ဆေးကျောင်းသားများအား ဉာဏ်ရည်တု သင်ကြားခြင်းဆိုင်ရာ ကနေဒါနိုင်ငံ ရှုထောင့်

Nature.com ကို လာလည်တဲ့အတွက် ကျေးဇူးတင်ပါတယ်။သင်အသုံးပြုနေသောဘရောက်ဆာဗားရှင်းတွင် CSS ပံ့ပိုးမှုအကန့်အသတ်ရှိသည်။အကောင်းဆုံးရလဒ်များအတွက်၊ သင့်ဘရောက်ဆာ၏ ဗားရှင်းအသစ် (သို့မဟုတ် Internet Explorer တွင် လိုက်ဖက်ညီသောမုဒ်ကို ပိတ်ပါ) ကို အသုံးပြုရန် အကြံပြုအပ်ပါသည်။ဤအတောအတွင်း၊ ဆက်လက်ပံ့ပိုးကူညီမှုသေချာစေရန်၊ ကျွန်ုပ်တို့သည် စတိုင်ပုံစံ သို့မဟုတ် JavaScript မပါဘဲ ဆိုက်ကို ပြသနေပါသည်။
လက်တွေ့ဥာဏ်ရည်တု (AI) ကို အသုံးချမှုများ လျင်မြန်စွာ ကြီးထွားလာသော်လည်း လက်ရှိ ဆေးကျောင်းသင်ရိုးညွှန်းတမ်းသည် ဤဧရိယာနှင့် ပတ်သက်သော အကန့်အသတ်ဖြင့် သင်ကြားပြသပေးပါသည်။ဤတွင် ကျွန်ုပ်တို့သည် ကနေဒါဆေးဘက်ဆိုင်ရာကျောင်းသားများအား တီထွင်ပြီး သင်ကြားပို့ချပေးသည့် ဉာဏ်ရည်တုလေ့ကျင့်ရေးသင်တန်းကို ဖော်ပြထားပြီး အနာဂတ်လေ့ကျင့်မှုအတွက် အကြံပြုချက်များ ပြုလုပ်ထားသည်။
ဆေးပညာတွင် Artificial Intelligence (AI) သည် လုပ်ငန်းခွင်စွမ်းဆောင်ရည်ကို တိုးတက်စေပြီး လက်တွေ့ဆုံးဖြတ်ချက်ချရာတွင် အထောက်အကူဖြစ်စေပါသည်။ဉာဏ်ရည်တုအသုံးပြုမှုကို ဘေးကင်းစွာ လမ်းညွှန်နိုင်ရန်၊ သမားတော်များသည် ဉာဏ်ရည်တုဆိုင်ရာ နားလည်မှုအချို့ရှိရပါမည်။AI မော်ဒယ်များနှင့် အတည်ပြုခြင်းလုပ်ငန်းစဉ်များကို ရှင်းပြခြင်းကဲ့သို့သော AI သဘောတရားများ 1 ကို သင်ကြားပေးသည့် မှတ်ချက်များစွာကို ထောက်ခံအားပေးပါသည်။သို့သော်လည်း ဖွဲ့စည်းပုံအစီအစဥ် အနည်းငယ်ကို အထူးသဖြင့် နိုင်ငံတော်အဆင့်တွင် အကောင်အထည် ဖော်နိုင်ခဲ့သည်။Pinto dos Santos et al.3.ဆေးကျောင်းသား 263 ယောက်ကို စစ်တမ်းကောက်ယူခဲ့ပြီး 71% က သူတို့ဟာ ဉာဏ်ရည်တုအတွက် လေ့ကျင့်ဖို့လိုအပ်တယ်လို့ သဘောတူခဲ့ကြပါတယ်။ဥာဏ်ရည်တုကို ဆေးဘက်ဆိုင်ရာပရိသတ်အား သင်ကြားပို့ချပေးခြင်းသည် ကြိုတင်အသိပညာများစွာရှိသော ကျောင်းသားများအတွက် နည်းပညာပိုင်းဆိုင်ရာနှင့် နည်းပညာမဟုတ်သော အယူအဆများကို ပေါင်းစပ်ထားသည့် ဂရုတစိုက်ဒီဇိုင်းပြုလုပ်ရန် လိုအပ်ပါသည်။ဆေးကျောင်းသားအုပ်စုသုံးစုအား AI အလုပ်ရုံဆွေးနွေးပွဲများကို ဆက်တိုက်ပေးပို့ခြင်းနှင့် AI တွင် အနာဂတ်ဆေးဘက်ဆိုင်ရာပညာရေးအတွက် အကြံပြုချက်များကို ကျွန်ုပ်တို့ဖော်ပြပါသည်။
ဆေးကျောင်းသားများအတွက် ကျွန်ုပ်တို့၏ ငါးပတ်ကြာ ဥာဏ်ရည်တုဆိုင်ရာ မိတ်ဆက်အလုပ်ရုံဆွေးနွေးပွဲကို 2019 ခုနှစ် ဖေဖေါ်ဝါရီလမှ 2021 ခုနှစ် ဧပြီလကြားတွင် သုံးကြိမ်တိုင်တိုင် ကျင်းပခဲ့ပါသည်။ သင်တန်းတစ်ခုချင်းစီ၏ ပြောင်းလဲမှုအသေးစိတ်ဖော်ပြချက်နှင့်အတူ အလုပ်ရုံဆွေးနွေးပွဲတစ်ခုစီအတွက် အချိန်ဇယားကို ပုံ 1 တွင်ပြသထားသည်။ ကျွန်ုပ်တို့၏သင်တန်းတွင်၊ အခြေခံ သင်ကြားရေး ရည်ရွယ်ချက် သုံးခု- ကျောင်းသားများသည် ဥာဏ်ရည်တု အပလီကေးရှင်းများတွင် ဒေတာများကို မည်ကဲ့သို့ စီမံဆောင်ရွက်သည်ကို နားလည်ရန်၊ လက်တွေ့အသုံးချမှုများအတွက် ဉာဏ်ရည်တုစာပေကို ပိုင်းခြားစိတ်ဖြာပြီး ဉာဏ်ရည်တုတီထွင်နေသော အင်ဂျင်နီယာများနှင့် ပူးပေါင်းရန် အခွင့်အလမ်းများကို အခွင့်ကောင်းယူပါ။
