ທັດສະນະຂອງການາດາກ່ຽວກັບການສອນປັນຍາປະດິດໃຫ້ແກ່ນັກສຶກສາທາງການແພດ

ຂໍ​ຂອບ​ໃຈ​ທ່ານ​ສໍາ​ລັບ​ການ​ຢ້ຽມ​ຢາມ Nature.com​.ເວີຊັນຂອງຕົວທ່ອງເວັບທີ່ທ່ານກໍາລັງໃຊ້ມີການສະຫນັບສະຫນູນ CSS ຈໍາກັດ.ເພື່ອໃຫ້ໄດ້ຜົນດີທີ່ສຸດ, ພວກເຮົາແນະນຳໃຫ້ໃຊ້ໂປຣແກຣມທ່ອງເວັບຂອງທ່ານລຸ້ນໃໝ່ກວ່າ (ຫຼືປິດໂໝດເຂົ້າກັນໄດ້ໃນ Internet Explorer).ໃນເວລານີ້, ເພື່ອຮັບປະກັນການສະຫນັບສະຫນູນຢ່າງຕໍ່ເນື່ອງ, ພວກເຮົາກໍາລັງສະແດງເວັບໄຊທ໌ໂດຍບໍ່ມີຮູບແບບຫຼື JavaScript.
ຄໍາຮ້ອງສະຫມັກຂອງປັນຍາປະດິດທາງດ້ານການຊ່ວຍ (AI) ກໍາລັງເຕີບໂຕຢ່າງໄວວາ, ແຕ່ຫຼັກສູດຂອງໂຮງຮຽນການແພດທີ່ມີຢູ່ແລ້ວສະເຫນີການສອນຈໍາກັດກວມເອົາພື້ນທີ່ນີ້.ໃນທີ່ນີ້ພວກເຮົາອະທິບາຍຫຼັກສູດການຝຶກອົບຮົມປັນຍາປະດິດທີ່ພວກເຮົາໄດ້ພັດທະນາ ແລະສົ່ງໃຫ້ນັກສຶກສາແພດຂອງການາດາ ແລະໃຫ້ຄໍາແນະນໍາສໍາລັບການຝຶກອົບຮົມໃນອະນາຄົດ.
ປັນຍາທຽມ (AI) ໃນຢາປົວພະຍາດສາມາດປັບປຸງປະສິດທິພາບຂອງບ່ອນເຮັດວຽກແລະຊ່ວຍການຕັດສິນໃຈທາງດ້ານຄລີນິກ.ເພື່ອແນະນໍາການນໍາໃຊ້ປັນຍາປະດິດຢ່າງປອດໄພ, ແພດຕ້ອງມີຄວາມເຂົ້າໃຈບາງຢ່າງກ່ຽວກັບປັນຍາປະດິດ.ຄຳເຫັນຫຼາຍຢ່າງສະໜັບສະໜູນການສອນແນວຄວາມຄິດ AI1, ເຊັ່ນ: ການອະທິບາຍແບບຈຳລອງ AI ແລະຂະບວນການຢັ້ງຢືນ2.​ເຖິງ​ຢ່າງ​ໃດ​ກໍ​ຕາມ, ​ແຜນການ​ທີ່​ມີ​ໂຄງ​ສ້າງ​ບໍ່​ຫຼາຍ​ປານ​ໃດ​ໄດ້​ຮັບ​ການ​ປະຕິບັດ, ພິ​ເສດ​ແມ່ນ​ລະດັບ​ຊາດ.Pinto dos Santos et al.3.ນັກສຶກສາແພດ 263 ຄົນໄດ້ຖືກສໍາຫຼວດແລະ 71% ຕົກລົງເຫັນດີວ່າພວກເຂົາຕ້ອງການການຝຶກອົບຮົມທາງດ້ານປັນຍາປະດິດ.ການສອນປັນຍາປະດິດໃຫ້ແກ່ຜູ້ຊົມທາງການແພດຮຽກຮ້ອງໃຫ້ມີການອອກແບບຢ່າງລະມັດລະວັງທີ່ປະສົມປະສານແນວຄວາມຄິດດ້ານວິຊາການແລະບໍ່ແມ່ນດ້ານວິຊາການສໍາລັບນັກຮຽນທີ່ມັກຈະມີຄວາມຮູ້ເບື້ອງຕົ້ນຢ່າງກວ້າງຂວາງ.ພວກເຮົາອະທິບາຍປະສົບການຂອງພວກເຮົາທີ່ສະຫນອງຊຸດຂອງກອງປະຊຸມ AI ກັບສາມກຸ່ມຂອງນັກສຶກສາທາງການແພດແລະໃຫ້ຄໍາແນະນໍາສໍາລັບການສຶກສາທາງການແພດໃນອະນາຄົດໃນ AI.
ກອງປະຊຸມການແນະນຳກ່ຽວກັບປັນຍາທຽມໃນແພດສາດເປັນເວລາຫ້າອາທິດຂອງພວກເຮົາໄດ້ຈັດຂຶ້ນສາມເທື່ອລະຫວ່າງເດືອນກຸມພາ 2019 ຫາເດືອນເມສາ 2021. ຕາຕະລາງສໍາລັບແຕ່ລະກອງປະຊຸມ, ມີລາຍລະອຽດສັ້ນໆກ່ຽວກັບການປ່ຽນແປງຂອງຫຼັກສູດແມ່ນສະແດງຢູ່ໃນຮູບ 1. ຫຼັກສູດຂອງພວກເຮົາມີ ສາມຈຸດປະສົງການຮຽນຮູ້ຕົ້ນຕໍ: ນັກຮຽນເຂົ້າໃຈວິທີການປະມວນຜົນຂໍ້ມູນໃນຄໍາຮ້ອງສະຫມັກປັນຍາປະດິດ, ວິເຄາະວັນນະຄະດີປັນຍາປະດິດສໍາລັບການນໍາໃຊ້ທາງດ້ານການຊ່ວຍ, ແລະໃຊ້ໂອກາດໃນການຮ່ວມມືກັບວິສະວະກອນພັດທະນາປັນຍາປະດິດ.
