ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਸਿਖਾਉਣ 'ਤੇ ਕੈਨੇਡੀਅਨ ਦ੍ਰਿਸ਼ਟੀਕੋਣ

Nature.com 'ਤੇ ਜਾਣ ਲਈ ਤੁਹਾਡਾ ਧੰਨਵਾਦ।ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਜਾ ਰਹੇ ਬ੍ਰਾਊਜ਼ਰ ਦਾ ਸੰਸਕਰਣ ਸੀਮਤ CSS ਸਮਰਥਨ ਹੈ।ਵਧੀਆ ਨਤੀਜਿਆਂ ਲਈ, ਅਸੀਂ ਤੁਹਾਡੇ ਬ੍ਰਾਊਜ਼ਰ ਦੇ ਨਵੇਂ ਸੰਸਕਰਣ (ਜਾਂ Internet Explorer ਵਿੱਚ ਅਨੁਕੂਲਤਾ ਮੋਡ ਨੂੰ ਬੰਦ ਕਰਨ) ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ।ਇਸ ਦੌਰਾਨ, ਚੱਲ ਰਹੇ ਸਮਰਥਨ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ, ਅਸੀਂ ਸਾਈਟ ਨੂੰ ਸਟਾਈਲਿੰਗ ਜਾਂ ਜਾਵਾ ਸਕ੍ਰਿਪਟ ਤੋਂ ਬਿਨਾਂ ਦਿਖਾ ਰਹੇ ਹਾਂ।
ਕਲੀਨਿਕਲ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੀਆਂ ਹਨ, ਪਰ ਮੌਜੂਦਾ ਮੈਡੀਕਲ ਸਕੂਲ ਪਾਠਕ੍ਰਮ ਇਸ ਖੇਤਰ ਨੂੰ ਕਵਰ ਕਰਨ ਲਈ ਸੀਮਤ ਸਿੱਖਿਆ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ।ਇੱਥੇ ਅਸੀਂ ਇੱਕ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਿਖਲਾਈ ਕੋਰਸ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਾਂ ਜੋ ਅਸੀਂ ਵਿਕਸਿਤ ਕੀਤਾ ਹੈ ਅਤੇ ਕੈਨੇਡੀਅਨ ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਪ੍ਰਦਾਨ ਕੀਤਾ ਹੈ ਅਤੇ ਭਵਿੱਖ ਦੀ ਸਿਖਲਾਈ ਲਈ ਸਿਫ਼ਾਰਿਸ਼ਾਂ ਕਰਦੇ ਹਾਂ।
ਦਵਾਈ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ (AI) ਕੰਮ ਵਾਲੀ ਥਾਂ ਦੀ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੀ ਹੈ ਅਤੇ ਕਲੀਨਿਕਲ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰ ਸਕਦੀ ਹੈ।ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਸੇਧ ਦੇਣ ਲਈ, ਡਾਕਟਰਾਂ ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਕੁਝ ਸਮਝ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।ਬਹੁਤ ਸਾਰੀਆਂ ਟਿੱਪਣੀਆਂ AI ਸੰਕਲਪਾਂ 1 ਨੂੰ ਸਿਖਾਉਣ ਦੀ ਵਕਾਲਤ ਕਰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ AI ਮਾਡਲਾਂ ਅਤੇ ਤਸਦੀਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ2।ਹਾਲਾਂਕਿ, ਕੁਝ ਢਾਂਚਾਗਤ ਯੋਜਨਾਵਾਂ ਲਾਗੂ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ, ਖਾਸ ਕਰਕੇ ਰਾਸ਼ਟਰੀ ਪੱਧਰ 'ਤੇ।ਪਿੰਟੋ ਦੋਸ ਸੰਤੋਸ ਆਦਿ।3।263 ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਦਾ ਸਰਵੇਖਣ ਕੀਤਾ ਗਿਆ ਅਤੇ 71% ਨੇ ਸਹਿਮਤੀ ਦਿੱਤੀ ਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਸਿਖਲਾਈ ਦੀ ਲੋੜ ਹੈ।ਇੱਕ ਮੈਡੀਕਲ ਦਰਸ਼ਕਾਂ ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਸਿਖਾਉਣ ਲਈ ਸਾਵਧਾਨ ਡਿਜ਼ਾਈਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਉਹਨਾਂ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਤਕਨੀਕੀ ਅਤੇ ਗੈਰ-ਤਕਨੀਕੀ ਸੰਕਲਪਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਕੋਲ ਅਕਸਰ ਪਹਿਲਾਂ ਤੋਂ ਵਿਆਪਕ ਗਿਆਨ ਹੁੰਦਾ ਹੈ।