အပြာရောင်သည် ဟောပြောပွဲ၏ ခေါင်းစဉ်ဖြစ်ပြီး အပြာနုရောင်သည် အပြန်အလှန်မေးခွန်းနှင့် အဖြေကာလဖြစ်သည်။မီးခိုးရောင်အပိုင်းသည် စာပေအကျဉ်းချုပ် သုံးသပ်ချက်၏ အာရုံဖြစ်သည်။လိမ္မော်ရောင်အပိုင်းများသည် ဉာဏ်ရည်တုပုံစံများ သို့မဟုတ် နည်းပညာများကို ဖော်ပြသည့် ဖြစ်ရပ်လေ့လာမှုများကို ရွေးချယ်ထားသည်။Green သည် ဆေးဘက်ဆိုင်ရာပြဿနာများကိုဖြေရှင်းရန်နှင့် မော်ဒယ်များကိုအကဲဖြတ်ရန် ဥာဏ်ရည်တုကိုသင်ကြားရန် ဒီဇိုင်းထုတ်ထားသော လမ်းညွှန်ချက်ပရိုဂရမ်သင်တန်းတစ်ခုဖြစ်သည်။အလုပ်ရုံဆွေးနွေးပွဲများ၏ အကြောင်းအရာနှင့် ကြာချိန်သည် ကျောင်းသားများ၏ လိုအပ်ချက်အပေါ် အကဲဖြတ်မှုအပေါ် မူတည်၍ ကွဲပြားသည်။
ပထမအကြိမ် အလုပ်ရုံဆွေးနွေးပွဲကို British Columbia တက္ကသိုလ်တွင် 2019 ခုနှစ် ဖေဖော်ဝါရီလမှ ဧပြီလအထိ ကျင်းပခဲ့ပြီး သင်တန်းသား 8 ဦးစလုံးသည် အပြုသဘောဆောင်သော တုံ့ပြန်ချက်များ 4 ကို ပေးခဲ့ပါသည်။COVID-19 ကြောင့် ဒုတိယမြောက် အလုပ်ရုံဆွေးနွေးပွဲကို 2020 ခုနှစ် အောက်တိုဘာလမှ နိုဝင်ဘာလအထိ ကျင်းပခဲ့ပြီး ကနေဒါဆေးကျောင်း 8 ခုမှ ဆေးကျောင်းသား ၂၂၂ ဦးနှင့် နေထိုင်သူ 3 ဦးတို့ မှတ်ပုံတင်ခဲ့ပါသည်။တင်ဆက်မှုဆလိုက်များနှင့် ကုဒ်များကို ပွင့်လင်းဝင်ရောက်ခွင့်ဆိုက် (http://ubcaimed.github.io) သို့ အပ်လုဒ်လုပ်ထားပါသည်။ပထမအကြိမ် ပြန်လည်ဖြေဆိုခြင်းမှ အဓိက တုံ့ပြန်ချက်မှာ ပို့ချချက်သည် ပြင်းထန်လွန်းပြီး အကြောင်းအရာ သီအိုရီဆန်လွန်းခြင်းကြောင့် ဖြစ်သည်။ကနေဒါ၏ မတူညီသော အချိန်ဇုန်ခြောက်ခုကို ဝန်ဆောင်မှုပေးခြင်းသည် နောက်ထပ်စိန်ခေါ်မှုများဖြစ်သည်။ထို့ကြောင့်၊ ဒုတိယအလုပ်ရုံဆွေးနွေးပွဲသည် session တစ်ခုစီကို 1 နာရီသို့တိုစေသည်၊ သင်တန်းအကြောင်းအရာကို ရိုးရှင်းအောင်ပြုလုပ်ကာ၊ နောက်ထပ် case study များထပ်ထည့်ကာ ပါဝင်သူများအား ကုဒ်အတိုအထွာများကို အမှားရှာပြင်နည်းဖြင့် အပြီးသတ်နိုင်စေမည့် boilerplate ပရိုဂရမ်များကို ဖန်တီးထားသည်။ဒုတိယအဖန်ဖန် ပြန်လည်သုံးသပ်ခြင်းမှ အဓိက အကြံပြုချက်တွင် ပရိုဂရမ်းမင်း လေ့ကျင့်ခန်းအပေါ် အပြုသဘောဆောင်သော တုံ့ပြန်ချက်နှင့် စက်သင်ယူမှု ပရောဂျက်အတွက် အစီအစဉ်ဆွဲခြင်းအား သရုပ်ပြရန် တောင်းဆိုချက်တို့ ပါဝင်သည်။ထို့ကြောင့်၊ 2021 ခုနှစ် မတ်လမှ ဧပြီလ 2021 ခုနှစ်အတွင်း ဆေးကျောင်းသား 126 ဦးအတွက်နီးပါးကျင်းပသော ကျွန်ုပ်တို့၏တတိယအလုပ်ရုံဆွေးနွေးပွဲတွင်၊ ကျွန်ုပ်တို့သည် ပရောဂျက်များအပေါ် အလုပ်ရုံဆွေးနွေးပွဲသဘောတရားများကိုအသုံးပြုခြင်း၏အကျိုးသက်ရောက်မှုကိုပြသရန်အတွက် ပိုမိုအပြန်အလှန်တုံ့ပြန်သောကုဒ်ရေးနည်းလေ့ကျင့်ခန်းများနှင့် ပရောဂျက်အကြံပြုချက်အစီအစဉ်များကိုပါ ထည့်သွင်းထားပါသည်။
ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်း- ဒေတာပုံစံများကို ခွဲခြမ်းစိတ်ဖြာခြင်း၊ လုပ်ဆောင်ခြင်းနှင့် ဆက်သွယ်ခြင်းဖြင့် ဒေတာများတွင် အဓိပ္ပာယ်ရှိသော ပုံစံများကို ခွဲခြားသတ်မှတ်ပေးသည့် စာရင်းအင်းဆိုင်ရာ လေ့လာမှုနယ်ပယ်တစ်ခု။
ဒေတာတူးဖော်ခြင်း- ဒေတာဖော်ထုတ်ခြင်းနှင့် ထုတ်ယူခြင်းလုပ်ငန်းစဉ်။ဥာဏ်ရည်တု၏အခြေအနေတွင်၊ ၎င်းသည် နမူနာတစ်ခုစီအတွက် ကိန်းရှင်များစွာဖြင့် မကြာခဏကြီးမားသည်။
Dimensionality လျှော့ချခြင်း- မူရင်းဒေတာအတွဲ၏ အရေးကြီးသောဂုဏ်သတ္တိများကို ထိန်းသိမ်းထားစဉ် တစ်ဦးချင်းအင်္ဂါရပ်များစွာဖြင့် ဒေတာကို အနည်းငယ်သောအင်္ဂါရပ်များအဖြစ် ပြောင်းလဲခြင်းလုပ်ငန်းစဉ်။
