ဆေးကျောင်းသားများအား ဉာဏ်ရည်တု သင်ကြားပေးခြင်းအပေါ် ကနေဒါနိုင်ငံ၏ ရှုထောင့်

Nature.com သို့ ဝင်ရောက်ကြည့်ရှုသည့်အတွက် ကျေးဇူးတင်ပါသည်။ သင်အသုံးပြုနေသော browser ဗားရှင်းတွင် CSS ပံ့ပိုးမှု အကန့်အသတ်ရှိသည်။ အကောင်းဆုံးရလဒ်များအတွက် သင့် browser ၏ ဗားရှင်းအသစ်ကို အသုံးပြုရန် (သို့မဟုတ် Internet Explorer ရှိ compatibility mode ကို ပိတ်ရန်) အကြံပြုအပ်ပါသည်။ ထိုအတောအတွင်း၊ စဉ်ဆက်မပြတ် ပံ့ပိုးမှုရရှိစေရန်အတွက် ကျွန်ုပ်တို့သည် ဆိုက်ကို styling သို့မဟုတ် JavaScript မပါဘဲ ပြသနေပါသည်။
ဆေးခန်းသုံး ဉာဏ်ရည်တု (AI) ၏ အသုံးချမှုများသည် အလျင်အမြန် တိုးပွားလာနေသော်လည်း လက်ရှိ ဆေးကျောင်းသင်ရိုးညွှန်းတမ်းများသည် ဤနယ်ပယ်ကို လွှမ်းခြုံထားသည့် သင်ကြားမှု အကန့်အသတ်ရှိသည်။ ဤနေရာတွင် ကနေဒါ ဆေးကျောင်းသားများထံ ကျွန်ုပ်တို့ တီထွင်ပြီး ပေးပို့သော ဉာဏ်ရည်တု လေ့ကျင့်ရေးသင်တန်းတစ်ခုကို ဖော်ပြပြီး အနာဂတ် လေ့ကျင့်ရေးအတွက် အကြံပြုချက်များ ပေးပါသည်။
ဆေးပညာတွင် အတုဥာဏ်ရည် (AI) သည် အလုပ်ခွင်ထိရောက်မှုကို တိုးတက်စေပြီး ဆေးခန်းဆုံးဖြတ်ချက်ချရာတွင် အထောက်အကူဖြစ်စေနိုင်သည်။ အတုဥာဏ်ရည်အသုံးပြုမှုကို ဘေးကင်းစွာ လမ်းညွှန်ရန်အတွက် ဆရာဝန်များသည် အတုဥာဏ်ရည်အကြောင်း နားလည်မှုအချို့ ရှိရမည်။ မှတ်ချက်များစွာက AI မော်ဒယ်များနှင့် အတည်ပြုခြင်းလုပ်ငန်းစဉ်များကို ရှင်းပြခြင်းကဲ့သို့သော AI သဘောတရားများကို သင်ကြားပေးရန် ထောက်ခံကြသည်။ သို့သော် အထူးသဖြင့် အမျိုးသားအဆင့်တွင် စနစ်တကျစီစဉ်ထားသော အစီအစဉ်အနည်းငယ်ကိုသာ အကောင်အထည်ဖော်ခဲ့သည်။ Pinto dos Santos et al.3။ ဆေးကျောင်းသား ၂၆၃ ဦးကို စစ်တမ်းကောက်ယူခဲ့ပြီး ၇၁% က အတုဥာဏ်ရည်တွင် လေ့ကျင့်မှုလိုအပ်ကြောင်း သဘောတူခဲ့ကြသည်။ ဆေးပညာပရိသတ်အား အတုဥာဏ်ရည်သင်ကြားပေးခြင်းသည် ကျယ်ပြန့်သော ကြိုတင်ဗဟုသုတရှိလေ့ရှိသော ကျောင်းသားများအတွက် နည်းပညာနှင့် နည်းပညာမဟုတ်သော သဘောတရားများကို ပေါင်းစပ်ထားသည့် ဂရုတစိုက်ဒီဇိုင်းရေးဆွဲရန် လိုအပ်ပါသည်။ ဆေးကျောင်းသားအုပ်စုသုံးစုအား AI အလုပ်ရုံဆွေးနွေးပွဲများ ပို့ဆောင်ပေးသည့် ကျွန်ုပ်တို့၏အတွေ့အကြုံကို ဖော်ပြပြီး AI တွင် အနာဂတ်ဆေးပညာပညာရေးအတွက် အကြံပြုချက်များ ပေးပါသည်။
ဆေးကျောင်းသားများအတွက် ကျွန်ုပ်တို့၏ ငါးပတ်ကြာ ဆေးပညာတွင် အတုဥာဏ်ရည်မိတ်ဆက် အလုပ်ရုံဆွေးနွေးပွဲကို ၂၀၁၉ ခုနှစ် ဖေဖော်ဝါရီလမှ ၂၀၂၁ ခုနှစ် ဧပြီလအတွင်း သုံးကြိမ်ကျင်းပခဲ့ပါသည်။ သင်တန်းပြောင်းလဲမှုများအကြောင်း အကျဉ်းချုပ်ဖော်ပြချက်ပါရှိသော အလုပ်ရုံဆွေးနွေးပွဲတစ်ခုစီအတွက် အချိန်ဇယားကို ပုံ ၁ တွင် ပြသထားပါသည်။ ကျွန်ုပ်တို့၏သင်တန်းတွင် အဓိကသင်ယူမှုရည်မှန်းချက်သုံးခုရှိသည်- ကျောင်းသားများသည် အတုဥာဏ်ရည်အသုံးချမှုများတွင် အချက်အလက်များကို မည်သို့စီမံဆောင်ရွက်သည်ကို နားလည်ခြင်း၊ ဆေးခန်းအသုံးချမှုများအတွက် အတုဥာဏ်ရည်စာပေများကို ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် အတုဥာဏ်ရည်ကို တီထွင်နေသော အင်ဂျင်နီယာများနှင့် ပူးပေါင်းဆောင်ရွက်ရန် အခွင့်အလမ်းများကို အသုံးချခြင်းတို့ဖြစ်သည်။
