရန်မှာကွဲပြားခြားနားသောဝေါဟာရများသည်တူညီသောအဓိပ္ပာယ်ရှိသည်ကိုဥပမာအားဖြင့် Epidemiology တွင် "ဝိသေသလက်ခဏာ" တစ်ခုအဖြစ် "variable" သို့မဟုတ် "attribute" ဟုဖော်ပြထားသည်။
အသိပညာထိန်းသိမ်းရေး။ အကန့်အသတ်ရှိသောကြောင့်, ဆေးဘက်ဆိုင်ရာကျောင်းသင်ရိုးညွှန်းတမ်းသည်လက်တွေ့ကျတဲ့လည်ပတ်မှုကာလအတွင်းဗဟုသုတအားဖြည့်ရန်ထပ်တလဲလဲပြောဆိုခြင်းကိုအလွန်အမင်းမှီခိုနေရသည်။
ကျွမ်းကျင်မှုသည်စာတတ်မြောက်မှုထက် ပို. အရေးကြီးသည်။ ပစ္စည်း၏အတိမ်အနက်ကိုသင်္ချာဆိုင်ရာတင်းကြပ်မှုမရှိခြင်းမရှိဘဲဒီဇိုင်းပြုလုပ်ထားသည်။ ပရိုဂရမ်းမင်းဥပမာများ၌ကျွန်ုပ်တို့သည်သင်တန်းသားများကိုအကွက်များဖြည့်စွက်ရန်နှင့်ဆော့ဖ်ဝဲလ်ကိုဖွင့်ရန်ခွင့်ပြုထားသော template program ကို အသုံးပြု. ပရိုဂရမ်းမင်းပတ် 0 န်းကျင်ကိုမည်သို့တည်ဆောက်ရန်မလိုအပ်ဘဲဆော့ဖ်ဝဲကိုအသုံးပြုခွင့်ပြုသည်။
အတုထောက်လှမ်းရေးနှင့်ပတ်သက်သည့်စိုးရိမ်မှုများမှာဖော်ပြထားသည် - အတုဥာဏ်သည်လက်တွေ့တာ 0 န်များကိုအစားထိုးနိုင်ကြောင်းကျယ်ကျယ်ပြန့်ပြန့်စိုးရိမ်ပူပန်မှုများရှိသည်။ ဤပြ issue နာကိုဖြေရှင်းရန် AI ၏ကန့်သတ်ချက်များသည် Regulator များကအတည်ပြုထားသော AI Technology အားလုံးနီးပါးကိုဆရာဝန်ကြီးကြပ်ရေးတွင်လိုအပ်သည်။ Algorithms သည်ဘက်လိုက်မှုများကိုအထူးသဖြင့်ဒေတာအစုသည်ကွဲပြားခြားနားလျှင်, အကျိုးဆက်အားဖြင့်အချို့သောအဖွဲ့ခွဲသည်မမှန်မကန်လက်တွေ့ဆုံးဖြတ်ချက်များကိုပို့ဆောင်ခြင်းအားဖြင့်မှားယွင်းစွာပြုလုပ်နိုင်သည်။
အရင်းအမြစ်များကိုလူသိရှင်ကြားထုတ်လွှင့်သည် - ကျွန်ုပ်တို့သည်ဟောပြောပွဲဆလိုက်များနှင့်ကုဒ်အပါအ 0 င်အများပြည်သူအတွက်အများပြည်သူရရှိနိုင်သောအရင်းအမြစ်များကိုဖန်တီးထားသည်။ အချိန်ဇုန်များကြောင့်ထပ်တူပြုခြင်းအကြောင်းအရာများသည်အကန့်အသတ်ဖြင့်သာရှိနေသော်လည်း Open Source Content သည်ဆေးကျောင်းအားလုံးတွင် AI ကျွမ်းကျင်မှုမရရှိနိုင်သောကြောင့် open source content သည်အဆင်ပြေသောနည်းလမ်းဖြစ်သည်။
Interdisciplinary ပူးပေါင်းဆောင်ရွက်မှု - ဤအလုပ်ရုံဆွေးနွေးပွဲသည်အင်ဂျင်နီယာများနှင့်အတူတကွသင်တန်းများစီစဉ်ရန်ဆေးဘက်ဆိုင်ရာကျောင်းသားများကဖက်စပ်လုပ်ကိုင်ရန်ဖြစ်သည်။ ဤအချက်ကကဏ် swef ရိယာနှစ်ခုလုံးတွင်အခွင့်အလမ်းများနှင့်ဗဟုသုတကွာဟချက်များကိုပြသသည်။