ສີຟ້າແມ່ນຫົວຂໍ້ຂອງການບັນຍາຍ ແລະສີຟ້າອ່ອນແມ່ນຄໍາຖາມຕອບໂຕ້ຕອບຄໍາຖາມ.ພາກສ່ວນສີຂີ້ເຖົ່າແມ່ນຈຸດສຸມຂອງການທົບທວນວັນນະຄະດີສັ້ນໆ.ພາກສ່ວນສີສົ້ມແມ່ນການຄັດເລືອກກໍລະນີສຶກສາທີ່ອະທິບາຍແບບຈໍາລອງທາງປັນຍາປະດິດຫຼືເຕັກນິກ.ສີຂຽວແມ່ນຫຼັກສູດການຂຽນໂປລແກລມແນະນໍາທີ່ຖືກອອກແບບມາເພື່ອສອນປັນຍາປະດິດເພື່ອແກ້ໄຂບັນຫາທາງດ້ານການຊ່ວຍແລະການປະເມີນແບບຈໍາລອງ.ເນື້ອໃນແລະໄລຍະເວລາຂອງກອງປະຊຸມແຕກຕ່າງກັນໂດຍອີງໃສ່ການປະເມີນຄວາມຕ້ອງການຂອງນັກຮຽນ.
ກອງປະຊຸມຄັ້ງທໍາອິດໄດ້ຈັດຂຶ້ນທີ່ມະຫາວິທະຍາໄລ British Columbia ໃນລະຫວ່າງເດືອນກຸມພາຫາເດືອນເມສາ 2019, ແລະຜູ້ເຂົ້າຮ່ວມທັງຫມົດ 8 ຄົນໃຫ້ຄໍາຄິດເຫັນໃນທາງບວກ4.ເນື່ອງຈາກ COVID-19, ກອງປະຊຸມສໍາມະນາຄັ້ງທີ 2 ໄດ້ຈັດຂຶ້ນໃນເກືອບເດືອນ ຕຸລາ ຫາ ເດືອນພະຈິກ 2020, ໂດຍມີນັກສຶກສາແພດ 222 ຄົນ ແລະ ປະຊາຊົນ 3 ຄົນ ຈາກ 8 ໂຮງຮຽນການແພດຂອງການາດາ ໄດ້ລົງທະບຽນ.ສະໄລ້ ແລະ ລະຫັດການນຳສະເໜີໄດ້ຖືກອັບໂຫລດໄປໃສ່ເວັບໄຊທ໌ເປີດ (http://ubcaimed.github.io).ຄໍາຄຶດຄໍາເຫັນທີ່ສໍາຄັນຈາກການເຮັດຊ້ໍາຄັ້ງທໍາອິດແມ່ນວ່າການບັນຍາຍມີຄວາມເຂັ້ມຂົ້ນເກີນໄປແລະວັດສະດຸແມ່ນທິດສະດີເກີນໄປ.ການໃຫ້ບໍລິການຫົກເຂດເວລາທີ່ແຕກຕ່າງກັນຂອງການາດາເຮັດໃຫ້ເກີດສິ່ງທ້າທາຍເພີ່ມເຕີມ.ດັ່ງນັ້ນ, ກອງປະຊຸມຄັ້ງທີ 2 ຈຶ່ງເຮັດໃຫ້ແຕ່ລະພາກສັ້ນລົງເປັນ 1 ຊົ່ວໂມງ, ເຮັດໃຫ້ຫຼັກສູດການຮຽນການສອນງ່າຍຂຶ້ນ, ເພີ່ມກໍລະນີສຶກສາຫຼາຍຂຶ້ນ, ແລະສ້າງໂຄງການ boilerplate ທີ່ອະນຸຍາດໃຫ້ຜູ້ເຂົ້າຮ່ວມເຮັດບົດສະຫຼຸບລະຫັດດ້ວຍການແກ້ບັນຫາໜ້ອຍທີ່ສຸດ (ກ່ອງ 1).ຄໍາຄຶດຄໍາເຫັນທີ່ສໍາຄັນຈາກການເຮັດຊ້ໍາອີກຄັ້ງທີສອງປະກອບມີຄໍາຄິດເຫັນໃນທາງບວກກ່ຽວກັບບົດຝຶກຫັດການຂຽນໂປລແກລມແລະການຮ້ອງຂໍເພື່ອສະແດງໃຫ້ເຫັນການວາງແຜນສໍາລັບໂຄງການການຮຽນຮູ້ເຄື່ອງຈັກ.ດັ່ງນັ້ນ, ໃນກອງປະຊຸມຄັ້ງທີ 3 ຂອງພວກເຮົາ, ໄດ້ຈັດຂຶ້ນເກືອບສໍາລັບນັກສຶກສາແພດ 126 ຄົນໃນເດືອນມີນາ - ເມສາ 2021, ພວກເຮົາໄດ້ລວມເອົາບົດຝຶກຫັດການຂຽນລະຫັດແບບໂຕ້ຕອບຫຼາຍຂຶ້ນ ແລະກອງປະຊຸມຄວາມຄິດເຫັນຂອງໂຄງການເພື່ອສະແດງໃຫ້ເຫັນຜົນກະທົບຂອງການນໍາໃຊ້ແນວຄວາມຄິດກອງປະຊຸມກ່ຽວກັບໂຄງການ.
ການ​ວິ​ເຄາະ​ຂໍ້​ມູນ​: ເປັນ​ພາກ​ສະ​ຫນາມ​ຂອງ​ການ​ສຶກ​ສາ​ສະ​ຖິ​ຕິ​ທີ່​ກໍາ​ນົດ​ຮູບ​ແບບ​ຄວາມ​ຫມາຍ​ຂອງ​ຂໍ້​ມູນ​ໂດຍ​ການ​ວິ​ເຄາະ​, ການ​ປະ​ມວນ​ຜົນ​, ແລະ​ການ​ສື່​ສານ​ຮູບ​ແບບ​ຂໍ້​ມູນ​.