ਅਸੀਂ ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਤਿੰਨ ਸਮੂਹਾਂ ਨੂੰ AI ਵਰਕਸ਼ਾਪਾਂ ਦੀ ਇੱਕ ਲੜੀ ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਆਪਣੇ ਅਨੁਭਵ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਾਂ ਅਤੇ AI ਵਿੱਚ ਭਵਿੱਖ ਵਿੱਚ ਡਾਕਟਰੀ ਸਿੱਖਿਆ ਲਈ ਸਿਫ਼ਾਰਸ਼ਾਂ ਕਰਦੇ ਹਾਂ।
ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇਨ ਮੈਡੀਸਨ ਵਰਕਸ਼ਾਪ ਲਈ ਸਾਡੀ ਪੰਜ-ਹਫ਼ਤੇ ਦੀ ਜਾਣ-ਪਛਾਣ ਫਰਵਰੀ 2019 ਅਤੇ ਅਪ੍ਰੈਲ 2021 ਦੇ ਵਿਚਕਾਰ ਤਿੰਨ ਵਾਰ ਆਯੋਜਿਤ ਕੀਤੀ ਗਈ ਸੀ। ਕੋਰਸ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੇ ਸੰਖੇਪ ਵਰਣਨ ਦੇ ਨਾਲ, ਹਰੇਕ ਵਰਕਸ਼ਾਪ ਲਈ ਇੱਕ ਸਮਾਂ-ਸਾਰਣੀ ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਈ ਗਈ ਹੈ। ਸਾਡੇ ਕੋਰਸ ਵਿੱਚ ਤਿੰਨ ਪ੍ਰਾਇਮਰੀ ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼: ਵਿਦਿਆਰਥੀ ਸਮਝਦੇ ਹਨ ਕਿ ਨਕਲੀ ਖੁਫੀਆ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਿਵੇਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਕਲੀਨਿਕਲ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਨਕਲੀ ਖੁਫੀਆ ਸਾਹਿਤ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ, ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਵਿਕਸਿਤ ਕਰਨ ਵਾਲੇ ਇੰਜੀਨੀਅਰਾਂ ਨਾਲ ਸਹਿਯੋਗ ਕਰਨ ਦੇ ਮੌਕਿਆਂ ਦਾ ਫਾਇਦਾ ਉਠਾਉਣਾ।
ਨੀਲਾ ਲੈਕਚਰ ਦਾ ਵਿਸ਼ਾ ਹੈ ਅਤੇ ਹਲਕਾ ਨੀਲਾ ਇੰਟਰਐਕਟਿਵ ਸਵਾਲ ਅਤੇ ਜਵਾਬ ਦੀ ਮਿਆਦ ਹੈ।ਸਲੇਟੀ ਭਾਗ ਸੰਖੇਪ ਸਾਹਿਤ ਸਮੀਖਿਆ ਦਾ ਕੇਂਦਰ ਹੈ।ਸੰਤਰੀ ਭਾਗ ਚੁਣੇ ਗਏ ਕੇਸ ਅਧਿਐਨ ਹਨ ਜੋ ਨਕਲੀ ਬੁੱਧੀ ਵਾਲੇ ਮਾਡਲਾਂ ਜਾਂ ਤਕਨੀਕਾਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ।ਗ੍ਰੀਨ ਇੱਕ ਗਾਈਡਡ ਪ੍ਰੋਗਰਾਮਿੰਗ ਕੋਰਸ ਹੈ ਜੋ ਕਲੀਨਿਕਲ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਅਤੇ ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਸਿਖਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ।ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਲੋੜਾਂ ਦੇ ਮੁਲਾਂਕਣ ਦੇ ਆਧਾਰ 'ਤੇ ਵਰਕਸ਼ਾਪਾਂ ਦੀ ਸਮੱਗਰੀ ਅਤੇ ਮਿਆਦ ਵੱਖ-ਵੱਖ ਹੁੰਦੀ ਹੈ।