အပြာရောင်သည် ဟောပြောပွဲ၏ အကြောင်းအရာဖြစ်ပြီး အပြာဖျော့ရောင်သည် အပြန်အလှန် မေးခွန်းများ မေးမြန်းခြင်းနှင့် အဖြေပေးခြင်း ကာလဖြစ်သည်။ မီးခိုးရောင်အပိုင်းသည် အကျဉ်းချုပ် စာပေပြန်လည်သုံးသပ်ချက်၏ အဓိကအချက်ဖြစ်သည်။ လိမ္မော်ရောင်အပိုင်းများသည် ဉာဏ်ရည်တု မော်ဒယ်များ သို့မဟုတ် နည်းစနစ်များကို ဖော်ပြသည့် ရွေးချယ်ထားသော ဖြစ်ရပ်လေ့လာမှုများဖြစ်သည်။ အစိမ်းရောင်သည် ဆေးခန်းပြဿနာများကို ဖြေရှင်းရန်နှင့် မော်ဒယ်များကို အကဲဖြတ်ရန် ဉာဏ်ရည်တုကို သင်ကြားပေးရန် ဒီဇိုင်းထုတ်ထားသော လမ်းညွှန်ပရိုဂရမ်းမင်း သင်တန်းတစ်ခုဖြစ်သည်။ အလုပ်ရုံဆွေးနွေးပွဲများ၏ အကြောင်းအရာနှင့် ကြာချိန်သည် ကျောင်းသားများ၏ လိုအပ်ချက်များကို အကဲဖြတ်ခြင်းအပေါ် မူတည်၍ ကွဲပြားသည်။
ပထမဆုံး အလုပ်ရုံဆွေးနွေးပွဲကို ၂၀၁၉ ခုနှစ် ဖေဖော်ဝါရီလမှ ဧပြီလအထိ British Columbia တက္ကသိုလ်တွင် ကျင်းပခဲ့ပြီး ပါဝင်သူ ၈ ဦးစလုံးက အပြုသဘောဆောင်သော တုံ့ပြန်ချက်များ ပေးခဲ့ကြသည်။ COVID-19 ကြောင့် ဒုတိယအလုပ်ရုံဆွေးနွေးပွဲကို ၂၀၂၀ ခုနှစ် အောက်တိုဘာလမှ နိုဝင်ဘာလအထိ အွန်လိုင်းမှ ကျင်းပခဲ့ပြီး ဆေးကျောင်းသား ၂၂၂ ဦးနှင့် ကနေဒါဆေးကျောင်း ၈ ကျောင်းမှ ကျောင်းသား ၃ ဦး မှတ်ပုံတင်ခဲ့ကြသည်။ တင်ဆက်မှု ဆလိုက်များနှင့် ကုဒ်များကို open access site (http://ubcaimed.github.io) သို့ အပ်လုဒ်တင်ထားသည်။ ပထမအကြိမ်မှ အဓိကတုံ့ပြန်ချက်မှာ ဟောပြောပွဲများသည် ပြင်းထန်လွန်းပြီး အကြောင်းအရာများသည် သီအိုရီဆန်လွန်းသည်။ ကနေဒါ၏ အချိန်ဇုန်ခြောက်ခုကို ဝန်ဆောင်မှုပေးခြင်းသည် အပိုစိန်ခေါ်မှုများကို ဖြစ်ပေါ်စေသည်။ ထို့ကြောင့် ဒုတိယအလုပ်ရုံဆွေးနွေးပွဲသည် အစည်းအဝေးတစ်ခုစီကို ၁ နာရီအထိ လျှော့ချခဲ့ပြီး သင်တန်းအကြောင်းအရာများကို ရိုးရှင်းစေခဲ့ပြီး case study များကို ထပ်မံထည့်သွင်းခဲ့ပြီး ပါဝင်သူများအား debugging အနည်းဆုံးဖြင့် code snippet များကို ပြီးမြောက်စေသည့် boilerplate program များကို ဖန်တီးခဲ့သည် (Box 1)။ ဒုတိယအကြိမ်မှ အဓိကတုံ့ပြန်ချက်များတွင် programming လေ့ကျင့်ခန်းများအပေါ် အပြုသဘောဆောင်သော တုံ့ပြန်ချက်နှင့် machine learning project အတွက် စီစဉ်မှုကို သရုပ်ပြရန် တောင်းဆိုချက်တို့ ပါဝင်သည်။ ထို့ကြောင့် ၂၀၂၁ ခုနှစ် မတ်လမှ ဧပြီလအထိ ဆေးကျောင်းသား ၁၂၆ ဦးအတွက် အွန်လိုင်းမှ ကျင်းပခဲ့သော ကျွန်ုပ်တို့၏ တတိယမြောက် အလုပ်ရုံဆွေးနွေးပွဲတွင် အလုပ်ရုံဆွေးနွေးပွဲ သဘောတရားများကို ပရောဂျက်များတွင် အသုံးပြုခြင်း၏ အကျိုးသက်ရောက်မှုကို သရုပ်ပြရန်အတွက် အပြန်အလှန်တုံ့ပြန်နိုင်သော ကုဒ်ရေးသားခြင်း လေ့ကျင့်ခန်းများနှင့် ပရောဂျက်တုံ့ပြန်ချက် အစည်းအဝေးများကို ပိုမိုထည့်သွင်းခဲ့ပါသည်။
ဒေတာ ခွဲခြမ်းစိတ်ဖြာခြင်း- ဒေတာပုံစံများကို ခွဲခြမ်းစိတ်ဖြာခြင်း၊ လုပ်ဆောင်ခြင်းနှင့် ဆက်သွယ်ပြောဆိုခြင်းဖြင့် ဒေတာရှိ အဓိပ္ပာယ်ရှိသော ပုံစံများကို ဖော်ထုတ်သည့် စာရင်းအင်းဆိုင်ရာ လေ့လာမှုနယ်ပယ်တစ်ခုဖြစ်သည်။
ဒေတာတူးဖော်ခြင်း- ဒေတာများကို ခွဲခြားသတ်မှတ်ခြင်းနှင့် ထုတ်ယူခြင်းလုပ်ငန်းစဉ်။ ဉာဏ်ရည်တုနှင့်ဆက်စပ်၍ ၎င်းသည် မကြာခဏ ကြီးမားလေ့ရှိပြီး နမူနာတစ်ခုစီအတွက် ကိန်းရှင်များစွာရှိသည်။
Dimensionality reduction: မူရင်းဒေတာအစုံ၏ အရေးကြီးသောဂုဏ်သတ္တိများကို ထိန်းသိမ်းထားပြီး သီးခြားအင်္ဂါရပ်များစွာပါရှိသော ဒေတာကို အင်္ဂါရပ်နည်းပါးသော ဒေတာအဖြစ် ပြောင်းလဲခြင်းလုပ်ငန်းစဉ်။