ການຂຸດຄົ້ນຂໍ້ມູນ: ຂະບວນການກໍານົດແລະສະກັດຂໍ້ມູນ.ໃນສະພາບການຂອງປັນຍາປະດິດ, ນີ້ມັກຈະມີຂະຫນາດໃຫຍ່, ມີຫຼາຍຕົວແປສໍາລັບແຕ່ລະຕົວຢ່າງ.
ການຫຼຸດຜ່ອນຄວາມມິຕິ: ຂະບວນການປ່ຽນຂໍ້ມູນທີ່ມີຄຸນສົມບັດສ່ວນບຸກຄົນຈໍານວນຫຼາຍເຂົ້າໄປໃນລັກສະນະຫນ້ອຍໃນຂະນະທີ່ຮັກສາຄຸນສົມບັດທີ່ສໍາຄັນຂອງຊຸດຂໍ້ມູນຕົ້ນສະບັບ.
ຄຸນລັກສະນະ (ໃນແງ່ຂອງປັນຍາປະດິດ): ຄຸນສົມບັດທີ່ສາມາດວັດແທກໄດ້ຂອງຕົວຢ່າງ.ມັກຈະໃຊ້ແລກປ່ຽນກັນກັບ "ຊັບສິນ" ຫຼື "ຕົວແປ".
Gradient Activation Map: ເທັກນິກທີ່ໃຊ້ເພື່ອຕີຄວາມໝາຍແບບຈຳລອງທາງປັນຍາປະດິດ (ໂດຍສະເພາະເຄືອຂ່າຍ neural convolutional), ເຊິ່ງວິເຄາະຂັ້ນຕອນການເພີ່ມປະສິດທິພາບສ່ວນສຸດທ້າຍຂອງເຄືອຂ່າຍເພື່ອລະບຸພື້ນທີ່ຂອງຂໍ້ມູນ ຫຼືຮູບພາບທີ່ມີການຄາດຄະເນສູງ.
ຮູບແບບມາດຕະຖານ: ຮູບແບບ AI ທີ່ມີຢູ່ແລ້ວທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ອນເພື່ອປະຕິບັດວຽກງານທີ່ຄ້າຍຄືກັນ.
ການທົດສອບ (ໃນແງ່ຂອງປັນຍາປະດິດ): ການສັງເກດວິທີການແບບຈໍາລອງປະຕິບັດວຽກງານໂດຍນໍາໃຊ້ຂໍ້ມູນທີ່ມັນບໍ່ເຄີຍພົບມາກ່ອນ.
ການຝຶກອົບຮົມ (ໃນແງ່ຂອງປັນຍາປະດິດ): ການສະຫນອງຕົວແບບທີ່ມີຂໍ້ມູນແລະຜົນໄດ້ຮັບເພື່ອໃຫ້ຕົວແບບປັບຕົວກໍານົດການພາຍໃນເພື່ອເພີ່ມປະສິດທິພາບຄວາມສາມາດໃນການປະຕິບັດວຽກງານໂດຍໃຊ້ຂໍ້ມູນໃຫມ່.
Vector: array ຂອງຂໍ້ມູນ.ໃນການຮຽນຮູ້ເຄື່ອງຈັກ, ແຕ່ລະອົງປະກອບ array ມັກຈະເປັນລັກສະນະທີ່ເປັນເອກະລັກຂອງຕົວຢ່າງ.
ຕາຕະລາງ 1 ລາຍຊື່ຫຼັກສູດຫຼ້າສຸດສໍາລັບເດືອນເມສາ 2021, ລວມທັງຈຸດປະສົງການຮຽນຮູ້ທີ່ກໍານົດໄວ້ສໍາລັບແຕ່ລະຫົວຂໍ້.ກອງປະຊຸມນີ້ແມ່ນມີຈຸດປະສົງສໍາລັບຜູ້ທີ່ໃຫມ່ໃນລະດັບດ້ານວິຊາການແລະບໍ່ຈໍາເປັນຕ້ອງມີຄວາມຮູ້ທາງຄະນິດສາດໃດໆນອກເຫນືອຈາກປີທໍາອິດຂອງລະດັບປະລິນຍາຕີທາງການແພດ.ຫຼັກສູດໄດ້ຖືກພັດທະນາໂດຍນັກສຶກສາແພດ 6 ຄົນແລະຄູສອນ 3 ຄົນທີ່ມີລະດັບຊັ້ນສູງໃນວິສະວະກໍາ.ວິສະວະກອນກໍາລັງພັດທະນາທິດສະດີປັນຍາປະດິດເພື່ອສອນ, ແລະນັກສຶກສາແພດກໍາລັງຮຽນຮູ້ອຸປະກອນການທາງດ້ານການຊ່ວຍ.