AI အဓိကအရည်အချင်းများကိုသတ်မှတ်ပါ။ အရည်အချင်းများစာရင်းကိုသတ်မှတ်ခြင်းသည်လက်ရှိအရည်အချင်းအခြေပြုဆေးဘက်ဆိုင်ရာသင်ရိုးညွှန်းတမ်းများနှင့်ပေါင်းစပ်နိုင်သောစံဖွဲ့စည်းပုံကိုဖော်ပြထားသည်။ ဤအလုပ်ရုံဆွေးနွေးပွဲသည် Learning assignive assignive levelive level (2) (လျှောက်လွှာ), 3 (လျှောက်လွှာ) နှင့် Bloom ၏ taxonomy ၏ 4 (application) နှင့် 4 (ခွဲခြမ်းစိတ်ဖြာခြင်း) ကိုအသုံးပြုသည်။ အရင်းအမြစ်များကိုဖန်တီးခြင်းကဲ့သို့သောခွဲခြားမှုအဆင့်မြင့်အဆင့်ဆင့်တွင်အရင်းအမြစ်များရှိခြင်းသည်ဗဟုသုတပိုမိုအားကောင်းလာနိုင်သည်။ ဤအချက်သည် AI ခေါင်းစဉ်သည် AI ခေါင်းစဉ်များကိုလက်တွေ့အလုပ်လုပ်ရန်နှင့်ထပ်ခါတလဲလဲဆေးဘက်ဆိုင်ရာသင်ရိုးညွှန်းတမ်းများတွင်ပါ 0 င်ပြီးပြီးသားပါ 0 င်ပြီးဖြစ်သောထပ်တလဲလဲခေါင်းစဉ်များသင်ကြားခြင်းအားတားဆီးနိုင်ကြောင်းဆုံးဖြတ်ရန်လက်တွေ့ကျွမ်းကျင်သူများနှင့်အလုပ်လုပ်ရန်လိုအပ်သည်။
AI ကို အသုံးပြု. ဖြစ်ရပ်မှန်လေ့လာမှုများဖန်တီးပါ။ လက်တွေ့ဥပမာများနှင့်ဆင်တူသည်နှင့်ဆင်တူသည်, ဖြစ်ရပ်မှန်အခြေခံသည့်လေ့လာမှုသည်လက်တွေ့မေးခွန်းများနှင့်ဆက်စပ်မှုကိုမီးမောင်းထိုးပြခြင်းဖြင့်စိတ်တဇသဘောတရားများကိုအားဖြည့်နိုင်သည်။ ဥပမာအားဖြင့်, အလုပ်ရုံဆွေးနွေးပွဲတစ်ခုသည်ဂူဂဲလ်၏ AI အခြေပြု Retinopathy Detection System 13 ခွဲခြမ်းစိတ်ဖြာခြင်းအားခွဲခြမ်းစိတ်ဖြာခြင်းအားဖြင့်ပြင်ပ validation declations နှင့် Regulations နှင့်စည်းမျဉ်းစည်းကမ်းများအရဆေးခန်းသို့လမ်းတစ်လျှောက်တွင်စိန်ခေါ်မှုများကိုဖော်ထုတ်ရန်။
အတွေ့အကြုံလေ့လာခြင်း - နည်းပညာဆိုင်ရာကျွမ်းကျင်မှုများသည်လက်တွေ့သင်တန်းသားများ၏လှည့်ခရီးသွားလာရေးအတွေ့အကြုံများနှင့်ဆင်တူသည်။ အလားအလာရှိသောဖြေရှင်းချက်တစ်ခုမှာ flipped စာသင်ခန်းမော်ဒယ်လ်ဖြစ်သည်။ ဤပုံစံတွင်ကျောင်းသားများသည်သီအိုရီပစ္စည်းများကိုလွတ်လပ်စွာပြန်လည်သုံးသပ်ပြီးအတန်းစာလေ့လာမှုများမှတစ်ဆင့်ပြ problems နာများကိုဖြေရှင်းရန်အတွက်အတန်းအစားအချိန်ကိုမြှုပ်နှံသည်။
Multidisciplinary ပါ 0 င်သူများအတွက်ချုံ့ခြင်း။ ထို့ကြောင့်သင်ရိုးညွှန်းတမ်းများကိုကျန်းမာရေးစောင့်ရှောက်မှုအမျိုးမျိုးသို့၎င်းတို့၏အကြောင်းအရာများကိုအံဝင်ခွင်ကျဖြစ်စေရန်ဌာနအမျိုးမျိုးမှဒြေနှင့်တိုင်ပင်ဆွေးနွေးရန်သင်လိုအပ်နိုင်ပါသည်။