လက္ခဏာများ (ဉာဏ်ရည်တု၏ ဆက်စပ်မှု)- နမူနာတစ်ခု၏ တိုင်းတာနိုင်သော ဂုဏ်သတ္တိများ။မကြာခဏဆိုသလို "ပိုင်ဆိုင်မှု" သို့မဟုတ် "ပြောင်းလဲနိုင်သော" နှင့်အပြန်အလှန်သုံးသည်။
Gradient Activation Map- ဥာဏ်ရည်တုပုံစံများ (အထူးသဖြင့် convolutional neural networks) ကို အဓိပ္ပာယ်ဖွင့်ဆိုရန် အသုံးပြုသည့် နည်းပညာတစ်ခုသည် ကွန်ရက်၏ နောက်ဆုံးအပိုင်းကို အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ခြင်းလုပ်ငန်းစဉ်ကို ပိုင်းခြားစိတ်ဖြာနိုင်သော ဒေတာ သို့မဟုတ် ရုပ်ပုံများ၏ ဒေသများကို ခွဲခြားသတ်မှတ်ရန် အသုံးပြုပါသည်။
Standard Model- အလားတူလုပ်ဆောင်မှုများကို လုပ်ဆောင်ရန် ကြိုတင်လေ့ကျင့်ထားသည့် လက်ရှိ AI မော်ဒယ်။
စမ်းသပ်ခြင်း (ဥာဏ်ရည်တု၏ ဆက်စပ်မှု)- မော်ဒယ်တစ်ခုသည် ယခင်က မကြုံတွေ့ခဲ့ဖူးသော ဒေတာကို အသုံးပြု၍ အလုပ်တစ်ခုကို မည်သို့လုပ်ဆောင်သည်ကို လေ့လာခြင်း
လေ့ကျင့်ရေး (ဥာဏ်ရည်တု၏အခြေအနေတွင်)- ဒေတာနှင့်ရလဒ်များပါရှိသော မော်ဒယ်ကို ပံ့ပိုးပေးခြင်းဖြင့် မော်ဒယ်သည် ဒေတာအသစ်များကို အသုံးပြု၍ လုပ်ငန်းဆောင်တာများကို အကောင်းဆုံးလုပ်ဆောင်နိုင်စေရန် ၎င်း၏အတွင်းပိုင်းဘောင်များကို ချိန်ညှိပေးပါသည်။
Vector: ဒေတာ ခင်းကျင်းမှု။စက်သင်ယူမှုတွင်၊ အခင်းအကျင်းတစ်ခုစီသည် များသောအားဖြင့် နမူနာ၏ထူးခြားသောအင်္ဂါရပ်တစ်ခုဖြစ်သည်။
ဇယား 1 သည် ခေါင်းစဉ်တစ်ခုစီအတွက် ပစ်မှတ်ထားသော သင်ကြားရေးရည်မှန်းချက်များအပါအဝင် ဧပြီလ 2021 အတွက် နောက်ဆုံးသင်တန်းများကို စာရင်းပြုစုထားသည်။ဤအလုပ်ရုံဆွေးနွေးပွဲသည် နည်းပညာဆိုင်ရာအဆင့်မှအသစ်သောသူများအတွက် ရည်ရွယ်ပြီး ဘွဲ့ကြိုဆေးဘက်ဆိုင်ရာဘွဲ့၏ပထမနှစ်ထက်ကျော်လွန်သော သင်္ချာအသိပညာမလိုအပ်ပါ။အဆိုပါသင်တန်းကို ဆေးကျောင်းသား ၆ ဦးနှင့် အင်ဂျင်နီယာအဆင့်မြင့်ဘွဲ့များရရှိထားသည့် ဆရာ၊ ဆရာမ ၃ ဦးတို့က တီထွင်ခဲ့ခြင်းဖြစ်သည်။အင်ဂျင်နီယာများသည် ဉာဏ်ရည်တု သီအိုရီကို သင်ကြားရန် တီထွင်နေကြပြီး ဆေးကျောင်းသားများသည် ဆေးခန်းနှင့် သက်ဆိုင်သည့် အကြောင်းအရာများကို သင်ယူနေကြသည်။
အလုပ်ရုံဆွေးနွေးပွဲများတွင် ဟောပြောပွဲများ၊ ဖြစ်ရပ်မှန်လေ့လာမှုများနှင့် လမ်းညွှန်ချက်အစီအစဉ်များ ပါဝင်ပါသည်။ပထမ ဟောပြောပွဲတွင်၊ ဒေတာကို မြင်ယောင်ခြင်း၊ ထောက်ပံ့ပို့ဆောင်ခြင်း ဆုတ်ယုတ်ခြင်းနှင့် သရုပ်ဖော်ခြင်းနှင့် လျှပ်ကူးနိုင်သော ကိန်းဂဏန်းများ နှိုင်းယှဉ်ခြင်း အပါအဝင် ဇီဝစာရင်းအင်းဆိုင်ရာ ဒေတာခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ ရွေးချယ်ထားသော အယူအဆများကို ပြန်လည်သုံးသပ်ပါသည်။ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းသည် ဉာဏ်ရည်တု၏ အခြေခံအုတ်မြစ်ဖြစ်သော်လည်း ကျွန်ုပ်တို့သည် ဒေတာတူးဖော်ခြင်း၊ အရေးပါမှုစမ်းသပ်ခြင်း သို့မဟုတ် အပြန်အလှန်အကျိုးသက်ရောက်မှုရှိသော ပုံဖော်ခြင်းကဲ့သို့သော အကြောင်းအရာများကို ဖယ်ထုတ်ထားသည်။ယင်းမှာ အချိန်ကန့်သတ်ချက်များကြောင့်ဖြစ်ပြီး အချို့သော ဘွဲ့ကြိုကျောင်းသားများသည် ဇီဝစာရင်းအင်းဆိုင်ရာ ကြိုတင်လေ့ကျင့်မှုများရှိကာ ပိုမိုထူးခြားသော