ဝိသေသလက္ခဏာများ (အတုဥာဏ်ရည်နှင့်ဆက်စပ်၍): နမူနာတစ်ခု၏ တိုင်းတာနိုင်သော ဂုဏ်သတ္တိများ။ မကြာခဏ "property" သို့မဟုတ် "variable" နှင့် အပြန်အလှန်အသုံးပြုလေ့ရှိသည်။
Gradient Activation Map: အတုထောက်လှမ်းရေးမော်ဒယ်များ (အထူးသဖြင့် convolutional neural network များ) ကို အဓိပ္ပာယ်ဖွင့်ဆိုရန်အသုံးပြုသည့်နည်းပညာတစ်ခု၊ ၎င်းသည် အလွန်ခန့်မှန်းနိုင်သောဒေတာ သို့မဟုတ် ရုပ်ပုံများ၏ဒေသများကို ဖော်ထုတ်ရန် ကွန်ရက်၏နောက်ဆုံးအပိုင်းကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ခြင်းလုပ်ငန်းစဉ်ကို ခွဲခြမ်းစိတ်ဖြာသည်။
စံမော်ဒယ်- အလားတူတာဝန်များကို လုပ်ဆောင်ရန် ကြိုတင်လေ့ကျင့်ထားသော ရှိပြီးသား AI မော်ဒယ်။
စမ်းသပ်ခြင်း (ဉာဏ်ရည်တုနှင့်ဆက်စပ်၍)- မော်ဒယ်တစ်ခုသည် ယခင်က မကြုံတွေ့ဖူးသောဒေတာကို အသုံးပြု၍ လုပ်ငန်းတစ်ခုကို မည်သို့လုပ်ဆောင်သည်ကို လေ့လာခြင်း။
လေ့ကျင့်ပေးခြင်း (ဉာဏ်ရည်တုနှင့်ဆက်စပ်၍)- မော်ဒယ်သည် အချက်အလက်အသစ်များကို အသုံးပြု၍ လုပ်ငန်းဆောင်တာများ လုပ်ဆောင်နိုင်စွမ်းကို အကောင်းဆုံးဖြစ်အောင် ၎င်း၏အတွင်းပိုင်း ကန့်သတ်ချက်များကို ချိန်ညှိနိုင်စေရန်အတွက် အချက်အလက်နှင့် ရလဒ်များပါရှိသော မော်ဒယ်တစ်ခုကို ပံ့ပိုးပေးခြင်း။
Vector: ဒေတာများ၏ array။ machine learning တွင်၊ array element တစ်ခုချင်းစီသည် sample ၏ ထူးခြားသော feature တစ်ခုဖြစ်သည်။
ဇယား ၁ တွင် ၂၀၂၁ ခုနှစ် ဧပြီလအတွက် နောက်ဆုံးထွက် သင်တန်းများကို ဖော်ပြထားပြီး အကြောင်းအရာတစ်ခုစီအတွက် ပစ်မှတ်ထားသော သင်ယူမှုရည်မှန်းချက်များ ပါဝင်သည်။ ဤအလုပ်ရုံဆွေးနွေးပွဲသည် နည်းပညာအဆင့်သို့ အသစ်ဝင်ရောက်လာသူများအတွက် ရည်ရွယ်ပြီး ဘွဲ့ကြိုဆေးပညာဘွဲ့၏ ပထမနှစ်ထက်ကျော်လွန်၍ သင်္ချာဗဟုသုတ မလိုအပ်ပါ။ သင်တန်းကို ဆေးကျောင်းသား ၆ ဦးနှင့် အင်ဂျင်နီယာဘာသာရပ်တွင် အဆင့်မြင့်ဘွဲ့ရရှိထားသော ဆရာ ၃ ဦးမှ တီထွင်ခဲ့သည်။ အင်ဂျင်နီယာများသည် သင်ကြားရန်အတွက် ဉာဏ်ရည်တုသီအိုရီကို တီထွင်နေကြပြီး ဆေးကျောင်းသားများသည် ဆေးခန်းနှင့်သက်ဆိုင်သော အကြောင်းအရာများကို သင်ယူနေကြသည်။
အလုပ်ရုံဆွေးနွေးပွဲများတွင် ဟောပြောပွဲများ၊ ဖြစ်ရပ်လေ့လာမှုများနှင့် လမ်းညွှန်ပရိုဂရမ်းမင်းများ ပါဝင်သည်။ ပထမဆုံးဟောပြောပွဲတွင်၊ ဒေတာမြင်ယောင်ခြင်း၊ လော့ဂျစ်ဆုတ်ယုတ်ခြင်းနှင့် ဖော်ပြချက်နှင့် ඇතරණය စာရင်းအင်းများ နှိုင်းယှဉ်ခြင်းအပါအဝင် ဇီဝစာရင်းအင်းဆိုင်ရာ အချက်အလက်ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ ရွေးချယ်ထားသော အယူအဆများကို ကျွန်ုပ်တို့ ပြန်လည်သုံးသပ်ပါသည်။ အချက်အလက်ခွဲခြမ်းစိတ်ဖြာမှုသည် အတုအယောင်ဉာဏ်ရည်၏ အခြေခံအုတ်မြစ်ဖြစ်သော်လည်း၊ အချက်အလက်တူးဖော်ခြင်း၊ အရေးပါမှုစမ်းသပ်ခြင်း သို့မဟုတ် အပြန်အလှန်မြင်ယောင်ခြင်းကဲ့သို့သော အကြောင်းအရာများကို ကျွန်ုပ်တို့ ချန်လှပ်ထားပါသည်။ ၎င်းသည် အချိန်ကန့်သတ်ချက်များကြောင့်နှင့် ဘွဲ့ကြိုကျောင်းသားအချို့သည် ဇီဝစာရင်းအင်းဆိုင်ရာ ကြိုတင်လေ့ကျင့်မှုရရှိထားပြီး ပိုမိုထူးခြားသော စက်သင်ယူမှုခေါင်းစဉ်များကို လွှမ်းခြုံလိုကြသောကြောင့်လည်း ဖြစ်သည်။ နောက်ဆက်တွဲဟောပြောပွဲတွင် ခေတ်မီနည်းလမ်းများကို မိတ်ဆက်ပေးပြီး AI ပြဿနာဖော်ထုတ်ခြင်း၊ AI မော်ဒယ်များ၏ အားသာချက်များနှင့် ကန့်သတ်ချက်များနှင့် မော်ဒယ်စမ်းသပ်မှုများကို ဆွေးနွေးထားသည်။ ဟောပြောပွဲများကို ရှိပြီးသား အတုအယောင်ဉာဏ်ရည်ကိရိယာများအပေါ် စာပေများနှင့် လက်တွေ့သုတေသနများဖြင့် ဖြည့်စွက်ထားသည်။ ရှိပြီးသား အတုအယောင်ဉာဏ်ရည်ကိရိယာများ၏ ကန့်သတ်ချက်များကို နားလည်ခြင်းအပါအဝင် ဆေးခန်းဆိုင်ရာမေးခွန်းများကို ဖြေရှင်းရန် မော်ဒယ်တစ်ခု၏ ထိရောက်မှုနှင့် ဖြစ်နိုင်ခြေကို အကဲဖြတ်ရန် လိုအပ်သော ကျွမ်းကျင်မှုများကို ကျွန်ုပ်တို့ အလေးပေးပါသည်။ ဥပမာအားဖြင့်၊ ဆရာဝန်၏ စစ်ဆေးမှုအပေါ် အခြေခံ၍ CT scan သည် အသုံးဝင်မည်လားဆိုသည်ကို ဆုံးဖြတ်ရန် အတုအယောင်ဉာဏ်ရည်ဆုံးဖြတ်ချက်သစ်ပင် အယ်လဂိုရီသမ်ကို အကောင်အထည်ဖော်သည့် Kupperman et al., 5 မှ အဆိုပြုထားသော ကလေးဦးခေါင်းဒဏ်ရာလမ်းညွှန်ချက်များကို အဓိပ္ပာယ်ဖွင့်ဆိုရန် ကျောင်းသားများကို ကျွန်ုပ်တို့ တောင်းဆိုခဲ့ပါသည်။ ၎င်းသည် ဆရာဝန်များကို အစားထိုးမည့်အစား ဆရာဝန်များ အဓိပ္ပာယ်ဖွင့်ဆိုရန် AI မှ ခန့်မှန်းချက်ခွဲခြမ်းစိတ်ဖြာမှုများကို ပေးဆောင်သည့် အဖြစ်များသော ဥပမာတစ်ခုဖြစ်ကြောင်း ကျွန်ုပ်တို့ အလေးပေးပြောကြားပါသည်။
ရရှိနိုင်သော open source bootstrap programming ဥပမာများ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) တွင်၊ exploratory data analysis၊ dimensionality reduction၊ standard model loading နှင့် training နှင့် testing တို့ကို မည်သို့လုပ်ဆောင်ရမည်ကို ကျွန်ုပ်တို့ သရုပ်ပြပါသည်။ ကျွန်ုပ်တို့သည် Python code ကို web browser မှ execute လုပ်ခွင့်ပြုသည့် Google Colaboratory notebooks (Google LLC, Mountain View, CA) ကို အသုံးပြုပါသည်။ ပုံ ၂ တွင် programming execution ဥပမာတစ်ခုကို ပေးထားသည်။ ဤလေ့ကျင့်ခန်းတွင် Wisconsin Open Breast Imaging Dataset6 နှင့် decision tree algorithm ကို အသုံးပြု၍ malignancy များကို ခန့်မှန်းခြင်း ပါဝင်သည်။
ဆက်စပ်အကြောင်းအရာများနှင့်ပတ်သက်သည့် အစီအစဉ်များကို တစ်ပတ်လုံး တင်ပြပြီး ထုတ်ဝေထားသော AI အပလီကေးရှင်းများမှ ဥပမာများကို ရွေးချယ်ပါ။ ပရိုဂရမ်းမင်း အစိတ်အပိုင်းများသည် အနာဂတ် ဆေးခန်းစမ်းသပ်မှုများတွင် အသုံးပြုရန် အဆင်သင့်ဖြစ်မဖြစ် ဆုံးဖြတ်ရန် မော်ဒယ်များကို မည်သို့ အကဲဖြတ်ရမည်ကဲ့သို့သော ဆေးခန်းလက်တွေ့လုပ်ဆောင်မှုများအတွက် ထိုးထွင်းသိမြင်မှု ပေးစွမ်းရာတွင် သက်ဆိုင်သည်ဟု ယူဆပါကသာ ထည့်သွင်းပါသည်။ ဤဥပမာများသည် ဆေးဘက်ဆိုင်ရာပုံရိပ် ကန့်သတ်ချက်များအပေါ် အခြေခံ၍ အကျိတ်များကို အန္တရာယ်မရှိသော သို့မဟုတ် အန္တရာယ်ရှိသောအဖြစ် အမျိုးအစားခွဲခြားသည့် အပြည့်အဝ အဆုံးမှအဆုံးအထိ အပလီကေးရှင်းတစ်ခုတွင် အဆုံးသတ်ပါသည်။
ယခင်ဗဟုသုတ၏ မတူကွဲပြားမှု။ ကျွန်ုပ်တို့၏ ပါဝင်သူများသည် ၎င်းတို့၏ သင်္ချာဗဟုသုတအဆင့်တွင် မတူညီကြပါ။ ဥပမာအားဖြင့်၊ အဆင့်မြင့်အင်ဂျင်နီယာနောက်ခံရှိသော ကျောင်းသားများသည် ၎င်းတို့၏ကိုယ်ပိုင် Fourier transforms များကို မည်သို့လုပ်ဆောင်ရမည်ကဲ့သို့သော ပိုမိုနက်ရှိုင်းသော အကြောင်းအရာများကို ရှာဖွေနေကြသည်။ သို့သော်၊ Fourier algorithm ကို အတန်းထဲတွင် ဆွေးနွေးခြင်းသည် မဖြစ်နိုင်ပါ၊ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် signal processing အကြောင်း နက်နဲသောဗဟုသုတ လိုအပ်သောကြောင့်ဖြစ်သည်။