အတုဥာဏ်သည်အဆင့်မြင့်နည်းပညာဖြစ်ပြီး၎င်း၏အဓိကအယူအဆများသည်သင်္ချာနှင့်ကွန်ပျူတာသိပ္ပံနှင့်ဆက်စပ်နေသည်။ ကျန်းမာရေးစောင့်ရှောက်မှုဆိုင်ရာထောက်လှမ်းရေးကိုနားလည်ရန်ကျန်းမာရေးစောင့်ရှောက်မှု 0 န်ထမ်းများကိုလေ့ကျင့်ပေးခြင်းသည်အကြောင်းအရာရွေးချယ်ခြင်း, ပညာရေးအလုပ်ရုံဆွေးနွေးပွဲများတွင် AI မှရရှိသောထိုးထွင်းသိမြင်မှုများသည်အနာဂတ်ပညာပေးများသည် AI ကိုဆေးပညာအဖြစ်ပေါင်းစပ်ရန်ဆန်းသစ်သောနည်းလမ်းများကိုလက်ခံရန်ကူညီလိမ့်မည်ဟုကျွန်ုပ်တို့မျှော်လင့်ပါသည်။
Google Pictaboratoratory Python script သည်ပွင့်လင်းသောအရင်းအမြစ်ဖြစ်ပြီး https://github.com/ubcaimed/ubcaimed.gactub.com/ubcaimed/master/ တွင်ရနိုင်သည်။
Prober, KG နှင့် Khan, အက်စ်, အက်စ်။ ဆေးကုသမှုခံယူခြင်း - အရေးယူဆောင်ရွက်ရန်ခေါ်ဆိုမှု။ akkad ။ ဆေးဝါး။ 88, 1407-1410 (2013) ။
MCCOY, LG စသည်။ NPZH နံပါတ်များ။ ဆေး 3, 1-3 (2020) ။
DOS Santos, DP, et al ။ ဆေးဘက်ဆိုင်ရာကျောင်းသားများ၏အတုဥာဏ်ရည်ကို ဦး တည်သည့်သဘောထားများ - multicenyy စစ်တမ်းတစ်ခု။ ယူရို။ ဓါတ်ရောင်ခြည်။ 29, 1640-1646 (2019) ။
Fan, Ky, Hu, R. , R. နှင့် Singla, R. Medical ကျောင်းသားများအတွက်စက်ကိုလေ့လာခြင်းအတွက်မိတ်ဆက် - ရှေ့ပြေးစီမံကိန်း။ J. Med ။ သွန်သင်လော့။ 54, 1042-1043 (2020) ။
Coopman N, et al ။ ဦး ခေါင်းဒဏ်ရာရပြီးနောက်ကလေးငယ်များအားလက်တွေ့သိသိသာသာအာရုံခံဒဏ်ရာများကိုခွဲခြားသတ်မှတ်ခြင်း - အလားအလာရှိသောအပေါင်းလက္ခဏာလေ့လာမှု။ Lancet 374, 1160-1170 (2009) ။
လမ်း, WN, Wolberg, wh နှင့် mangasarian, ol ။ ရင်သားကင်ဆာအကျိတ်ရောဂါအတွက်နျူကလီးယားစွမ်းဆောင်ရည်ထုတ်ယူခြင်း။ ဇီဝဗေဒသိပ္ပံ။ ပုံရိပ်ထုတ်ယူခြင်း။ ဇီဝဗေဒသိပ္ပံ။ Weiss ။ 1905, 861-870 (1993) ။
Chen, Phc, Liu, Y. နှင့် Peng, HealthCARE အတွက်စက်ကိုသင်ယူခြင်းပုံစံများကိုမည်သို့ဖွံ့ဖြိုးရမည်နည်း။ နတ်။ မ။ 18, 410-414 (2019) ။
Selvaraju, rr et al ။ BAGR-CAM - နက်ရှိုင်းသောကွန်ယက်များကိုကြည့်ရှုခြင်းဖြင့်နက်ရှိုင်းသောကွန်ယက်များကိုကြည့်ရှုခြင်းဖြင့်အနက်ဖွင့်ခြင်း။ Computer Vision တွင် IEEE အပြည်ပြည်ဆိုင်ရာညီလာခံ၏တရားစွဲဆိုမှုမှာ 618-626 (2017) ။