စက်သင်ယူမှုအကြောင်းအရာများကို လွှမ်းခြုံလိုသောကြောင့်ဖြစ်သည်။နောက်ဆက်တွဲ ဟောပြောပွဲတွင် ခေတ်မီနည်းလမ်းများကို မိတ်ဆက်ပြီး AI ပြဿနာဖွဲ့စည်းပုံ၊ AI မော်ဒယ်များ၏ အားသာချက်များနှင့် ကန့်သတ်ချက်များနှင့် မော်ဒယ်စမ်းသပ်ခြင်းတို့ကို ဆွေးနွေးထားသည်။လက်ရှိ ဉာဏ်ရည်တုကိရိယာများအကြောင်း စာပေနှင့် လက်တွေ့သုတေသနပြုခြင်းဖြင့် သင်ခန်းစာများကို ဖြည့်စွက်ထားပါသည်။လက်ရှိ ဉာဏ်ရည်တုကိရိယာများ၏ ကန့်သတ်ချက်များကို နားလည်ခြင်းအပါအဝင် လက်တွေ့မေးခွန်းများကို ကိုင်တွယ်ဖြေရှင်းရန် မော်ဒယ်တစ်ခု၏ ထိရောက်မှုနှင့် ဖြစ်နိုင်ခြေကို အကဲဖြတ်ရန် လိုအပ်သော ကျွမ်းကျင်မှုများကို အလေးပေးပါသည်။ဥပမာအားဖြင့်၊ Kupperman et al. မှ အဆိုပြုထားသော ကလေးဦးခေါင်းဒဏ်ရာ လမ်းညွှန်ချက်များအား ကျောင်းသားများအား CT scan စစ်ဆေးမှုအပေါ် အခြေခံ၍ အသုံးဝင်မှုရှိမရှိ ဆုံးဖြတ်ရန် ဉာဏ်ရည်တုဆုံးဖြတ်ချက်သစ်ပင် အယ်လဂိုရီသမ်ကို အကောင်အထည်ဖော်သည့် 5 မှ ကျောင်းသားများကို တောင်းဆိုခဲ့သည်။၎င်းသည် သမားတော်များကို အစားထိုးခြင်းထက် သမားတော်များအား အဓိပ္ပာယ်ဖွင့်ဆိုရန်အတွက် ကြိုတင်ခန့်မှန်းနိုင်သော ခွဲခြမ်းစိတ်ဖြာမှုများကို ပေးဆောင်သည့် AI ၏ ဘုံဥပမာတစ်ခုဖြစ်ကြောင်း ကျွန်ုပ်တို့ အလေးပေးဖော်ပြအပ်ပါသည်။
ရရှိနိုင်သော open source bootstrap ပရိုဂရမ်းမင်းနမူနာများ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) တွင် စူးစမ်းလေ့လာရေးဒေတာခွဲခြမ်းစိတ်ဖြာမှု၊ အတိုင်းအတာလျှော့ချရေး၊ စံနမူနာပြပုံစံဖွင့်ခြင်းနှင့် လေ့ကျင့်ရေးတို့ကို မည်သို့လုပ်ဆောင်ရမည်ကို သရုပ်ပြထားပါသည်။ .နှင့်စမ်းသပ်မှု။ကျွန်ုပ်တို့သည် ဝဘ်ဘရောက်ဆာတစ်ခုမှ Python ကုဒ်ကို လုပ်ဆောင်နိုင်စေမည့် Google Colaboratory မှတ်စုစာအုပ်များ (Google LLC၊ Mountain View, CA) ကို အသုံးပြုပါသည်။ပုံ 2 တွင် ပရိုဂရမ်းမင်းလေ့ကျင့်ခန်း၏ ဥပမာတစ်ခုကို ပေးထားသည်။ဤလေ့ကျင့်ခန်းတွင် Wisconsin Open Breast Imaging Dataset6 နှင့် ဆုံးဖြတ်ချက်သစ်ပင် အယ်လဂိုရီသမ်ကို အသုံးပြု၍ ကင်ဆာရောဂါများကို ကြိုတင်ခန့်မှန်းခြင်း ပါဝင်သည်။
တစ်ပတ်တာလုံး ပရိုဂရမ်များကို ဆက်စပ်အကြောင်းအရာများကို တင်ပြပြီး ထုတ်ဝေထားသော AI အပလီကေးရှင်းများမှ နမူနာများကို ရွေးချယ်ပါ။လက်တွေ့စမ်းသပ်မှုများတွင် အသုံးပြုရန် အဆင်သင့်ဖြစ်မဖြစ် ဆုံးဖြတ်ရန် မော်ဒယ်များကို အကဲဖြတ်နည်းကဲ့သို့သော ပရိုဂရမ်းမင်းဒြပ်စင်များကို အနာဂတ်လက်တွေ့အလေ့အကျင့်ဆိုင်ရာ ထိုးထွင်းသိမြင်နားလည်မှုပေးရန်အတွက်သာ သက်ဆိုင်သည်ဟု ယူဆမှသာ ပါဝင်ပါသည်။ဤဥပမာများသည် အကျိတ်များကို ဆေးဘက်ဆိုင်ရာ ကန့်သတ်ချက်များအပေါ် အခြေခံ၍ အကျိတ်များကို ညင်သာပျော့ပျောင်း သို့မဟုတ် ကင်ဆာအဖြစ် အမျိုးအစားခွဲခြားသည့် ပြည့်စုံသော အဆုံးမှအဆုံး အပလီကေးရှင်းတွင် အကျုံးဝင်ပါသည်။
ကြိုတင်သိမှု ကွဲပြားမှု။ကျွန်ုပ်တို့၏ပါဝင်သူများသည် ၎င်းတို့၏သင်္ချာအသိပညာအဆင့်တွင် မတူညီပါ။ဥပမာအားဖြင့်၊ အဆင့်မြင့်အင်ဂျင်နီယာနောက်ခံရှိသည့် ကျောင်းသားများသည် ၎င်းတို့၏ကိုယ်ပိုင် Fourier အသွင်ပြောင်းပုံများကို လုပ်ဆောင်ပုံကဲ့သို့သော နက်နဲသည့်အရာများကို ရှာဖွေနေကြသည်။သို့သော်၊ အတန်းထဲတွင် Fourier algorithm ကို ဆွေးနွေးခြင်းသည် signal processing ၏ နက်ရှိုင်းသောအသိပညာ လိုအပ်သောကြောင့် မဖြစ်နိုင်ပါ။