တက်ရောက်မှု ကျဆင်းခြင်း။ အထူးသဖြင့် အွန်လိုင်းပုံစံများတွင် နောက်ဆက်တွဲအစည်းအဝေးများတွင် တက်ရောက်သူ ကျဆင်းသွားခဲ့သည်။ ဖြေရှင်းချက်တစ်ခုမှာ တက်ရောက်မှုကို ခြေရာခံပြီး ပြီးဆုံးကြောင်း အသိအမှတ်ပြုလက်မှတ် ပေးအပ်ရန် ဖြစ်နိုင်သည်။ ဆေးကျောင်းများသည် ကျောင်းသားများ၏ သင်ရိုးပြင်ပ ပညာရေးလှုပ်ရှားမှုများ၏ မှတ်တမ်းများကို အသိအမှတ်ပြုကြောင်း လူသိများပြီး ၎င်းသည် ကျောင်းသားများကို ဘွဲ့တစ်ခု ရယူရန် အားပေးနိုင်သည်။
သင်တန်းဒီဇိုင်း- AI သည် နယ်ပယ်ခွဲများစွာကို လွှမ်းခြုံထားသောကြောင့် သင့်လျော်သော အနက်နှင့် အကျယ်အဝန်းရှိသော အဓိကသဘောတရားများကို ရွေးချယ်ခြင်းသည် စိန်ခေါ်မှုတစ်ရပ် ဖြစ်နိုင်သည်။ ဥပမာအားဖြင့်၊ ဓာတ်ခွဲခန်းမှ ဆေးခန်းအထိ AI ကိရိယာများကို စဉ်ဆက်မပြတ်အသုံးပြုခြင်းသည် အရေးကြီးသော အကြောင်းအရာတစ်ခုဖြစ်သည်။ ကျွန်ုပ်တို့သည် ဒေတာကြိုတင်လုပ်ဆောင်ခြင်း၊ မော်ဒယ်တည်ဆောက်ခြင်းနှင့် အတည်ပြုခြင်းတို့ကို လွှမ်းခြုံထားသော်လည်း၊ ကျွန်ုပ်တို့သည် ကြီးမားသောဒေတာခွဲခြမ်းစိတ်ဖြာမှု၊ အပြန်အလှန်မြင်ယောင်မှု သို့မဟုတ် AI လက်တွေ့စမ်းသပ်မှုများ ပြုလုပ်ခြင်းကဲ့သို့သော အကြောင်းအရာများကို မထည့်သွင်းဘဲ၊ အထူးခြားဆုံး AI သဘောတရားများကို အာရုံစိုက်ပါသည်။ ကျွန်ုပ်တို့၏ လမ်းညွှန်မူမှာ ကျွမ်းကျင်မှုမဟုတ်ဘဲ စာတတ်မြောက်မှုကို တိုးတက်စေရန်ဖြစ်သည်။ ဥပမာအားဖြင့်၊ မော်ဒယ်တစ်ခုသည် အဝင်အင်္ဂါရပ်များကို မည်သို့စီမံဆောင်ရွက်သည်ကို နားလည်ခြင်းသည် အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်မှုအတွက် အရေးကြီးပါသည်။ ၎င်းကိုလုပ်ဆောင်ရန် နည်းလမ်းတစ်ခုမှာ ဒေတာ၏ မည်သည့်ဒေသများကို ခန့်မှန်းနိုင်သည်ကို မြင်ယောင်နိုင်သည့် gradient activation maps များကို အသုံးပြုရန်ဖြစ်သည်။ သို့သော်၊ ၎င်းသည် multivariate calculus လိုအပ်ပြီး မိတ်ဆက်၍မရပါ။ သင်္ချာဆိုင်ရာ တရားဝင်မှုမရှိဘဲ ဒေတာကို vectors အဖြစ် မည်သို့အလုပ်လုပ်ရမည်ကို ရှင်းပြရန် ကြိုးစားနေသောကြောင့် ဘုံဝေါဟာရတစ်ခု တီထွင်ခြင်းသည် စိန်ခေါ်မှုတစ်ရပ် ဖြစ်ခဲ့ပါသည်။ မတူညီသော ဝေါဟာရများသည် အဓိပ္ပာယ်တူညီကြောင်း သတိပြုပါ၊ ဥပမာအားဖြင့်၊ epidemiology တွင် “characteristic” ကို “variable” သို့မဟုတ် “attribute” အဖြစ် ဖော်ပြထားသည်။
ဗဟုသုတထိန်းသိမ်းခြင်း။ AI ၏အသုံးချမှုသည် အကန့်အသတ်ရှိသောကြောင့် ပါဝင်သူများ ဗဟုသုတကို မည်မျှထိန်းသိမ်းထားနိုင်သည်ကို စောင့်ကြည့်ရဦးမည်ဖြစ်သည်။ ဆေးကျောင်းသင်ရိုးညွှန်းတမ်းများသည် လက်တွေ့လည်ပတ်မှုများအတွင်း ဗဟုသုတကို အားဖြည့်ရန်အတွက် နေရာခြား၍ ထပ်ခါတလဲလဲလုပ်ဆောင်ခြင်းအပေါ် မကြာခဏ အားကိုးလေ့ရှိပြီး ၎င်းကို AI ပညာရေးတွင်လည်း အသုံးချနိုင်သည်။
ပရော်ဖက်ရှင်နယ်ဆန်မှုက စာတတ်မြောက်မှုထက် ပိုအရေးကြီးပါတယ်။ သင်ရိုးညွှန်းတမ်းရဲ့ အတိမ်အနက်ကို သင်္ချာဆိုင်ရာ တင်းကျပ်မှုမရှိဘဲ ဒီဇိုင်းထုတ်ထားပြီး၊ ၎င်းသည် ဉာဏ်ရည်တုဆိုင်ရာ ဆေးခန်းသင်တန်းများ စတင်ရာတွင် ပြဿနာတစ်ခုဖြစ်သည်။ ပရိုဂရမ်းမင်း ဥပမာများတွင်၊ ကျွန်ုပ်တို့သည် ပါဝင်သူများအား ပရိုဂရမ်းမင်းပတ်ဝန်းကျင်အပြည့်အစုံကို မည်သို့တည်ဆောက်ရမည်ကို စဉ်းစားစရာမလိုဘဲ ဆော့ဖ်ဝဲလ်ကို လည်ပတ်နိုင်စေမည့် template program တစ်ခုကို အသုံးပြုပါသည်။