ກອງ​ປະ​ຊຸມ​ປະ​ກອບ​ມີ​ການ​ບັນ​ຍາຍ​, ກໍ​ລະ​ນີ​ສຶກ​ສາ​, ແລະ​ໂຄງ​ການ​ແນະ​ນໍາ​.ໃນການບັນຍາຍຄັ້ງທໍາອິດ, ພວກເຮົາທົບທວນຄືນແນວຄວາມຄິດທີ່ເລືອກຂອງການວິເຄາະຂໍ້ມູນໃນ biostatistics, ລວມທັງການເບິ່ງເຫັນຂໍ້ມູນ, ການຖົດຖອຍຂອງ logistic, ແລະການປຽບທຽບສະຖິຕິທີ່ອະທິບາຍແລະ inductive.ເຖິງແມ່ນວ່າການວິເຄາະຂໍ້ມູນເປັນພື້ນຖານຂອງປັນຍາປະດິດ, ພວກເຮົາຍົກເວັ້ນຫົວຂໍ້ຕ່າງໆເຊັ່ນ: ການຂຸດຄົ້ນຂໍ້ມູນ, ການທົດສອບຄວາມສໍາຄັນ, ຫຼືການສະແດງພາບແບບໂຕ້ຕອບ.ນີ້ແມ່ນເນື່ອງມາຈາກຂໍ້ຈໍາກັດຂອງເວລາແລະຍັງເປັນຍ້ອນວ່ານັກສຶກສາລະດັບປະລິນຍາຕີບາງຄົນໄດ້ຮັບການຝຶກອົບຮົມໃນ biostatistics ມາກ່ອນແລະຕ້ອງການໃຫ້ກວມເອົາຫົວຂໍ້ການຮຽນຮູ້ເຄື່ອງຈັກທີ່ເປັນເອກະລັກຫຼາຍຂຶ້ນ.ການບັນຍາຍຕໍ່ມາໄດ້ແນະນໍາວິທີການທີ່ທັນສະໄຫມແລະປຶກສາຫາລືກ່ຽວກັບການສ້າງບັນຫາ AI, ຂໍ້ໄດ້ປຽບແລະຂໍ້ຈໍາກັດຂອງຕົວແບບ AI, ແລະການທົດສອບຕົວແບບ.ການບັນຍາຍແມ່ນປະກອບດ້ວຍວັນນະຄະດີ ແລະການຄົ້ນຄວ້າຕົວຈິງກ່ຽວກັບອຸປະກອນປັນຍາປະດິດທີ່ມີຢູ່.ພວກເຮົາເນັ້ນຫນັກໃສ່ທັກສະທີ່ຈໍາເປັນເພື່ອປະເມີນປະສິດທິຜົນແລະຄວາມເປັນໄປໄດ້ຂອງຕົວແບບເພື່ອແກ້ໄຂຄໍາຖາມທາງດ້ານການຊ່ວຍ, ລວມທັງຄວາມເຂົ້າໃຈຂໍ້ຈໍາກັດຂອງອຸປະກອນປັນຍາປະດິດທີ່ມີຢູ່.ຕົວຢ່າງ, ພວກເຮົາຂໍໃຫ້ນັກຮຽນຕີຄວາມຫມາຍຄໍາແນະນໍາກ່ຽວກັບການບາດເຈັບທີ່ຫົວຂອງເດັກທີ່ສະເຫນີໂດຍ Kupperman et al., 5 ເຊິ່ງປະຕິບັດວິທີການຕັດສິນໃຈຕົ້ນໄມ້ທາງປັນຍາທຽມເພື່ອກໍານົດວ່າ CT scan ຈະເປັນປະໂຫຍດໂດຍອີງໃສ່ການກວດສອບຂອງແພດ.ພວກເຮົາເນັ້ນຫນັກວ່ານີ້ແມ່ນຕົວຢ່າງທົ່ວໄປຂອງ AI ສະຫນອງການວິເຄາະການຄາດເດົາສໍາລັບແພດທີ່ຈະຕີຄວາມຫມາຍ, ແທນທີ່ຈະແທນແພດ.
ໃນຕົວຢ່າງການຂຽນໂປລແກລມ bootstrap ແຫຼ່ງເປີດທີ່ມີຢູ່ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ພວກເຮົາສະແດງໃຫ້ເຫັນວິທີການປະຕິບັດການວິເຄາະຂໍ້ມູນການສໍາຫຼວດ, ການຫຼຸດຜ່ອນຂະຫນາດ, ການໂຫຼດຕົວແບບມາດຕະຖານ, ແລະການຝຶກອົບຮົມ .ແລະ​ການ​ທົດ​ສອບ​.ພວກເຮົາໃຊ້ປື້ມບັນທຶກຂອງ Google Colaboratory (Google LLC, Mountain View, CA), ເຊິ່ງອະນຸຍາດໃຫ້ລະຫັດ Python ຖືກປະຕິບັດຈາກຕົວທ່ອງເວັບ.ໃນຮູບທີ່ 2 ໃຫ້ຕົວຢ່າງຂອງບົດຝຶກຫັດການຂຽນໂປຼແກຼມ.ການອອກກໍາລັງກາຍນີ້ກ່ຽວຂ້ອງກັບການຄາດເດົາຄວາມຮ້າຍແຮງໂດຍໃຊ້ Wisconsin Open Breast Imaging Dataset6 ແລະຂັ້ນຕອນການຕັດສິນໃຈ.
ນໍາສະເຫນີໂຄງການຕະຫຼອດອາທິດກ່ຽວກັບຫົວຂໍ້ທີ່ກ່ຽວຂ້ອງແລະເລືອກຕົວຢ່າງຈາກຄໍາຮ້ອງສະຫມັກ AI ທີ່ຈັດພີມມາ.ອົງປະກອບການຂຽນໂປລແກລມຖືກລວມເອົາພຽງແຕ່ຖ້າພວກເຂົາຖືວ່າມີຄວາມກ່ຽວຂ້ອງກັບການສະຫນອງຄວາມເຂົ້າໃຈໃນການປະຕິບັດທາງດ້ານການຊ່ວຍໃນອະນາຄົດ, ເຊັ່ນ: ວິທີການປະເມີນແບບຈໍາລອງເພື່ອກໍານົດວ່າພວກເຂົາກຽມພ້ອມສໍາລັບການທົດລອງທາງດ້ານການຊ່ວຍ.ຕົວຢ່າງເຫຼົ່ານີ້ຈົບລົງໃນຄໍາຮ້ອງສະຫມັກທີ່ເຕັມໄປເຖິງຈຸດສິ້ນສຸດທີ່ຈັດປະເພດເນື້ອງອກເປັນຄວາມອ່ອນໂຍນຫຼືເປັນອັນຕະລາຍໂດຍອີງໃສ່ພາລາມິເຕີຮູບພາບທາງການແພດ.