ਪਹਿਲੀ ਵਰਕਸ਼ਾਪ ਬ੍ਰਿਟਿਸ਼ ਕੋਲੰਬੀਆ ਯੂਨੀਵਰਸਿਟੀ ਵਿਖੇ ਫਰਵਰੀ ਤੋਂ ਅਪ੍ਰੈਲ 2019 ਤੱਕ ਆਯੋਜਿਤ ਕੀਤੀ ਗਈ ਸੀ, ਅਤੇ ਸਾਰੇ 8 ਭਾਗੀਦਾਰਾਂ ਨੇ ਸਕਾਰਾਤਮਕ ਫੀਡਬੈਕ ਦਿੱਤਾ।ਕੋਵਿਡ-19 ਦੇ ਕਾਰਨ, ਦੂਜੀ ਵਰਕਸ਼ਾਪ ਅਸਲ ਵਿੱਚ ਅਕਤੂਬਰ-ਨਵੰਬਰ 2020 ਵਿੱਚ ਆਯੋਜਿਤ ਕੀਤੀ ਗਈ ਸੀ, ਜਿਸ ਵਿੱਚ 222 ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਅਤੇ 8 ਕੈਨੇਡੀਅਨ ਮੈਡੀਕਲ ਸਕੂਲਾਂ ਦੇ 3 ਨਿਵਾਸੀਆਂ ਨੇ ਰਜਿਸਟਰ ਕੀਤਾ ਸੀ।ਪ੍ਰਸਤੁਤੀ ਸਲਾਈਡਾਂ ਅਤੇ ਕੋਡ ਨੂੰ ਇੱਕ ਓਪਨ ਐਕਸੈਸ ਸਾਈਟ (http://ubcaimed.github.io) 'ਤੇ ਅੱਪਲੋਡ ਕੀਤਾ ਗਿਆ ਹੈ।ਪਹਿਲੇ ਦੁਹਰਾਓ ਤੋਂ ਮੁੱਖ ਫੀਡਬੈਕ ਇਹ ਸੀ ਕਿ ਲੈਕਚਰ ਬਹੁਤ ਤੀਬਰ ਸਨ ਅਤੇ ਸਮੱਗਰੀ ਬਹੁਤ ਸਿਧਾਂਤਕ ਸੀ।ਕੈਨੇਡਾ ਦੇ ਛੇ ਵੱਖ-ਵੱਖ ਸਮਾਂ ਖੇਤਰਾਂ ਦੀ ਸੇਵਾ ਕਰਨਾ ਵਾਧੂ ਚੁਣੌਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਦਾ ਹੈ।ਇਸ ਤਰ੍ਹਾਂ, ਦੂਜੀ ਵਰਕਸ਼ਾਪ ਨੇ ਹਰੇਕ ਸੈਸ਼ਨ ਨੂੰ 1 ਘੰਟੇ ਤੱਕ ਛੋਟਾ ਕੀਤਾ, ਕੋਰਸ ਸਮੱਗਰੀ ਨੂੰ ਸਰਲ ਬਣਾਇਆ, ਹੋਰ ਕੇਸ ਅਧਿਐਨ ਸ਼ਾਮਲ ਕੀਤੇ, ਅਤੇ ਬੋਇਲਰਪਲੇਟ ਪ੍ਰੋਗਰਾਮ ਬਣਾਏ ਜੋ ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਘੱਟੋ-ਘੱਟ ਡੀਬੱਗਿੰਗ (ਬਾਕਸ 1) ਨਾਲ ਕੋਡ ਸਨਿੱਪਟ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ।ਦੂਜੀ ਦੁਹਰਾਓ ਤੋਂ ਮੁੱਖ ਫੀਡਬੈਕ ਵਿੱਚ ਪ੍ਰੋਗਰਾਮਿੰਗ ਅਭਿਆਸਾਂ ਬਾਰੇ ਸਕਾਰਾਤਮਕ ਫੀਡਬੈਕ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਪ੍ਰੋਜੈਕਟ ਲਈ ਯੋਜਨਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਦੀ ਬੇਨਤੀ ਸ਼ਾਮਲ ਹੈ।ਇਸ ਲਈ, ਮਾਰਚ-ਅਪ੍ਰੈਲ 2021 ਵਿੱਚ ਲਗਭਗ 126 ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਆਯੋਜਿਤ ਕੀਤੀ ਗਈ ਸਾਡੀ ਤੀਜੀ ਵਰਕਸ਼ਾਪ ਵਿੱਚ, ਅਸੀਂ ਪ੍ਰੋਜੈਕਟਾਂ ਉੱਤੇ ਵਰਕਸ਼ਾਪ ਧਾਰਨਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਲਈ ਹੋਰ ਇੰਟਰਐਕਟਿਵ ਕੋਡਿੰਗ ਅਭਿਆਸਾਂ ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਫੀਡਬੈਕ ਸੈਸ਼ਨਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕੀਤਾ।
ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ: ਅੰਕੜਿਆਂ ਵਿੱਚ ਅਧਿਐਨ ਦਾ ਇੱਕ ਖੇਤਰ ਜੋ ਡੇਟਾ ਪੈਟਰਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਸੰਚਾਰ ਕਰਕੇ ਡੇਟਾ ਵਿੱਚ ਅਰਥਪੂਰਨ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ।
ਡੇਟਾ ਮਾਈਨਿੰਗ: ਡੇਟਾ ਦੀ ਪਛਾਣ ਅਤੇ ਐਕਸਟਰੈਕਟ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ।ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, ਇਹ ਅਕਸਰ ਵੱਡਾ ਹੁੰਦਾ ਹੈ, ਹਰੇਕ ਨਮੂਨੇ ਲਈ ਕਈ ਵੇਰੀਏਬਲਾਂ ਦੇ ਨਾਲ।
ਅਯਾਮ ਵਿੱਚ ਕਮੀ: ਮੂਲ ਡੇਟਾ ਸੈੱਟ ਦੀਆਂ ਮਹੱਤਵਪੂਰਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੇ ਹੋਏ ਕਈ ਵਿਅਕਤੀਗਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਡੇਟਾ ਨੂੰ ਘੱਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਬਦਲਣ ਦੀ ਪ੍ਰਕਿਰਿਆ।
ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਸੰਦਰਭ ਵਿੱਚ): ਇੱਕ ਨਮੂਨੇ ਦੀਆਂ ਮਾਪਣਯੋਗ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ।ਅਕਸਰ "ਪ੍ਰਾਪਰਟੀ" ਜਾਂ "ਵੇਰੀਏਬਲ" ਦੇ ਨਾਲ ਪਰਿਵਰਤਨਯੋਗ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਗਰੇਡੀਐਂਟ ਐਕਟੀਵੇਸ਼ਨ ਮੈਪ: ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਮਾਡਲਾਂ (ਖਾਸ ਤੌਰ 'ਤੇ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕ) ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਇੱਕ ਤਕਨੀਕ, ਜੋ ਬਹੁਤ ਜ਼ਿਆਦਾ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਡੇਟਾ ਜਾਂ ਚਿੱਤਰਾਂ ਦੇ ਖੇਤਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਨੈੱਟਵਰਕ ਦੇ ਆਖਰੀ ਹਿੱਸੇ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੀ ਹੈ।
ਸਟੈਂਡਰਡ ਮਾਡਲ: ਇੱਕ ਮੌਜੂਦਾ AI ਮਾਡਲ ਜਿਸ ਨੂੰ ਸਮਾਨ ਕਾਰਜ ਕਰਨ ਲਈ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ।
ਟੈਸਟਿੰਗ (ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਸੰਦਰਭ ਵਿੱਚ): ਇਹ ਦੇਖਣਾ ਕਿ ਇੱਕ ਮਾਡਲ ਉਸ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ ਜਿਸਦਾ ਇਸਦਾ ਪਹਿਲਾਂ ਸਾਹਮਣਾ ਨਹੀਂ ਹੋਇਆ ਹੈ।
ਸਿਖਲਾਈ (ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਸੰਦਰਭ ਵਿੱਚ): ਡੇਟਾ ਅਤੇ ਨਤੀਜਿਆਂ ਦੇ ਨਾਲ ਇੱਕ ਮਾਡਲ ਪ੍ਰਦਾਨ ਕਰਨਾ ਤਾਂ ਜੋ ਮਾਡਲ ਨਵੇਂ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਾਰਜਾਂ ਨੂੰ ਕਰਨ ਦੀ ਆਪਣੀ ਯੋਗਤਾ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਇਸਦੇ ਅੰਦਰੂਨੀ ਮਾਪਦੰਡਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾ ਸਕੇ।
ਵੈਕਟਰ: ਡੇਟਾ ਦੀ ਲੜੀ।ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿੱਚ, ਹਰੇਕ ਐਰੇ ਤੱਤ ਆਮ ਤੌਰ 'ਤੇ ਨਮੂਨੇ ਦੀ ਇੱਕ ਵਿਲੱਖਣ ਵਿਸ਼ੇਸ਼ਤਾ ਹੁੰਦਾ ਹੈ।
ਸਾਰਣੀ 1 ਅਪ੍ਰੈਲ 2021 ਲਈ ਨਵੀਨਤਮ ਕੋਰਸਾਂ ਦੀ ਸੂਚੀ ਦਿੰਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਹਰੇਕ ਵਿਸ਼ੇ ਲਈ ਟੀਚਾ ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼ ਸ਼ਾਮਲ ਹਨ।ਇਹ ਵਰਕਸ਼ਾਪ ਤਕਨੀਕੀ ਪੱਧਰ 'ਤੇ ਨਵੇਂ ਲੋਕਾਂ ਲਈ ਹੈ ਅਤੇ ਅੰਡਰਗ੍ਰੈਜੁਏਟ ਮੈਡੀਕਲ ਡਿਗਰੀ ਦੇ ਪਹਿਲੇ ਸਾਲ ਤੋਂ ਬਾਅਦ ਕਿਸੇ ਗਣਿਤ ਦੇ ਗਿਆਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ।ਇਹ ਕੋਰਸ 6 ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਅਤੇ 3 ਅਧਿਆਪਕਾਂ ਦੁਆਰਾ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਉੱਨਤ ਡਿਗਰੀਆਂ ਨਾਲ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ।ਇੰਜੀਨੀਅਰ ਸਿਖਾਉਣ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਸਿਧਾਂਤ ਵਿਕਸਿਤ ਕਰ ਰਹੇ ਹਨ, ਅਤੇ ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀ ਡਾਕਟਰੀ ਤੌਰ 'ਤੇ ਸੰਬੰਧਿਤ ਸਮੱਗਰੀ ਸਿੱਖ ਰਹੇ ਹਨ।