ဉာဏ်ရည်တုနှင့်ပတ်သက်သည့် စိုးရိမ်မှုများကို ဖြေရှင်းခြင်း- ဉာဏ်ရည်တုသည် ဆေးခန်းတာဝန်အချို့ကို အစားထိုးနိုင်မည်ဟူသော စိုးရိမ်မှု ကျယ်ကျယ်ပြန့်ပြန့် ရှိနေသည်။ ဤပြဿနာကို ဖြေရှင်းရန်အတွက်၊ စည်းမျဉ်းထိန်းသိမ်းရေးအဖွဲ့များမှ အတည်ပြုထားသော AI နည်းပညာအားလုံးနီးပါးသည် ဆရာဝန်၏ ကြီးကြပ်မှု လိုအပ်သည်အပါအဝင် AI ၏ ကန့်သတ်ချက်များကို ကျွန်ုပ်တို့ ရှင်းပြပါသည်၁၁။ အယ်လဂိုရီသမ်များသည် ဘက်လိုက်မှုဖြစ်နိုင်ခြေရှိသောကြောင့်၊ အထူးသဖြင့် ဒေတာအစုံသည် မတူညီပါက၁၂။ ထို့ကြောင့်၊ အချို့သော မျိုးစုငယ်တစ်ခုကို မှားယွင်းစွာ ပုံစံထုတ်နိုင်ပြီး မတရားသော ဆေးခန်းဆုံးဖြတ်ချက်များဆီသို့ ဦးတည်စေနိုင်သည်။
အရင်းအမြစ်များကို အများပြည်သူရရှိနိုင်ပါသည်- ကျွန်ုပ်တို့သည် ဟောပြောပွဲဆလိုက်များနှင့် ကုဒ်များအပါအဝင် အများပြည်သူရရှိနိုင်သော အရင်းအမြစ်များကို ဖန်တီးထားပါသည်။ အချိန်ဇုန်များကြောင့် တစ်ပြိုင်နက်တည်းပါဝင်သော အကြောင်းအရာများကို ဝင်ရောက်ကြည့်ရှုခွင့် အကန့်အသတ်ရှိသော်လည်း AI ကျွမ်းကျင်မှုကို ဆေးကျောင်းအားလုံးတွင် မရရှိနိုင်သောကြောင့် open source အကြောင်းအရာသည် တစ်ပြိုင်နက်တည်းမသင်ယူမှုအတွက် အဆင်ပြေသောနည်းလမ်းတစ်ခုဖြစ်သည်။
ဘာသာရပ်ပေါင်းစုံ ပူးပေါင်းဆောင်ရွက်မှု- ဤအလုပ်ရုံဆွေးနွေးပွဲသည် ဆေးကျောင်းသားများမှ အင်ဂျင်နီယာများနှင့်အတူ သင်တန်းများကို စီစဉ်ရန် စတင်ခဲ့သော ပူးတွဲလုပ်ငန်းတစ်ခုဖြစ်သည်။ ၎င်းသည် ပူးပေါင်းဆောင်ရွက်မှု အခွင့်အလမ်းများနှင့် နယ်ပယ်နှစ်ခုလုံးရှိ ဗဟုသုတကွာဟချက်များကို ပြသနေပြီး ပါဝင်သူများအား အနာဂတ်တွင် ၎င်းတို့ ပါဝင်နိုင်သည့် အလားအလာရှိသော အခန်းကဏ္ဍကို နားလည်နိုင်စေပါသည်။
AI အဓိက အရည်အချင်းများကို အဓိပ္ပာယ်ဖွင့်ဆိုပါ။ အရည်အချင်းများစာရင်းကို သတ်မှတ်ခြင်းသည် ရှိပြီးသား အရည်အချင်းအခြေပြု ဆေးဘက်ဆိုင်ရာ သင်ရိုးညွှန်းတမ်းများတွင် ပေါင်းစပ်နိုင်သော စံသတ်မှတ်ထားသော ဖွဲ့စည်းပုံကို ပေးစွမ်းသည်။ ဤအလုပ်ရုံဆွေးနွေးပွဲသည် လက်ရှိတွင် Bloom's Taxonomy ၏ သင်ယူမှုရည်မှန်းချက်အဆင့် ၂ (နားလည်မှု)၊ ၃ (အသုံးချမှု) နှင့် ၄ (ခွဲခြမ်းစိတ်ဖြာမှု) တို့ကို အသုံးပြုသည်။ ပရောဂျက်များ ဖန်တီးခြင်းကဲ့သို့သော အဆင့်မြင့်ခွဲခြားမှုအဆင့်များတွင် အရင်းအမြစ်များရှိခြင်းသည် အသိပညာကို ပိုမိုအားကောင်းစေနိုင်သည်။ ၎င်းတွင် AI ခေါင်းစဉ်များကို ဆေးခန်းလုပ်ငန်းစဉ်များတွင် မည်သို့အသုံးချနိုင်သည်ကို ဆုံးဖြတ်ရန်နှင့် စံဆေးဘက်ဆိုင်ရာ သင်ရိုးညွှန်းတမ်းတွင် ပါဝင်ပြီးဖြစ်သော ထပ်ခါတလဲလဲ ခေါင်းစဉ်များကို သင်ကြားခြင်းကို တားဆီးရန် ဆေးခန်းကျွမ်းကျင်သူများနှင့် လက်တွဲလုပ်ဆောင်ရန် လိုအပ်သည်။