Kumaraver B, Stewart K နှင့် Ilic D. D. D. D. D. D. D. D. D. DEF ဖွံ့ဖြိုးတိုးတက်မှုနှင့်ဘွဲ့ကြိုဆေးပညာပညာရေးတွင်သက်သေအထောက်အထားအခြေခံသည့်ဆေးဝါးအရည်အသွေးများကိုအကဲဖြတ်ရန်။ bmk ဆေးပညာ။ သွန်သင်လော့။ 21, 1-9 (2021) ။
Kolachalia VB နှင့် Garg PS Machine သင်ယူခြင်းနှင့်ဆေးဘက်ဆိုင်ရာပညာရေး။ NPZH နံပါတ်များ။ ဆေးဝါး။ 1, 1-3 (2018) ။
ဗန် leeuwen, ကီလိုဂရမ်, Schalekamp, ​​S. ST. , ယူရို။ ဓါတ်ရောင်ခြည်။ 31, 3797-3804 (2021) ။
Topol, EJ စွမ်းဆောင်ရည်မြင့်မားသောဆေးဝါး - လူသားနှင့်အတုထောက်လှမ်းရေးတို့၏ပေါင်းစည်းခြင်း။ နတ်။ ဆေးဝါး။ 25, 44-56 (2019) ။
Bede, အီး et al ။ Diabetic Retinopathy ကိုရှာဖွေရန်ဆေးခန်းတွင်နေရာချထားသည့်နက်ရှိုင်းသောသင်ယူမှုစနစ်ကိုလူ့ဗဟိုပြုအကဲဖြတ်ခြင်း။ 2020 Chi ကွန်ဖရင့်များ၏ကွန်ပျူတာစနစ်များ (2020) တွင်လူ့အရင်းအသီးအမျိုးအခြားအချက်များနှင့်ပတ်သက်သည့်တရားစွဲဆိုမှု။
Kerr, ခ။ အင်ဂျင်နီယာပညာရေးအတွက် flipping စာသင်ခန်း - သုတေသနပြန်လည်သုံးသပ်ခြင်း။ အပြန်အလှန်အကျိုးသက်ရောက်မှုရှိသောပူးပေါင်းဆောင်ရွက်မှုဆိုင်ရာလေ့လာမှုဆိုင်ရာ 2015 ခုနှစ်အပြည်ပြည်ဆိုင်ရာညီလာခံ၏တရားစွဲဆိုမှု (2015) ။
BioMedical ago ည့်သည်ကို Columbia ရှိဇီဝယယ်လ်ဂန်းဂျက်လူးလန်းစ်, Tim Salcudin နှင့် Peter Zandtra တို့အားဗြိတိန်ကိုလံဘီယာတက္ကသိုလ်မှ BioMedical ပုံရိပ်နှင့်အတုထောက်လှမ်းရေးသုတေသနသုတေသနပြွတ်မှကျေးဇူးတင်ပါသည်။
RH, PP, ZH, RS နှင့် MA သည်အလုပ်ရုံဆွေးနွေးပွဲဆိုင်ရာအကြောင်းအရာများကိုဖွံ့ဖြိုးရန်တာဝန်ရှိသည်။ RH နှင့် PP သည်ပရိုဂရမ်းမင်းဥပမာများဖွံ့ဖြိုးတိုးတက်ရေးအတွက်တာဝန်ရှိသည်။ Kyf, OY နှင့် PW သည်စီမံကိန်း၏ထောက်ပံ့ပို့ဆောင်ရေးအဖွဲ့နှင့်အလုပ်ရုံဆွေးနွေးပွဲများကိုခွဲခြမ်းစိတ်ဖြာခြင်းအတွက်တာဝန်ရှိသည်။ RH, OY, MT, RS သည်ကိန်းဂဏန်းများနှင့်စားပွဲများဖန်တီးခြင်းအတွက်တာဝန်ရှိသည်။ RH, Kyf, PP, ZH, OY, MAN, MA သည်စာရွက်စာတမ်းများကိုရေးဆွဲရန်နှင့်တည်းဖြတ်ရန်တာ 0 န်ရှိသည်။
ဆက်သွယ်ရေးဆေးပညာရှင်များအားကျေးဇူးတင်ပါတယ် Carolyn McGregor, Fabio Moraes နှင့် Aditya Borakati တို့သည်ဤအလုပ်ကိုပြန်လည်သုံးသပ်ရန်အတွက်ပံ့ပိုးမှုများအတွက် Aditya Borakati ။