Heterogeneity ຂອງຄວາມຮູ້ກ່ອນຫນ້າ.ຜູ້ເຂົ້າຮ່ວມຂອງພວກເຮົາມີຄວາມແຕກຕ່າງກັນໃນລະດັບຄວາມຮູ້ທາງຄະນິດສາດຂອງເຂົາເຈົ້າ.ຕົວຢ່າງເຊັ່ນ, ນັກສຶກສາທີ່ມີພື້ນຖານວິສະວະກໍາຂັ້ນສູງກໍາລັງຊອກຫາອຸປະກອນທີ່ເລິກເຊິ່ງກວ່າ, ເຊັ່ນວິທີການປະຕິບັດການຫັນປ່ຽນ Fourier ຂອງຕົນເອງ.ຢ່າງໃດກໍ່ຕາມ, ການປຶກສາຫາລືກ່ຽວກັບສູດການຄິດໄລ່ Fourier ໃນຫ້ອງຮຽນແມ່ນເປັນໄປບໍ່ໄດ້ເພາະວ່າມັນຕ້ອງການຄວາມຮູ້ໃນຄວາມເລິກຂອງການປຸງແຕ່ງສັນຍານ.
ການ​ເຂົ້າ​ຮ່ວມ​ໄຫຼ​ອອກ.ການເຂົ້າຮ່ວມກອງປະຊຸມຕິດຕາມຫຼຸດລົງ, ໂດຍສະເພາະໃນຮູບແບບອອນໄລນ໌.ການແກ້ໄຂອາດຈະເປັນການຕິດຕາມການເຂົ້າຮ່ວມແລະໃຫ້ໃບຢັ້ງຢືນການສໍາເລັດ.ໂຮງຮຽນການແພດເປັນທີ່ຮູ້ຈັກທີ່ຈະຮັບຮູ້ບົດບັນທຶກຂອງກິດຈະກໍາທາງວິຊາການນອກຫຼັກສູດຂອງນັກຮຽນ, ເຊິ່ງສາມາດຊຸກຍູ້ໃຫ້ນັກຮຽນຮຽນຕໍ່ລະດັບປະລິນຍາຕີ.
ການອອກແບບຫຼັກສູດ: ເນື່ອງຈາກວ່າ AI ກວມເອົາຫຼາຍຂົງເຂດຍ່ອຍ, ການເລືອກແນວຄວາມຄິດຫຼັກຂອງຄວາມເລິກແລະຄວາມກວ້າງທີ່ເຫມາະສົມສາມາດເປັນສິ່ງທ້າທາຍ.ຕົວຢ່າງ, ການສືບຕໍ່ການນໍາໃຊ້ເຄື່ອງມື AI ຈາກຫ້ອງທົດລອງໄປສູ່ຄລີນິກແມ່ນເປັນຫົວຂໍ້ທີ່ສໍາຄັນ.ໃນຂະນະທີ່ພວກເຮົາກວມເອົາການປຸງແຕ່ງຂໍ້ມູນກ່ອນ, ການສ້າງແບບຈໍາລອງ, ແລະການກວດສອບຄວາມຖືກຕ້ອງ, ພວກເຮົາບໍ່ໄດ້ລວມເອົາຫົວຂໍ້ຕ່າງໆເຊັ່ນການວິເຄາະຂໍ້ມູນໃຫຍ່, ການເບິ່ງເຫັນແບບໂຕ້ຕອບ, ຫຼືການທົດລອງທາງດ້ານການຊ່ວຍ AI, ແທນທີ່ຈະພວກເຮົາສຸມໃສ່ແນວຄວາມຄິດ AI ທີ່ເປັນເອກະລັກທີ່ສຸດ.ຫຼັກການແນະນໍາຂອງພວກເຮົາແມ່ນເພື່ອປັບປຸງການຮູ້ຫນັງສື, ບໍ່ແມ່ນທັກສະ.ຕົວຢ່າງ, ຄວາມເຂົ້າໃຈວິທີການທີ່ຕົວແບບປະມວນຜົນຄຸນສົມບັດການປ້ອນຂໍ້ມູນແມ່ນມີຄວາມສຳຄັນຕໍ່ການຕີຄວາມໝາຍ.ວິທີຫນຶ່ງທີ່ຈະເຮັດຄືການໃຊ້ແຜນທີ່ການເປີດໃຊ້ gradient, ເຊິ່ງສາມາດເບິ່ງເຫັນໄດ້ວ່າພື້ນທີ່ໃດຂອງຂໍ້ມູນສາມາດຄາດເດົາໄດ້.ຢ່າງໃດກໍ່ຕາມ, ນີ້ຮຽກຮ້ອງໃຫ້ມີການຄິດໄລ່ຫຼາຍຕົວແປແລະບໍ່ສາມາດນໍາສະເຫນີໄດ້ 8.ການພັດທະນາຄໍາສັບທົ່ວໄປແມ່ນສິ່ງທ້າທາຍເພາະວ່າພວກເຮົາພະຍາຍາມອະທິບາຍວິທີການເຮັດວຽກກັບຂໍ້ມູນເປັນ vectors ໂດຍບໍ່ມີການເປັນທາງການທາງຄະນິດສາດ.ໃຫ້ສັງເກດວ່າຄໍາສັບຕ່າງໆມີຄວາມ ໝາຍ ດຽວກັນ, ຕົວຢ່າງ, ໃນພະຍາດລະບາດ, "ຄຸນລັກສະນະ" ຖືກອະທິບາຍວ່າເປັນ "ຕົວແປ" ຫຼື "ຄຸນລັກສະນະ."
ການຮັກສາຄວາມຮູ້.ເນື່ອງຈາກວ່າຄໍາຮ້ອງສະຫມັກຂອງ AI ແມ່ນຈໍາກັດ, ຂອບເຂດທີ່ຜູ້ເຂົ້າຮ່ວມເກັບຄວາມຮູ້ຍັງຈະເຫັນໄດ້.ຫຼັກສູດໂຮງຮຽນການແພດມັກຈະອີງໃສ່ການຄ້າງຫ້ອງເພື່ອເສີມຄວາມຮູ້ໃນລະຫວ່າງການໝູນວຽນພາກປະຕິບັດ,9 ເຊິ່ງຍັງສາມາດນຳໃຊ້ກັບການສຶກສາ AI ໄດ້.