AI ကို အသုံးပြု၍ ဖြစ်ရပ်လေ့လာမှုများ ဖန်တီးပါ။ ဆေးခန်းဆိုင်ရာ ဥပမာများနှင့် ဆင်တူသည်မှာ၊ ဖြစ်ရပ်အခြေပြု သင်ယူမှုသည် ၎င်းတို့၏ ဆေးခန်းဆိုင်ရာ မေးခွန်းများနှင့် သက်ဆိုင်မှုကို မီးမောင်းထိုးပြခြင်းဖြင့် መጀመሪያትဆိုင်ရာ အယူအဆများကို အားဖြည့်ပေးနိုင်သည်။ ဥပမာအားဖြင့်၊ အလုပ်ရုံဆွေးနွေးပွဲ လေ့လာမှုတစ်ခုသည် Google ၏ AI-based diabetic retinopathy detection system 13 ကို ခွဲခြမ်းစိတ်ဖြာခဲ့ပြီး ဓာတ်ခွဲခန်းမှ ဆေးခန်းသို့ လမ်းကြောင်းတစ်လျှောက်ရှိ စိန်ခေါ်မှုများ၊ ဥပမာ ပြင်ပ အတည်ပြုချက် လိုအပ်ချက်များနှင့် စည်းမျဉ်းစည်းကမ်းဆိုင်ရာ အတည်ပြုချက် လမ်းကြောင်းများကို ဖော်ထုတ်ခဲ့သည်။
အတွေ့အကြုံအခြေပြု သင်ယူမှုကို အသုံးပြုပါ- နည်းပညာကျွမ်းကျင်မှုများသည် ဆေးခန်းသင်တန်းသားများ၏ အလှည့်ကျ သင်ယူမှုအတွေ့အကြုံများကဲ့သို့ပင် အာရုံစူးစိုက်ထားသော လေ့ကျင့်မှုနှင့် ကျွမ်းကျင်ရန် ထပ်ခါတလဲလဲ အသုံးချမှု လိုအပ်ပါသည်။ အလားအလာရှိသော ဖြေရှင်းချက်တစ်ခုမှာ အင်ဂျင်နီယာပညာရေးတွင် ဗဟုသုတထိန်းသိမ်းမှုကို မြှင့်တင်ပေးသည်ဟု သတင်းပို့ထားသည့် flipped classroom မော်ဒယ်ဖြစ်သည်။ ဤမော်ဒယ်တွင် ကျောင်းသားများသည် သီအိုရီဆိုင်ရာ အကြောင်းအရာများကို လွတ်လပ်စွာ ပြန်လည်သုံးသပ်ပြီး အတန်းချိန်ကို ဖြစ်ရပ်လေ့လာမှုများမှတစ်ဆင့် ပြဿနာများကို ဖြေရှင်းရန် ရည်ရွယ်ပါသည်။
ဘာသာရပ်ပေါင်းစုံပါဝင်သူများအတွက် တိုးချဲ့ခြင်း- ကျွန်ုပ်တို့သည် ဆရာဝန်များနှင့် လေ့ကျင့်မှုအဆင့်အမျိုးမျိုးရှိသော မဟာမိတ်ကျန်းမာရေးပညာရှင်များ အပါအဝင် ဘာသာရပ်ပေါင်းစုံတွင် ပူးပေါင်းဆောင်ရွက်မှုပါဝင်သည့် AI လက်ခံမှုကို မြင်ယောင်ပါသည်။ ထို့ကြောင့် ကျန်းမာရေးစောင့်ရှောက်မှု၏ နယ်ပယ်အသီးသီးအတွက် ၎င်းတို့၏အကြောင်းအရာများကို လိုက်လျောညီထွေဖြစ်စေရန် သင်ရိုးညွှန်းတမ်းများကို မတူညီသောဌာနများမှ ဆရာ၊ ဆရာမများနှင့် တိုင်ပင်ဆွေးနွေး၍ ရေးဆွဲရန် လိုအပ်နိုင်ပါသည်။
ဉာဏ်ရည်တုသည် အဆင့်မြင့်နည်းပညာဖြစ်ပြီး ၎င်း၏အဓိကသဘောတရားများသည် သင်္ချာနှင့် ကွန်ပျူတာသိပ္ပံနှင့် ဆက်စပ်နေသည်။ ကျန်းမာရေးစောင့်ရှောက်မှုဝန်ထမ်းများအား ဉာဏ်ရည်တုကို နားလည်စေရန် လေ့ကျင့်ပေးခြင်းသည် အကြောင်းအရာရွေးချယ်မှု၊ ဆေးခန်းဆိုင်ရာသက်ဆိုင်မှုနှင့် ပေးပို့မှုနည်းလမ်းများတွင် ထူးခြားသောစိန်ခေါ်မှုများကို ဖြစ်ပေါ်စေပါသည်။ ပညာရေးတွင် AI အလုပ်ရုံဆွေးနွေးပွဲများမှ ရရှိသော အတွေးအမြင်များသည် အနာဂတ်ပညာရေးပညာရှင်များအား AI ကို ဆေးပညာပညာရေးတွင် ပေါင်းစပ်ရန် ဆန်းသစ်သောနည်းလမ်းများကို လက်ခံကျင့်သုံးရန် ကူညီပေးလိမ့်မည်ဟု ကျွန်ုပ်တို့ မျှော်လင့်ပါသည်။
Google Colaboratory Python script သည် open source ဖြစ်ပြီး https://github.com/ubcaimed/ubcaimed.github.io/tree/master/ တွင် ရရှိနိုင်ပါသည်။
Prober၊ KG နှင့် Khan၊ S။ ဆေးပညာပညာရေးကို ပြန်လည်စဉ်းစားခြင်း- လုပ်ဆောင်ရန် တိုက်တွန်းချက်။ Akkad။ ဆေးပညာ။ ၈၈၊ ၁၄၀၇–၁၄၁၀ (၂၀၁၃)။
McCoy၊ LG စသည်ဖြင့်။ ဆေးကျောင်းသားများသည် ဉာဏ်ရည်တုအကြောင်း အမှန်တကယ်သိထားရန် လိုအပ်သည်မှာ အဘယ်နည်း။ NPZh နံပါတ်များ။ ဆေးပညာ ၃၊ ၁–၃ (၂၀၂၀)။
Dos Santos၊ DP၊ et al. ဆေးကျောင်းသားများ၏ ဉာဏ်ရည်တုအပေါ် သဘောထားများ- ဗဟိုဌာနပေါင်းစုံ စစ်တမ်း။ EURO။ ရောင်ခြည်။ ၂၉၊ ၁၆၄၀–၁၆၄၆ (၂၀၁၉)။
Fan, KY, Hu, R., နှင့် Singla, R.။ ဆေးကျောင်းသားများအတွက် စက်သင်ယူမှုနိဒါန်း- စမ်းသပ်စီမံကိန်း။ J. Med. teach. 54, 1042–1043 (2020)။