တက်ရောက်သူ အထွက်။နောက်ဆက်တွဲ အစည်းအဝေးများတွင် တက်ရောက်သူ အထူးသဖြင့် အွန်လိုင်းဖော်မတ်များတွင် ကျဆင်းသွားသည်။အဖြေတစ်ခုသည် တက်ရောက်မှုကို ခြေရာခံပြီး ပြီးဆုံးကြောင်း လက်မှတ်ကို ပေးဆောင်ရန် ဖြစ်နိုင်သည်။ဆေးကျောင်းများသည် ကျောင်းသားများ၏ သင်ရိုးညွှန်းတမ်းပြင်ပ ပညာရေးဆိုင်ရာ လှုပ်ရှားမှုများ၏ မှတ်တမ်းမှတ်ရာများကို အသိအမှတ်ပြုကြပြီး ကျောင်းသားများကို ဘွဲ့တစ်ခုရအောင် သင်ယူရန် တွန်းအားပေးနိုင်သည်။
သင်တန်းဒီဇိုင်း- AI သည် နယ်ပယ်ခွဲများစွာကို ဖြန့်ကျက်ထားသောကြောင့် သင့်လျော်သော အတိမ်အနက်နှင့် အနံ၏ အဓိကသဘောတရားများကို ရွေးချယ်ခြင်းသည် စိန်ခေါ်မှုဖြစ်နိုင်သည်။ဥပမာအားဖြင့်၊ ဓာတ်ခွဲခန်းမှ ဆေးခန်းသို့ AI ကိရိယာများကို ဆက်လက်အသုံးပြုခြင်းသည် အရေးကြီးသော အကြောင်းအရာတစ်ခုဖြစ်သည်။ကျွန်ုပ်တို့သည် ဒေတာကြိုတင်လုပ်ဆောင်ခြင်း၊ မော်ဒယ်တည်ဆောက်ခြင်းနှင့် အတည်ပြုခြင်းတို့ကို အကျုံးဝင်သော်လည်း၊ ကျွန်ုပ်တို့သည် ကြီးမားသောဒေတာခွဲခြမ်းစိတ်ဖြာမှု၊ အပြန်အလှန်အကျိုးသက်ရောက်မှုရှိသော ပုံဖော်ခြင်း သို့မဟုတ် AI လက်တွေ့စမ်းသပ်မှုများ ပြုလုပ်ခြင်းကဲ့သို့သော ခေါင်းစဉ်များမပါဝင်ပါ၊ အစား အထူးခြားဆုံး AI အယူအဆများကို ကျွန်ုပ်တို့အာရုံစိုက်ပါသည်။ကျွန်ုပ်တို့၏လမ်းညွှန်ချက်မှာ ကျွမ်းကျင်မှုမဟုတ်ဘဲ တတ်မြောက်မှုကို မြှင့်တင်ရန်ဖြစ်သည်။ဥပမာအားဖြင့်၊ မော်ဒယ်တစ်ခုသည် ထည့်သွင်းသည့်အင်္ဂါရပ်များကို မည်ကဲ့သို့လုပ်ဆောင်သည်ကို နားလည်ခြင်းသည် အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်မှုအတွက် အရေးကြီးပါသည်။၎င်းကိုလုပ်ဆောင်ရန်နည်းလမ်းတစ်ခုမှာ ဒေတာ၏မည်သည့်ဒေသများကိုကြိုတင်ခန့်မှန်းနိုင်သည်ကိုမြင်ယောင်နိုင်သည့် gradient activation maps ကိုအသုံးပြုခြင်းဖြစ်သည်။သို့သော်၊ ၎င်းသည် multivariate calculus လိုအပ်ပြီး မိတ်ဆက်၍မရပါ။သင်္ချာနည်းအရ တရားဝင်မှုမရှိဘဲ ဒေတာကို vector များအဖြစ် ရှင်းပြရန် ကြိုးပမ်းနေသောကြောင့် သာမာန်ဝေါဟာရတစ်ခု တီထွင်ရာတွင် စိန်ခေါ်မှုဖြစ်သည်။မတူညီသောဝေါဟာရများသည် တူညီသောအဓိပ္ပာယ်ရှိသည်ကို သတိပြုပါ၊ ဥပမာ၊ ကူးစက်ရောဂါဗေဒတွင်၊ "ဝိသေသလက္ခဏာ" ကို "မပြောင်းလဲနိုင်သော" သို့မဟုတ် "ဂုဏ်ရည်တော်" အဖြစ် ဖော်ပြသည်ကို သတိပြုပါ။
အသိပညာကို ထိန်းထားရတယ်။AI ၏ အသုံးချမှုမှာ အကန့်အသတ်ရှိသောကြောင့် ပါဝင်သူများသည် အသိပညာကို ထိန်းသိမ်းနိုင်သည့်အတိုင်းအတာကို မြင်တွေ့ရမည်ဖြစ်သည်။ဆေးကျောင်းသင်ရိုးညွှန်းတမ်းသည် လက်တွေ့လည်ပတ်စဉ်အတွင်း အသိပညာအားဖြည့်ရန် အကန့်အသတ်ရှိသော ထပ်ခါတလဲလဲအပေါ် မှီခိုလေ့ရှိသည်၊ 9 AI ပညာရေးတွင်လည်း အသုံးချနိုင်သည်။
ကျွမ်းကျင်ပိုင်နိုင်မှုထက် စာတတ်မြောက်ရေးက ပိုအရေးကြီးတယ်။ပစ္စည်း၏အတိမ်အနက်ကို ဉာဏ်ရည်တုနည်းပညာဆိုင်ရာ လက်တွေ့သင်တန်းများကို စတင်သောအခါတွင် ပြဿနာတစ်ခုဖြစ်ခဲ့သည့် သင်္ချာဆိုင်ရာ ခိုင်မာမှုမရှိဘဲ ဒီဇိုင်းထုတ်ထားသည်။ပရိုဂရမ်းမင်းနမူနာများတွင်၊ ကျွန်ုပ်တို့သည် ပါဝင်သူများအား ကွက်လပ်များကိုဖြည့်ပြီး ဆော့ဖ်ဝဲလ်ကို ပြီးပြည့်စုံသော ပရိုဂရမ်းမင်းပတ်ဝန်းကျင်ကို မည်သို့သတ်မှတ်ရမည်ကို တွက်ဆစရာမလိုဘဲ ဆော့ဖ်ဝဲလ်ကို လုပ်ဆောင်နိုင်စေမည့် နမူနာပရိုဂရမ်ကို အသုံးပြုပါသည်။