ຄວາມເປັນມືອາຊີບແມ່ນມີຄວາມສໍາຄັນຫຼາຍກ່ວາການຮູ້ຫນັງສື.ຄວາມເລິກຂອງວັດສະດຸໄດ້ຖືກອອກແບບໂດຍບໍ່ມີຄວາມເຂັ້ມງວດທາງດ້ານຄະນິດສາດ, ເຊິ່ງເປັນບັນຫາໃນເວລາທີ່ເປີດຫຼັກສູດທາງດ້ານການຊ່ວຍໃນປັນຍາປະດິດ.ໃນຕົວຢ່າງການຂຽນໂປລແກລມ, ພວກເຮົາໃຊ້ໂປລແກລມແມ່ແບບທີ່ຊ່ວຍໃຫ້ຜູ້ເຂົ້າຮ່ວມສາມາດຕື່ມຂໍ້ມູນໃສ່ໃນຊ່ອງຂໍ້ມູນແລະດໍາເນີນການຊອບແວໄດ້ໂດຍບໍ່ຈໍາເປັນຕ້ອງຊອກຫາວິທີການຕັ້ງຄ່າສະພາບແວດລ້ອມການຂຽນໂປຼແກຼມທີ່ສົມບູນ.
ຄວາມກັງວົນກ່ຽວກັບປັນຍາປະດິດທີ່ຖືກແກ້ໄຂ: ມີຄວາມເປັນຫ່ວງຢ່າງກວ້າງຂວາງວ່າປັນຍາປະດິດສາມາດທົດແທນຫນ້າທີ່ທາງດ້ານການຊ່ວຍບາງຢ່າງ3.ເພື່ອແກ້ໄຂບັນຫານີ້, ພວກເຮົາອະທິບາຍຂໍ້ຈໍາກັດຂອງ AI, ລວມທັງຄວາມຈິງທີ່ວ່າເກືອບທັງຫມົດເຕັກໂນໂລຢີ AI ທີ່ໄດ້ຮັບການອະນຸມັດໂດຍຜູ້ຄວບຄຸມຮຽກຮ້ອງໃຫ້ມີການເບິ່ງແຍງຈາກແພດຫມໍ11.ພວກເຮົາຍັງເນັ້ນຫນັກເຖິງຄວາມສໍາຄັນຂອງຄວາມລໍາອຽງເພາະວ່າ algorithms ມັກຈະມີຄວາມລໍາອຽງ, ໂດຍສະເພາະຖ້າຊຸດຂໍ້ມູນບໍ່ມີຄວາມຫຼາກຫຼາຍ12.ດັ່ງນັ້ນ, ກຸ່ມຍ່ອຍທີ່ແນ່ນອນອາດຈະຖືກສ້າງແບບຈໍາລອງບໍ່ຖືກຕ້ອງ, ນໍາໄປສູ່ການຕັດສິນໃຈທາງດ້ານຄລີນິກທີ່ບໍ່ຍຸດຕິທໍາ.
ຊັບພະຍາກອນມີໃຫ້ສາທາລະນະ: ພວກເຮົາໄດ້ສ້າງຊັບພະຍາກອນທີ່ມີຢູ່ສາທາລະນະ, ລວມທັງສະໄລ້ບັນຍາຍແລະລະຫັດ.ເຖິງແມ່ນວ່າການເຂົ້າເຖິງເນື້ອຫາ synchronous ໄດ້ຖືກຈໍາກັດເນື່ອງຈາກເຂດເວລາ, ເນື້ອຫາແຫຼ່ງເປີດແມ່ນວິທີການທີ່ສະດວກສໍາລັບການຮຽນຮູ້ແບບ asynchronous ເນື່ອງຈາກຄວາມຊໍານານ AI ບໍ່ມີຢູ່ໃນໂຮງຮຽນການແພດທັງຫມົດ.
Interdisciplinary Collaboration: ກອງປະຊຸມຄັ້ງນີ້ເປັນການຮ່ວມມືທີ່ລິເລີ່ມໂດຍນັກສຶກສາແພດເພື່ອວາງແຜນຫຼັກສູດຮ່ວມກັບວິສະວະກອນ.ນີ້ສະແດງໃຫ້ເຫັນໂອກາດການຮ່ວມມືແລະຊ່ອງຫວ່າງຄວາມຮູ້ໃນທັງສອງຂົງເຂດ, ໃຫ້ຜູ້ເຂົ້າຮ່ວມເຂົ້າໃຈເຖິງບົດບາດທີ່ມີທ່າແຮງທີ່ພວກເຂົາສາມາດປະກອບສ່ວນໃນອະນາຄົດ.
ກໍານົດຄວາມສາມາດຫຼັກຂອງ AI.ການກໍານົດບັນຊີລາຍຊື່ຄວາມສາມາດສະຫນອງໂຄງສ້າງມາດຕະຖານທີ່ສາມາດປະສົມປະສານເຂົ້າໃນຫຼັກສູດການແພດໂດຍອີງໃສ່ຄວາມສາມາດທີ່ມີຢູ່ແລ້ວ.ກອງປະຊຸມຄັ້ງນີ້ນຳໃຊ້ການຮຽນຮູ້ລະດັບຈຸດປະສົງ 2 (ຄວາມເຂົ້າໃຈ), 3 (ການສະໝັກ), ແລະ 4 (ການວິເຄາະ) ຂອງ Bloom's Taxonomy.ມີຊັບພະຍາກອນໃນລະດັບທີ່ສູງຂຶ້ນຂອງການຈັດປະເພດເຊັ່ນ: ການສ້າງໂຄງການ, ສາມາດເສີມສ້າງຄວາມຮູ້.ນີ້ຮຽກຮ້ອງໃຫ້ມີການເຮັດວຽກກັບຜູ້ຊ່ຽວຊານທາງດ້ານການຊ່ວຍເພື່ອກໍານົດວິທີການຫົວຂໍ້ AI ສາມາດນໍາໃຊ້ກັບການເຮັດວຽກທາງດ້ານການຊ່ວຍແລະປ້ອງກັນການສອນຂອງຫົວຂໍ້ຊ້ໍາກັນລວມຢູ່ໃນຫຼັກສູດທາງການແພດມາດຕະຖານ.