Cooperman N နှင့် အခြားသူများ။ ဦးခေါင်းဒဏ်ရာရပြီးနောက် ဆေးခန်းတွင် သိသာထင်ရှားသော ဦးနှောက်ဒဏ်ရာရရှိမှု အန္တရာယ်အလွန်နည်းသော ကလေးများကို ဖော်ထုတ်ခြင်း- အလားအလာရှိသော cohort လေ့လာမှုတစ်ခု။ Lancet 374၊ 1160–1170 (2009)။
Street, WN, Wolberg, WH နှင့် Mangasarian, OL။ ရင်သားအကျိတ်ရောဂါရှာဖွေရန်အတွက် နျူကလီးယားအင်္ဂါရပ်ထုတ်ယူခြင်း။ ဇီဝဆေးပညာသိပ္ပံ။ ပုံရိပ်လုပ်ဆောင်ခြင်း။ ဇီဝဆေးပညာသိပ္ပံ။ Weiss။ ၁၉၀၅၊ ၈၆၁–၈၇၀ (၁၉၉၃)။
Chen, PHC, Liu, Y. နှင့် Peng, L. ကျန်းမာရေးစောင့်ရှောက်မှုအတွက် စက်သင်ယူမှုပုံစံများ မည်သို့တီထွင်ရမည်နည်း။ Nat. Matt. 18, 410–414 (2019)။
Selvaraju၊ RR နှင့်အဖွဲ့။ Grad-cam: gradient-based localization မှတစ်ဆင့် deep network များ၏ visual interpretation။ IEEE International Conference on Computer Vision ၏ Proceedings၊ 618–626 (2017)။
Kumaravel B၊ Stewart K နှင့် Ilic D။ ဘွဲ့ကြိုဆေးပညာပညာရေးတွင် OSCE ကို အသုံးပြု၍ အထောက်အထားအခြေပြု ဆေးပညာအရည်အချင်းများကို အကဲဖြတ်ရန်အတွက် ခရုပတ်ပုံစံ ဖွံ့ဖြိုးတိုးတက်ရေးနှင့် အကဲဖြတ်ခြင်း။ BMK Medicine။ သင်ကြား။ ၂၁၊ ၁–၉ (၂၀၂၁)။
Kolachalama VB နှင့် Garg PS စက်သင်ယူမှုနှင့် ဆေးဘက်ဆိုင်ရာပညာရေး။ NPZh နံပါတ်များ။ ဆေးပညာ။ 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။ EURO ဓာတ်ရောင်ခြည်။ ၃၁၊ ၃၇၉၇–၃၈၀၄ (၂၀၂၁)။
Topol၊ EJ မြင့်မားသောစွမ်းဆောင်ရည်ဆေးပညာ- လူသားနှင့် အတုအယောင်ဉာဏ်ရည်တို့ ပေါင်းစည်းခြင်း။ Nat. medicine။ ၂၅၊ ၄၄–၅၆ (၂၀၁၉)။
Bede၊ E. et al. ဆီးချိုရောဂါကြောင့်ဖြစ်သော မျက်စိကွယ်ခြင်းကို ရှာဖွေဖော်ထုတ်ရန်အတွက် ဆေးခန်းတွင် ဖြန့်ကျက်ထားသော deep learning စနစ်၏ လူသားဗဟိုပြု အကဲဖြတ်ခြင်း။ ၂၀၂၀ CHI ကွန်ပျူတာစနစ်များတွင် လူသားအချက်များဆိုင်ရာ ညီလာခံ၏ မှတ်တမ်းများ (၂၀၂၀)။
Kerr၊ B. အင်ဂျင်နီယာပညာရေးတွင် ပြောင်းပြန်လှန်သင်ကြားသည့် စာသင်ခန်း- သုတေသနပြန်လည်သုံးသပ်ချက်။ ၂၀၁၅ ခုနှစ် အပြန်အလှန်ပူးပေါင်းသင်ယူမှုဆိုင်ရာ နိုင်ငံတကာညီလာခံ၏ မှတ်တမ်းများ (၂၀၁၅)။
စာရေးသူများသည် British Columbia တက္ကသိုလ်ရှိ Biomedical Imaging and Artificial Intelligence Research Cluster မှ Danielle Walker၊ Tim Salcudin နှင့် Peter Zandstra တို့အား ပံ့ပိုးမှုနှင့် ရန်ပုံငွေအတွက် ကျေးဇူးတင်ရှိပါသည်။
RH၊ PP၊ ZH၊ RS နှင့် MA တို့သည် အလုပ်ရုံဆွေးနွေးပွဲ သင်ကြားရေး အကြောင်းအရာများကို တီထွင်ရန် တာဝန်ရှိသည်။ RH နှင့် PP တို့သည် ပရိုဂရမ်းမင်း ဥပမာများ တီထွင်ရန် တာဝန်ရှိသည်။ KYF၊ OY၊ MT နှင့် PW တို့သည် ပရောဂျက်၏ ထောက်ပံ့ပို့ဆောင်ရေး စီစဉ်မှုနှင့် အလုပ်ရုံဆွေးနွေးပွဲများကို ခွဲခြမ်းစိတ်ဖြာရန် တာဝန်ရှိသည်။ RH၊ OY၊ MT၊ RS တို့သည် ပုံများနှင့် ဇယားများ ဖန်တီးရန် တာဝန်ရှိသည်။ RH၊ KYF၊ PP၊ ZH၊ OY၊ MY၊ PW၊ TL၊ MA၊ RS တို့သည် စာရွက်စာတမ်း ရေးဆွဲခြင်းနှင့် တည်းဖြတ်ခြင်းအတွက် တာဝန်ရှိသည်။
Communication Medicine မှ ဤလုပ်ငန်းကို ပြန်လည်သုံးသပ်ရာတွင် ၎င်းတို့၏ ပံ့ပိုးကူညီမှုများအတွက် Carolyn McGregor၊ Fabio Moraes နှင့် Aditya Borakati တို့အား ကျေးဇူးတင်ရှိပါသည်။