ਵਰਕਸ਼ਾਪਾਂ ਵਿੱਚ ਲੈਕਚਰ, ਕੇਸ ਸਟੱਡੀਜ਼, ਅਤੇ ਗਾਈਡਡ ਪ੍ਰੋਗਰਾਮਿੰਗ ਸ਼ਾਮਲ ਹਨ।ਪਹਿਲੇ ਲੈਕਚਰ ਵਿੱਚ, ਅਸੀਂ ਬਾਇਓਸਟੈਟਿਸਟਿਕਸ ਵਿੱਚ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਚੁਣੇ ਹੋਏ ਸੰਕਲਪਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਡੇਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ, ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ, ਅਤੇ ਵਰਣਨਯੋਗ ਅਤੇ ਪ੍ਰੇਰਕ ਅੰਕੜਿਆਂ ਦੀ ਤੁਲਨਾ ਸ਼ਾਮਲ ਹੈ।ਹਾਲਾਂਕਿ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਬੁਨਿਆਦ ਹੈ, ਅਸੀਂ ਡੇਟਾ ਮਾਈਨਿੰਗ, ਮਹੱਤਤਾ ਟੈਸਟਿੰਗ, ਜਾਂ ਇੰਟਰਐਕਟਿਵ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਵਰਗੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਬਾਹਰ ਰੱਖਦੇ ਹਾਂ।ਇਹ ਸਮੇਂ ਦੀ ਕਮੀ ਦੇ ਕਾਰਨ ਸੀ ਅਤੇ ਇਸ ਲਈ ਵੀ ਕਿਉਂਕਿ ਕੁਝ ਅੰਡਰਗਰੈਜੂਏਟ ਵਿਦਿਆਰਥੀਆਂ ਨੇ ਬਾਇਓਸਟੈਟਿਸਟਿਕਸ ਵਿੱਚ ਪਹਿਲਾਂ ਸਿਖਲਾਈ ਲਈ ਸੀ ਅਤੇ ਉਹ ਹੋਰ ਵਿਲੱਖਣ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਸ਼ਿਆਂ ਨੂੰ ਕਵਰ ਕਰਨਾ ਚਾਹੁੰਦੇ ਸਨ।ਇਸ ਤੋਂ ਬਾਅਦ ਦੇ ਲੈਕਚਰ ਵਿੱਚ ਆਧੁਨਿਕ ਤਰੀਕਿਆਂ ਦੀ ਜਾਣ-ਪਛਾਣ ਕੀਤੀ ਗਈ ਹੈ ਅਤੇ AI ਸਮੱਸਿਆ ਦੇ ਫਾਰਮੂਲੇ, AI ਮਾਡਲਾਂ ਦੇ ਫਾਇਦੇ ਅਤੇ ਸੀਮਾਵਾਂ, ਅਤੇ ਮਾਡਲ ਟੈਸਟਿੰਗ ਬਾਰੇ ਚਰਚਾ ਕੀਤੀ ਗਈ ਹੈ।ਲੈਕਚਰ ਮੌਜੂਦਾ ਨਕਲੀ ਖੁਫੀਆ ਯੰਤਰਾਂ 'ਤੇ ਸਾਹਿਤ ਅਤੇ ਵਿਹਾਰਕ ਖੋਜ ਦੁਆਰਾ ਪੂਰਕ ਹਨ।ਅਸੀਂ ਮੌਜੂਦਾ ਨਕਲੀ ਖੁਫੀਆ ਯੰਤਰਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਸਮਝਣ ਸਮੇਤ, ਕਲੀਨਿਕਲ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਮਾਡਲ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਅਤੇ ਸੰਭਾਵਨਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਹੁਨਰਾਂ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਾਂ।ਉਦਾਹਰਨ ਲਈ, ਅਸੀਂ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ Kupperman et al., 5 ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਬਾਲ ਚਿਕਿਤਸਕ ਸਿਰ ਦੀ ਸੱਟ ਸੰਬੰਧੀ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਕਿਹਾ, ਜਿਸ ਨੇ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਫੈਸਲੇ ਟ੍ਰੀ ਐਲਗੋਰਿਦਮ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਕਿ ਕੀ ਇੱਕ ਡਾਕਟਰ ਦੀ ਜਾਂਚ ਦੇ ਆਧਾਰ 'ਤੇ ਇੱਕ CT ਸਕੈਨ ਲਾਭਦਾਇਕ ਹੋਵੇਗਾ ਜਾਂ ਨਹੀਂ।ਅਸੀਂ ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਾਂ ਕਿ ਇਹ AI ਦੀ ਇੱਕ ਆਮ ਉਦਾਹਰਣ ਹੈ ਜੋ ਡਾਕਟਰਾਂ ਦੀ ਥਾਂ ਲੈਣ ਦੀ ਬਜਾਏ, ਡਾਕਟਰਾਂ ਨੂੰ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।