Artificial Intelligence နှင့်ပတ်သက်သော စိုးရိမ်မှုများ- ဥာဏ်ရည်တုသည် အချို့သော ဆေးခန်းတာဝန်များကို အစားထိုးနိုင်သည်ဟူသော စိုးရိမ်မှုများ ကျယ်ကျယ်ပြန့်ပြန့်ရှိနေပါသည်။ဤပြဿနာကိုဖြေရှင်းရန်၊ စည်းကမ်းထိန်းသိမ်းရေးအဖွဲ့မှအတည်ပြုထားသော AI နည်းပညာအားလုံးနီးပါးသည် သမားတော်၏ကြီးကြပ်မှုလိုအပ်သည်ဟူသောအချက်အပါအဝင် AI ၏ကန့်သတ်ချက်များကိုရှင်းပြထားပါသည်။အထူးသဖြင့် ဒေတာအစုံသည် ကွဲပြားခြင်းမရှိပါက algorithms သည် ဘက်လိုက်မှုဖြစ်နိုင်သောကြောင့် ဘက်လိုက်မှု၏အရေးကြီးမှုကိုလည်း အလေးပေးပါသည်။အကျိုးဆက်အနေဖြင့် အချို့သောအုပ်စုခွဲများသည် မှားယွင်းစွာ စံနမူနာယူထားနိုင်ပြီး တရားမျှတမှုမရှိသော ဆေးခန်းဆိုင်ရာ ဆုံးဖြတ်ချက်များကို ဖြစ်ပေါ်စေပါသည်။
အရင်းအမြစ်များကို အများသူငှာရရှိနိုင်ပါသည်- ဟောပြောပွဲဆလိုက်များနှင့် ကုဒ်များအပါအဝင် အများသူငှာရရှိနိုင်သောအရင်းအမြစ်များကို ကျွန်ုပ်တို့ဖန်တီးထားပါသည်။အချိန်ဇုန်များကြောင့် တစ်ပြိုင်နက်တည်း ပါဝင်ခွင့်ကို ကန့်သတ်ထားသော်လည်း၊ AI ကျွမ်းကျင်မှုကို ဆေးကျောင်းအားလုံးတွင် မရရှိနိုင်သောကြောင့် ပွင့်လင်းရင်းမြစ်အကြောင်းအရာသည် အပြိုင်အဆိုင်သင်ယူမှုအတွက် အဆင်ပြေသောနည်းလမ်းတစ်ခုဖြစ်သည်။
Interdisciplinary Collaboration- ဤအလုပ်ရုံဆွေးနွေးပွဲသည် အင်ဂျင်နီယာများနှင့်အတူ သင်တန်းများစီစဉ်ရန် ဆေးကျောင်းသားများမှ စတင်သည့် ဖက်စပ်လုပ်ငန်းတစ်ခုဖြစ်သည်။၎င်းသည် နယ်ပယ်နှစ်ခုလုံးတွင် ပူးပေါင်းလုပ်ဆောင်နိုင်သော အခွင့်အလမ်းများနှင့် အသိပညာကွာဟမှုများကို သရုပ်ပြပြီး ပါဝင်သူများသည် အနာဂတ်တွင် ၎င်းတို့ပါဝင်နိုင်သည့် အလားအလာရှိသော အခန်းကဏ္ဍကို နားလည်သဘောပေါက်စေပါသည်။
AI ပင်မစွမ်းရည်များကို သတ်မှတ်ပါ။အရည်အချင်းများစာရင်းကို သတ်မှတ်ခြင်းသည် လက်ရှိအရည်အချင်းကို အခြေခံသည့် ဆေးဘက်ဆိုင်ရာ သင်ရိုးညွှန်းတမ်းတွင် ပေါင်းစပ်နိုင်သည့် စံသတ်မှတ်ထားသော ဖွဲ့စည်းပုံကို ပံ့ပိုးပေးပါသည်။ဤအလုပ်ရုံဆွေးနွေးပွဲသည် လက်ရှိတွင် Learning Objective Levels 2 (Comprehension)၊ 3 (Application) နှင့် Bloom's Taxonomy 4 (Analysis) ကို အသုံးပြုပါသည်။ပရောဂျက်များဖန်တီးခြင်းကဲ့သို့သော အမျိုးအစားခွဲခြားမှုအဆင့်မြင့်တွင် အရင်းအမြစ်များရှိခြင်းသည် အသိပညာကို ပိုမိုအားကောင်းစေနိုင်သည်။၎င်းသည် AI ခေါင်းစဉ်များကို ဆေးခန်းလုပ်ငန်းအသွားအလာတွင် မည်သို့အသုံးချနိုင်သည်ကို ဆုံးဖြတ်ရန်နှင့် စံဆေးဘက်ဆိုင်ရာ သင်ရိုးညွှန်းတမ်းတွင် ပါရှိပြီးသား ထပ်တလဲလဲအကြောင်းအရာများကို သင်ကြားခြင်းကို တားဆီးရန် ဆေးခန်းကျွမ်းကျင်သူများနှင့် လုပ်ဆောင်ရန် လိုအပ်ပါသည်။
AI ကို အသုံးပြု၍ ဖြစ်ရပ်လေ့လာမှုများကို ဖန်တီးပါ။လက်တွေ့နမူနာများနှင့် အလားတူ၊ ဖြစ်ရပ်အခြေခံ သင်ယူမှုသည် လက်တွေ့မေးခွန်းများနှင့် သက်ဆိုင်မှုကို မီးမောင်းထိုးပြခြင်းဖြင့် စိတ္တဇအယူအဆများကို အားဖြည့်ပေးနိုင်ပါသည်။ဥပမာအားဖြင့်၊ အလုပ်ရုံဆွေးနွေးပွဲတစ်ခုမှ လေ့လာမှုတစ်ခုသည် ပြင်ပအတည်ပြုချက်လိုအပ်ချက်များနှင့် စည်းမျဉ်းအတည်ပြုမှုလမ်းကြောင်းများကဲ့သို့သော ဓာတ်ခွဲခန်းမှ ဆေးခန်းဆီသို့ လမ်းကြောင်းတစ်လျှောက် စိန်ခေါ်မှုများကို ရှာဖွေဖော်ထုတ်ရန် Google ၏ AI-အခြေခံ ဆီးချိုရောဂါ ထောက်လှမ်းခြင်းစနစ် 13 ကို ပိုင်းခြားစိတ်ဖြာထားသည်။