ສ້າງກໍລະນີສຶກສາໂດຍໃຊ້ AI.ຄ້າຍຄືກັນກັບຕົວຢ່າງທາງຄລີນິກ, ການຮຽນຮູ້ກໍລະນີສາມາດເສີມສ້າງແນວຄວາມຄິດທີ່ບໍ່ມີຕົວຕົນໂດຍການຊີ້ໃຫ້ເຫັນຄວາມກ່ຽວຂ້ອງຂອງເຂົາເຈົ້າກັບຄໍາຖາມທາງດ້ານການຊ່ວຍ.ຕົວຢ່າງ, ການສຶກສາກອງປະຊຸມຫນຶ່ງໄດ້ວິເຄາະລະບົບການກວດຫາໂຣກເບົາຫວານ retinopathy 13 ຂອງ Google ເພື່ອກໍານົດສິ່ງທ້າທາຍຕ່າງໆຕາມເສັ້ນທາງຈາກຫ້ອງທົດລອງໄປຫາຄລີນິກ, ເຊັ່ນ: ຄວາມຕ້ອງການການກວດສອບພາຍນອກແລະເສັ້ນທາງການອະນຸມັດກົດລະບຽບ.
ໃຊ້ການຮຽນຮູ້ປະສົບການ: ທັກສະດ້ານວິຊາການຮຽກຮ້ອງໃຫ້ມີການປະຕິບັດທີ່ສຸມໃສ່ແລະການນໍາໃຊ້ຊ້ໍາຊ້ອນເພື່ອໃຫ້ເປັນຕົ້ນສະບັບ, ຄ້າຍຄືກັນກັບປະສົບການການຮຽນຮູ້ການຫມຸນຂອງການຝຶກອົບຮົມທາງດ້ານການຊ່ວຍ.ຫນຶ່ງໃນການແກ້ໄຂທີ່ມີທ່າແຮງແມ່ນແບບຈໍາລອງຫ້ອງຮຽນແບບເລື່ອນ, ເຊິ່ງໄດ້ຖືກລາຍງານເພື່ອປັບປຸງການເກັບຮັກສາຄວາມຮູ້ໃນການສຶກສາວິສະວະກໍາ14.ໃນຮູບແບບນີ້, ນັກສຶກສາທົບທວນຄືນອຸປະກອນທິດສະດີເປັນເອກະລາດແລະເວລາຫ້ອງຮຽນແມ່ນອຸທິດຕົນເພື່ອແກ້ໄຂບັນຫາໂດຍຜ່ານການສຶກສາກໍລະນີ.
ການຂະຫຍາຍສໍາລັບຜູ້ເຂົ້າຮ່ວມຫຼາຍສາຂາວິຊາ: ພວກເຮົາຄາດຄະເນການຮັບຮອງເອົາ AI ທີ່ກ່ຽວຂ້ອງກັບການຮ່ວມມືໃນຫຼາຍສາຂາວິຊາ, ລວມທັງແພດຫມໍແລະຜູ້ຊ່ຽວຊານດ້ານສຸຂະພາບພັນທະມິດທີ່ມີລະດັບການຝຶກອົບຮົມທີ່ແຕກຕ່າງກັນ.ດັ່ງນັ້ນ, ຫຼັກສູດອາດຈະຕ້ອງໄດ້ຮັບການພັດທະນາໂດຍການປຶກສາຫາລືກັບຄະນະວິຊາຕ່າງໆຈາກພະແນກຕ່າງໆເພື່ອປັບເນື້ອຫາຂອງພວກເຂົາໃຫ້ເຫມາະສົມກັບຂົງເຂດຕ່າງໆຂອງການດູແລສຸຂະພາບ.
ປັນຍາປະດິດແມ່ນເຕັກໂນໂລຢີສູງແລະແນວຄວາມຄິດຫຼັກຂອງມັນກ່ຽວຂ້ອງກັບຄະນິດສາດແລະວິທະຍາສາດຄອມພິວເຕີ.ການຝຶກອົບຮົມບຸກຄະລາກອນສຸຂະພາບເພື່ອເຂົ້າໃຈປັນຍາປະດິດສະເຫນີສິ່ງທ້າທາຍທີ່ເປັນເອກະລັກໃນການຄັດເລືອກເນື້ອຫາ, ຄວາມກ່ຽວຂ້ອງທາງດ້ານຄລີນິກ, ແລະວິທີການຈັດສົ່ງ.ພວກເຮົາຫວັງວ່າຄວາມເຂົ້າໃຈທີ່ໄດ້ຮັບຈາກກອງປະຊຸມ AI ໃນການສຶກສາຈະຊ່ວຍໃຫ້ນັກການສຶກສາໃນອະນາຄົດຮັບເອົາວິທີການປະດິດສ້າງເພື່ອປະສົມປະສານ AI ເຂົ້າໃນການສຶກສາທາງການແພດ.
ສະຄຣິບຂອງ Google Colaboratory Python ແມ່ນແຫຼ່ງເປີດ ແລະສາມາດໃຊ້ໄດ້ຢູ່: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG ແລະ Khan, S. Rethinking ການສຶກສາທາງການແພດ: ການໂທຫາການປະຕິບັດ.ອັກກາດ.​ຢາ.88, 1407–1410 (2013).