ਉਪਲਬਧ ਓਪਨ ਸੋਰਸ ਬੂਟਸਟਰੈਪ ਪ੍ਰੋਗਰਾਮਿੰਗ ਉਦਾਹਰਨਾਂ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) ਵਿੱਚ, ਅਸੀਂ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੇ ਹਾਂ ਕਿ ਖੋਜੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਅਯਾਮ ਵਿੱਚ ਕਮੀ, ਮਿਆਰੀ ਮਾਡਲ ਲੋਡਿੰਗ, ਅਤੇ ਸਿਖਲਾਈ ਕਿਵੇਂ ਕਰਨੀ ਹੈ। .ਅਤੇ ਟੈਸਟਿੰਗ.ਅਸੀਂ Google Colaboratory notebooks (Google LLC, Mountain View, CA) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ, ਜੋ Python ਕੋਡ ਨੂੰ ਵੈੱਬ ਬ੍ਰਾਊਜ਼ਰ ਤੋਂ ਲਾਗੂ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ।ਚਿੱਤਰ ਵਿੱਚ ਚਿੱਤਰ 2 ਇੱਕ ਪ੍ਰੋਗਰਾਮਿੰਗ ਅਭਿਆਸ ਦੀ ਇੱਕ ਉਦਾਹਰਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।ਇਸ ਅਭਿਆਸ ਵਿੱਚ ਵਿਸਕਾਨਸਿਨ ਓਪਨ ਬ੍ਰੈਸਟ ਇਮੇਜਿੰਗ ਡੇਟਾਸੈਟ 6 ਅਤੇ ਇੱਕ ਨਿਰਣਾਇਕ ਟ੍ਰੀ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਨੁਕਸਾਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ।
ਸੰਬੰਧਿਤ ਵਿਸ਼ਿਆਂ 'ਤੇ ਹਫ਼ਤੇ ਭਰ ਦੇ ਪ੍ਰੋਗਰਾਮ ਪੇਸ਼ ਕਰੋ ਅਤੇ ਪ੍ਰਕਾਸ਼ਿਤ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਤੋਂ ਉਦਾਹਰਣਾਂ ਦੀ ਚੋਣ ਕਰੋ।ਪ੍ਰੋਗਰਾਮਿੰਗ ਤੱਤ ਕੇਵਲ ਤਾਂ ਹੀ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਜੇਕਰ ਉਹਨਾਂ ਨੂੰ ਭਵਿੱਖ ਦੇ ਕਲੀਨਿਕਲ ਅਭਿਆਸ ਵਿੱਚ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਢੁਕਵਾਂ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਿਵੇਂ ਕਰਨਾ ਹੈ ਕਿ ਉਹ ਕਲੀਨਿਕਲ ਅਜ਼ਮਾਇਸ਼ਾਂ ਵਿੱਚ ਵਰਤੋਂ ਲਈ ਤਿਆਰ ਹਨ ਜਾਂ ਨਹੀਂ।ਇਹ ਉਦਾਹਰਨਾਂ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਦੇ ਅੰਤ-ਤੋਂ-ਅੰਤ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਸਮਾਪਤ ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਮੈਡੀਕਲ ਚਿੱਤਰ ਮਾਪਦੰਡਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਟਿਊਮਰਾਂ ਨੂੰ ਸੁਭਾਵਕ ਜਾਂ ਘਾਤਕ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦੀਆਂ ਹਨ।
ਪੂਰਵ ਗਿਆਨ ਦੀ ਵਿਭਿੰਨਤਾ।ਸਾਡੇ ਭਾਗੀਦਾਰ ਆਪਣੇ ਗਣਿਤ ਦੇ ਗਿਆਨ ਦੇ ਪੱਧਰ ਵਿੱਚ ਭਿੰਨ ਸਨ।ਉਦਾਹਰਨ ਲਈ, ਉੱਨਤ ਇੰਜੀਨੀਅਰਿੰਗ ਪਿਛੋਕੜ ਵਾਲੇ ਵਿਦਿਆਰਥੀ ਵਧੇਰੇ ਡੂੰਘਾਈ ਨਾਲ ਸਮੱਗਰੀ ਦੀ ਭਾਲ ਕਰ ਰਹੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਉਹਨਾਂ ਦੇ ਆਪਣੇ ਫੁਰੀਅਰ ਟ੍ਰਾਂਸਫਾਰਮਸ ਨੂੰ ਕਿਵੇਂ ਕਰਨਾ ਹੈ।ਹਾਲਾਂਕਿ, ਕਲਾਸ ਵਿੱਚ ਫੁਰੀਅਰ ਐਲਗੋਰਿਦਮ ਦੀ ਚਰਚਾ ਕਰਨਾ ਸੰਭਵ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਸ ਲਈ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਦੇ ਡੂੰਘਾਈ ਨਾਲ ਗਿਆਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਹਾਜ਼ਰੀ ਆਊਟਫਲੋ.ਫਾਲੋ-ਅੱਪ ਮੀਟਿੰਗਾਂ ਵਿੱਚ ਹਾਜ਼ਰੀ ਘਟੀ, ਖਾਸ ਕਰਕੇ ਔਨਲਾਈਨ ਫਾਰਮੈਟਾਂ ਵਿੱਚ।