အတွေ့အကြုံဆိုင်ရာ သင်ယူမှုကို အသုံးပြုပါ- ပညာရပ်ဆိုင်ရာ ကျွမ်းကျင်မှုများသည် လက်တွေ့ကျသော သင်တန်းသားများ၏ အလှည့်ကျ သင်ယူမှုအတွေ့အကြုံများနှင့် ဆင်တူပြီး ကျွမ်းကျင်ရန် အာရုံစိုက်လေ့ကျင့်ရန် ထပ်ခါတလဲလဲ အသုံးချရန်လိုအပ်ပါသည်။ဖြစ်နိုင်ချေရှိသော ဖြေရှင်းချက်တစ်ခုမှာ အင်ဂျင်နီယာပညာရေး၁၄တွင် အသိပညာထိန်းသိမ်းမှု တိုးတက်စေရန် အစီရင်ခံထားသည့် လှန်ထားသော စာသင်ခန်းပုံစံဖြစ်သည်။ဤပုံစံတွင် ကျောင်းသားများသည် သီအိုရီဆိုင်ရာ အကြောင်းအရာများကို အမှီအခိုကင်းစွာ ပြန်လည်သုံးသပ်ကြပြီး အတန်းချိန်ကို ဖြစ်ရပ်လေ့လာမှုများမှတစ်ဆင့် ပြဿနာများကို ဖြေရှင်းရန် အာရုံစိုက်သည်။
နယ်ပယ်ပေါင်းစုံမှ ပါဝင်သူများကို အတိုင်းအတာတစ်ခုအထိ ချဲ့ထွင်ခြင်း- လေ့ကျင့်ရေးအဆင့်အမျိုးမျိုးရှိသည့် သမားတော်များနှင့် မဟာမိတ်ကျန်းမာရေးပညာရှင်များ အပါအဝင် နယ်ပယ်ပေါင်းစုံတွင် ပူးပေါင်းဆောင်ရွက်ခြင်းပါ၀င်သော AI မွေးစားခြင်းကို ကျွန်ုပ်တို့မျှော်မှန်းပါသည်။ထို့ကြောင့် ကျန်းမာရေးစောင့်ရှောက်မှုဆိုင်ရာ နယ်ပယ်အသီးသီးတွင် ၎င်းတို့၏ အကြောင်းအရာများကို အံဝင်ခွင်ကျဖြစ်စေရန်အတွက် ဌာနအသီးသီးမှ ဆရာများနှင့် တိုင်ပင်ပြီး သင်ရိုးညွှန်းတမ်းကို ရေးဆွဲရန် လိုအပ်ပါသည်။
Artificial Intelligence သည် နည်းပညာ မြင့်မားပြီး ၎င်း၏ ပင်မ သဘောတရားများသည် သင်္ချာ နှင့် ကွန်ပျူတာ သိပ္ပံ တို့နှင့် သက်ဆိုင်ပါသည်။Artificial Intelligence ကို နားလည်သဘောပေါက်ရန် လေ့ကျင့်ပေးခြင်းသည် အကြောင်းအရာရွေးချယ်မှု၊ ဆေးခန်းဆိုင်ရာ ဆက်စပ်မှုနှင့် ပေးပို့မှုနည်းလမ်းများတွင် ထူးခြားသောစိန်ခေါ်မှုများကို တင်ဆက်သည်။ပညာရေးဆိုင်ရာ အလုပ်ရုံဆွေးနွေးပွဲများမှ ရရှိလာသော ထိုးထွင်းသိမြင်မှုများသည် အနာဂတ်ပညာတတ်များသည် AI ကို ဆေးပညာဆိုင်ရာ ပညာရေးတွင် ပေါင်းစည်းရန် ဆန်းသစ်သောနည်းလမ်းများကို လက်ခံယုံကြည်နိုင်မည်ဟု မျှော်လင့်ပါသည်။
Google Colaboratory Python script ကို open source ဖြစ်ပြီး https://github.com/ubcaimed/ubcaimed.github.io/tree/master/ တွင် ရရှိနိုင်ပါသည်။
Prober၊ KG နှင့် Khan၊ S. ဆေးပညာကို ပြန်လည်စဉ်းစားခြင်း- အရေးယူရန် တောင်းဆိုချက်။Akkadဆေးဝါး။၈၈၊ ၁၄၀၇–၁၄၁၀ (၂၀၁၃)။
McCoy၊ LG စသည်တို့။ ဆေးကျောင်းသားများသည် ဉာဏ်ရည်တုအကြောင်း အမှန်တကယ် သိရန် အဘယ်အရာ လိုအပ်သနည်း။NPZh နံပါတ်များ။ဆေးပညာ ၃၊ ၁-၃ (၂၀၂၀)။
Dos Santos, DP, et al.ဥာဏ်ရည်တုအပေါ် ဆေးကျောင်းသားများ၏ သဘောထားများ- စင်တာပေါင်းများစွာ စစ်တမ်းတစ်ခု။EUROဓာတ်ရောင်ခြည်။၂၉၊ ၁၆၄၀–၁၆၄၆ (၂၀၁၉)။
Fan၊ KY၊ Hu၊ R. နှင့် Singla၊ R. ဆေးကျောင်းသားများအတွက် စက်သင်ယူခြင်းမိတ်ဆက်- ရှေ့ပြေးပရောဂျက်။J. Medသင်ပေးပါ။54၊ 1042–1043 (2020)။
Cooperman N, et al.ဦးခေါင်းဒဏ်ရာရပြီးနောက် ဆေးခန်းတွင် သိသာထင်ရှားသော ဦးနှောက်ထိခိုက်မှု ဖြစ်နိုင်ခြေ အလွန်နည်းသော ကလေးများကို ခွဲခြားသတ်မှတ်ခြင်း- အလားအလာရှိသော လေ့လာမှုတစ်ခု။Lancet 374၊ 1160–1170 (2009)။