McCoy, LG ແລະອື່ນໆ ນັກສຶກສາແພດຈໍາເປັນຕ້ອງຮູ້ຫຍັງແດ່ກ່ຽວກັບປັນຍາປະດິດ?ຕົວເລກ NPZh.ຢາ 3, 1–3 (2020).
Dos Santos, DP, et al.ທັດສະນະຄະຕິຂອງນັກສຶກສາແພດຕໍ່ກັບປັນຍາປະດິດ: ການສໍາຫຼວດຫຼາຍສູນກາງ.ເອີໂຣ.ລັງສີ.29, 1640–1646 (2019).
Fan, KY, Hu, R., ແລະ Singla, R. ການແນະນຳການຮຽນຮູ້ເຄື່ອງຈັກສຳລັບນັກສຶກສາແພດ: ໂຄງການທົດລອງ.J. Med.ສອນ.54, 1042–1043 (2020).
Cooperman N, et al.ການກໍານົດເດັກນ້ອຍທີ່ມີຄວາມສ່ຽງຕໍ່າຫຼາຍຂອງການບາດເຈັບສະຫມອງທີ່ສໍາຄັນທາງຄລີນິກຫຼັງຈາກການບາດເຈັບທີ່ຫົວ: ການສຶກສາກຸ່ມໃນອະນາຄົດ.Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH ແລະ Mangasarian, OL.ການສະກັດເອົາຄຸນສົມບັດນິວເຄຼຍສໍາລັບການວິນິດໄສເນື້ອງອກເຕົ້ານົມ.ຊີວະວິທະຍາ.ການປະມວນຜົນຮູບພາບ.ຊີວະວິທະຍາ.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. ແລະ Peng, L. ວິທີການພັດທະນາຕົວແບບການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອການດູແລສຸຂະພາບ.ນັດ.ມັດ.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: ການຕີຄວາມຄົມຊັດຂອງເຄືອຂ່າຍເລິກໂດຍຜ່ານ gradient-based localization.ການດໍາເນີນກອງປະຊຸມສາກົນຂອງ IEEE ກ່ຽວກັບ Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K ແລະ Ilic D. ການພັດທະນາແລະການປະເມີນຜົນຂອງຕົວແບບກ້ຽວວຽນສໍາລັບການປະເມີນຄວາມສາມາດດ້ານການແພດໂດຍອີງໃສ່ຫຼັກຖານໂດຍໃຊ້ OSCE ໃນການສຶກສາທາງການແພດລະດັບປະລິນຍາຕີ.BMK ຢາປົວພະຍາດ.ສອນ.21, 1–9 (2021).
Kolachalama VB ແລະ Garg PS Machine learning ແລະການສຶກສາທາງການແພດ.ຕົວເລກ NPZh.​ຢາ.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, ​​​​S., Rutten, MJ, van Ginneken, B. and de Rooy, M. Artificial intelligence in radiology: 100 ຜະລິດຕະພັນການຄ້າແລະຫຼັກຖານທາງວິທະຍາສາດຂອງພວກເຂົາ.ເອີໂຣ.ລັງສີ.31, 3797–3804 (2021).
Topol, EJ ຢາທີ່ມີປະສິດຕິພາບສູງ: ການລວມຕົວຂອງມະນຸດແລະປັນຍາປະດິດ.ນັດ.​ຢາ.25, 44–56 (2019).
Bede, E. et al.ການປະເມີນມະນຸດເປັນຈຸດໃຈກາງຂອງລະບົບການຮຽນຮູ້ທີ່ເລິກເຊິ່ງຖືກນຳໃຊ້ຢູ່ໃນຄລີນິກເພື່ອກວດຫາພະຍາດເບົາຫວານ retinopathy.ການດໍາເນີນກອງປະຊຸມ CHI ປີ 2020 ກ່ຽວກັບປັດໄຈມະນຸດໃນລະບົບຄອມພິວເຕີ (2020).
Kerr, B. ຫ້ອງຮຽນ flipped ໃນການສຶກສາວິສະວະກໍາ: ການທົບທວນຄືນການຄົ້ນຄວ້າ.ການດໍາເນີນກອງປະຊຸມສາກົນກ່ຽວກັບການຮຽນຮູ້ການຮ່ວມມືແບບໂຕ້ຕອບປີ 2015 (2015).
ຜູ້ຂຽນຂໍຂອບໃຈ Danielle Walker, Tim Salcudin, ແລະ Peter Zandstra ຈາກກຸ່ມການຄົ້ນຄວ້າ Biomedical Imaging ແລະ Artificial Intelligence Research Cluster ທີ່ມະຫາວິທະຍາໄລ British Columbia ສໍາລັບການສະຫນັບສະຫນູນແລະເງິນທຶນ.
RH, PP, ZH, RS ແລະ MA ໄດ້ຮັບຜິດຊອບໃນການພັດທະນາເນື້ອໃນການສອນຂອງກອງປະຊຸມ.RH ແລະ PP ໄດ້ຮັບຜິດຊອບໃນການພັດທະນາຕົວຢ່າງການຂຽນໂປຼແກຼມ.KYF, OY, MT ແລະ PW ໄດ້ຮັບຜິດຊອບຕໍ່ການຈັດຕັ້ງດ້ານການຂົນສົ່ງຂອງໂຄງການ ແລະ ການວິເຄາະຂອງກອງປະຊຸມ.RH, OY, MT, RS ໄດ້ຮັບຜິດຊອບໃນການສ້າງຕົວເລກແລະຕາຕະລາງ.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ໄດ້ຮັບຜິດຊອບໃນການຮ່າງ ແລະດັດແກ້ເອກະສານ.
ການແພດການສື່ສານຂໍຂອບໃຈ Carolyn McGregor, Fabio Moraes, ແລະ Aditya Borakati ສໍາລັບການປະກອບສ່ວນຂອງເຂົາເຈົ້າໃນການທົບທວນຄືນວຽກງານນີ້.