ਇੱਕ ਹੱਲ ਹਾਜ਼ਰੀ ਨੂੰ ਟਰੈਕ ਕਰਨਾ ਅਤੇ ਮੁਕੰਮਲ ਹੋਣ ਦਾ ਸਰਟੀਫਿਕੇਟ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੋ ਸਕਦਾ ਹੈ।ਮੈਡੀਕਲ ਸਕੂਲ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਪਾਠਕ੍ਰਮ ਤੋਂ ਬਾਹਰਲੀਆਂ ਅਕਾਦਮਿਕ ਗਤੀਵਿਧੀਆਂ ਦੀਆਂ ਪ੍ਰਤੀਲਿਪੀਆਂ ਨੂੰ ਮਾਨਤਾ ਦੇਣ ਲਈ ਜਾਣੇ ਜਾਂਦੇ ਹਨ, ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਡਿਗਰੀ ਹਾਸਲ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦੇ ਹਨ।
ਕੋਰਸ ਡਿਜ਼ਾਈਨ: ਕਿਉਂਕਿ AI ਬਹੁਤ ਸਾਰੇ ਉਪ-ਖੇਤਰਾਂ ਨੂੰ ਫੈਲਾਉਂਦਾ ਹੈ, ਉਚਿਤ ਡੂੰਘਾਈ ਅਤੇ ਚੌੜਾਈ ਦੇ ਮੂਲ ਸੰਕਲਪਾਂ ਦੀ ਚੋਣ ਕਰਨਾ ਚੁਣੌਤੀਪੂਰਨ ਹੋ ਸਕਦਾ ਹੈ।ਉਦਾਹਰਨ ਲਈ, ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਤੋਂ ਕਲੀਨਿਕ ਤੱਕ AI ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਦੀ ਨਿਰੰਤਰਤਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿਸ਼ਾ ਹੈ।ਜਦੋਂ ਕਿ ਅਸੀਂ ਡੇਟਾ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ, ਮਾਡਲ ਬਿਲਡਿੰਗ, ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਾਂ, ਅਸੀਂ ਵੱਡੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਇੰਟਰਐਕਟਿਵ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ, ਜਾਂ AI ਕਲੀਨਿਕਲ ਅਜ਼ਮਾਇਸ਼ਾਂ ਦਾ ਆਯੋਜਨ ਕਰਨ ਵਰਗੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਸ਼ਾਮਲ ਨਹੀਂ ਕਰਦੇ ਹਾਂ, ਇਸਦੀ ਬਜਾਏ ਅਸੀਂ ਸਭ ਤੋਂ ਵਿਲੱਖਣ AI ਸੰਕਲਪਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦੇ ਹਾਂ।ਸਾਡਾ ਮਾਰਗਦਰਸ਼ਕ ਸਿਧਾਂਤ ਸਾਖਰਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣਾ ਹੈ, ਹੁਨਰ ਨਹੀਂ।ਉਦਾਹਰਨ ਲਈ, ਇਹ ਸਮਝਣਾ ਕਿ ਕਿਵੇਂ ਇੱਕ ਮਾਡਲ ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ ਵਿਆਖਿਆਯੋਗਤਾ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ।ਅਜਿਹਾ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ ਗਰੇਡੀਐਂਟ ਐਕਟੀਵੇਸ਼ਨ ਮੈਪ ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਜੋ ਕਲਪਨਾ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਡੇਟਾ ਦੇ ਕਿਹੜੇ ਖੇਤਰ ਅਨੁਮਾਨਤ ਹਨ।ਹਾਲਾਂਕਿ, ਇਸ ਲਈ ਮਲਟੀਵੈਰੀਏਟ ਕੈਲਕੂਲਸ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਪੇਸ਼ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।ਇੱਕ ਆਮ ਪਰਿਭਾਸ਼ਾ ਦਾ ਵਿਕਾਸ ਕਰਨਾ ਚੁਣੌਤੀਪੂਰਨ ਸੀ ਕਿਉਂਕਿ ਅਸੀਂ ਇਹ ਦੱਸਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਸੀ ਕਿ ਗਣਿਤਿਕ ਰਸਮੀਵਾਦ ਦੇ ਬਿਨਾਂ ਵੈਕਟਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਡੇਟਾ ਨਾਲ ਕਿਵੇਂ ਕੰਮ ਕਰਨਾ ਹੈ।ਨੋਟ ਕਰੋ ਕਿ ਵੱਖੋ-ਵੱਖਰੇ ਸ਼ਬਦਾਂ ਦਾ ਇੱਕੋ ਹੀ ਅਰਥ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਮਹਾਂਮਾਰੀ ਵਿਗਿਆਨ ਵਿੱਚ, ਇੱਕ "ਵਿਸ਼ੇਸ਼ਤਾ" ਨੂੰ "ਵੇਰੀਏਬਲ" ਜਾਂ "ਵਿਸ਼ੇਸ਼ਤਾ" ਵਜੋਂ ਦਰਸਾਇਆ ਗਿਆ ਹੈ।