လမ်း၊ WN၊ Wolberg၊ WH နှင့် Mangasarian၊ OL။ရင်သားအကျိတ်စစ်ဆေးခြင်းအတွက် နူကလီးယားအင်္ဂါရပ်ကို ထုတ်ယူခြင်း။ဇီဝဆေးသိပ္ပံ။ရုပ်ပုံလုပ်ဆောင်ခြင်း။ဇီဝဆေးသိပ္ပံ။Weiss၁၉၀၅၊ ၈၆၁-၈၇၀ (၁၉၉၃)။
Chen၊ PHC၊ Liu၊ Y. နှင့် Peng၊ L. ကျန်းမာရေးစောင့်ရှောက်မှုအတွက် စက်သင်ယူမှုပုံစံများကို တီထွင်နည်း။နတ်။Matt.၁၈၊ ၄၁၀–၄၁၄ (၂၀၁၉)။
Selvaraju၊ RR et al။Grad-cam- gradient-based localization မှတစ်ဆင့် နက်ရှိုင်းသော ကွန်ရက်များ၏ အမြင်အာရုံ အဓိပ္ပာယ်ဖွင့်ဆိုချက်။IEEE International Conference on Computer Vision, 618-626 (2017) ၏ လုပ်ငန်းစဉ်များ။
Kumaravel B၊ Stewart K နှင့် Ilic D။ ဘွဲ့ကြိုဆေးဘက်ဆိုင်ရာပညာရေးတွင် OSCE ကို အသုံးပြု၍ အထောက်အထားအခြေခံဆေးပညာအရည်အချင်းများကို အကဲဖြတ်ရန်အတွက် ခရုပတ်ပုံစံပုံစံကို ဖွံ့ဖြိုးတိုးတက်ရေးနှင့် အကဲဖြတ်ခြင်း။BMK ဆေးတက္ကသိုလ်။သင်ပေးပါ။၂၁၊ ၁–၉ (၂၀၂၁)။
Kolachalama VB နှင့် Garg PS စက်သင်ယူမှုနှင့် ဆေးပညာပေး။NPZh နံပါတ်များ။ဆေးဝါး။၁၊ ၁–၃ (၂၀၁၈)။
van Leeuwen, KG, Schalekamp, ​​​S., Rutten, MJ, van Ginneken, B. and de Rooy, M. ဓာတ်မှန်ဗေဒဆိုင်ရာ ဉာဏ်ရည်တု- စီးပွားဖြစ်ထုတ်ကုန် 100 နှင့် ၎င်းတို့၏ သိပ္ပံနည်းကျ အထောက်အထားများ။EUROဓာတ်ရောင်ခြည်။၃၁၊ ၃၇၉၇–၃၈၀၄ (၂၀၂၁)။
Topol၊ EJ စွမ်းဆောင်ရည်မြင့်ဆေး- လူသားနှင့် ဉာဏ်ရည်တု၏ ပေါင်းစည်းမှု။နတ်။ဆေးဝါး။၂၅၊ ၄၄-၅၆ (၂၀၁၉)။
Bede, E. et al.ဆီးချိုမျက်မြင်လွှာရောဂါကို ရှာဖွေတွေ့ရှိရန်အတွက် ဆေးခန်းတွင် ထည့်သွင်းထားသော နက်နဲသော သင်ယူမှုစနစ်၏ လူသားဗဟိုပြု အကဲဖြတ်ခြင်း။2020 CHI ကွန်ဖရင့်၏ လုပ်ငန်းစဉ်များ (2020)။
Kerr, B. အင်ဂျင်နီယာပညာရေးဆိုင်ရာ လှန်လှောသောစာသင်ခန်း- သုတေသနသုံးသပ်ချက်။အပြန်အလှန်အကျိုးပြုပူးပေါင်းဆောင်ရွက်သင်ယူခြင်းဆိုင်ရာ 2015 နိုင်ငံတကာညီလာခံ (2015) ၏ လုပ်ငန်းစဉ်များ။
ပံ့ပိုးကူညီမှုနှင့် ရန်ပုံငွေအတွက် British Columbia တက္ကသိုလ်ရှိ Biomedical Imaging နှင့် Artificial Intelligence Research Cluster မှ Danielle Walker၊ Tim Salcudin နှင့် Peter Zandstra တို့ကို ကျေးဇူးတင်ပါသည်။
RH၊ PP၊ ZH၊ RS နှင့် MA တို့သည် အလုပ်ရုံဆွေးနွေးပွဲတွင် သင်ကြားပို့ချသည့် အကြောင်းအရာများကို ဖန်တီးရန် တာဝန်ရှိပါသည်။RH နှင့် PP တို့သည် ပရိုဂရမ်းမင်းနမူနာများကို ပြုစုပျိုးထောင်ရန် တာဝန်ရှိသည်။KYF၊ OY၊ MT နှင့် PW တို့သည် စီမံကိန်း၏ ထောက်ပံ့ပို့ဆောင်ရေးအဖွဲ့အစည်းနှင့် အလုပ်ရုံဆွေးနွေးပွဲများကို ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် တာဝန်ရှိပါသည်။RH, OY, MT, RS တို့သည် ကိန်းဂဏန်းများနှင့် ဇယားများကို ဖန်တီးရန် တာဝန်ရှိပါသည်။RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS တို့သည် စာရွက်စာတမ်း ရေးဆွဲခြင်းနှင့် တည်းဖြတ်ခြင်းအတွက် တာဝန်ရှိပါသည်။
Communication Medicine မှ Carolyn McGregor၊ Fabio Moraes နှင့် Aditya Borakati တို့ကို ဤအလုပ်အား ပြန်လည်သုံးသပ်ခြင်းအတွက် ၎င်းတို့၏ ပံ့ပိုးမှုများကြောင့် ကျေးဇူးတင်ရှိပါသည်။