ਗਿਆਨ ਧਾਰਨ.ਕਿਉਂਕਿ AI ਦੀ ਵਰਤੋਂ ਸੀਮਤ ਹੈ, ਇਸ ਲਈ ਭਾਗੀਦਾਰ ਕਿਸ ਹੱਦ ਤੱਕ ਗਿਆਨ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹਨ, ਇਹ ਦੇਖਣਾ ਬਾਕੀ ਹੈ।ਮੈਡੀਕਲ ਸਕੂਲ ਪਾਠਕ੍ਰਮ ਵਿਹਾਰਕ ਘੁੰਮਣ ਦੌਰਾਨ ਗਿਆਨ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਰਨ ਲਈ ਅਕਸਰ ਦੂਰੀ ਵਾਲੇ ਦੁਹਰਾਓ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, 9 ਜਿਸ ਨੂੰ AI ਸਿੱਖਿਆ 'ਤੇ ਵੀ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਸਾਖਰਤਾ ਨਾਲੋਂ ਪੇਸ਼ੇਵਰਤਾ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਹੈ।ਸਮੱਗਰੀ ਦੀ ਡੂੰਘਾਈ ਨੂੰ ਗਣਿਤਿਕ ਕਠੋਰਤਾ ਤੋਂ ਬਿਨਾਂ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਵਿੱਚ ਕਲੀਨਿਕਲ ਕੋਰਸ ਸ਼ੁਰੂ ਕਰਨ ਵੇਲੇ ਇੱਕ ਸਮੱਸਿਆ ਸੀ।ਪ੍ਰੋਗਰਾਮਿੰਗ ਉਦਾਹਰਨਾਂ ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਟੈਂਪਲੇਟ ਪ੍ਰੋਗਰਾਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਜੋ ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਖੇਤਰ ਭਰਨ ਅਤੇ ਸੌਫਟਵੇਅਰ ਚਲਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਬਿਨਾਂ ਇਹ ਪਤਾ ਲਗਾਏ ਕਿ ਇੱਕ ਪੂਰਾ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਾਤਾਵਰਣ ਕਿਵੇਂ ਸਥਾਪਤ ਕਰਨਾ ਹੈ।
ਨਕਲੀ ਬੁੱਧੀ ਬਾਰੇ ਚਿੰਤਾਵਾਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕੀਤਾ ਗਿਆ: ਇੱਥੇ ਵਿਆਪਕ ਚਿੰਤਾ ਹੈ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਕੁਝ ਕਲੀਨਿਕਲ ਫਰਜ਼ਾਂ ਨੂੰ ਬਦਲ ਸਕਦੀ ਹੈ3।ਇਸ ਮੁੱਦੇ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਅਸੀਂ AI ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਹਾਂ, ਇਸ ਤੱਥ ਸਮੇਤ ਕਿ ਰੈਗੂਲੇਟਰਾਂ ਦੁਆਰਾ ਪ੍ਰਵਾਨਿਤ ਲਗਭਗ ਸਾਰੀਆਂ AI ਤਕਨਾਲੋਜੀਆਂ ਨੂੰ ਡਾਕਟਰ ਦੀ ਨਿਗਰਾਨੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ11।ਅਸੀਂ ਪੱਖਪਾਤ ਦੀ ਮਹੱਤਤਾ 'ਤੇ ਵੀ ਜ਼ੋਰ ਦਿੰਦੇ ਹਾਂ ਕਿਉਂਕਿ ਐਲਗੋਰਿਦਮ ਪੱਖਪਾਤ ਦਾ ਸ਼ਿਕਾਰ ਹੁੰਦੇ ਹਨ, ਖਾਸ ਤੌਰ 'ਤੇ ਜੇਕਰ ਡੇਟਾ ਸੈੱਟ ਵਿਭਿੰਨ ਨਹੀਂ ਹੈ12।ਸਿੱਟੇ ਵਜੋਂ, ਇੱਕ ਖਾਸ ਉਪ ਸਮੂਹ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਮਾਡਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਅਣਉਚਿਤ ਕਲੀਨਿਕਲ ਫੈਸਲੇ ਹੁੰਦੇ ਹਨ।
ਸਰੋਤ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਹਨ: ਅਸੀਂ ਲੈਕਚਰ ਸਲਾਈਡਾਂ ਅਤੇ ਕੋਡ ਸਮੇਤ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਸਰੋਤ ਬਣਾਏ ਹਨ।ਹਾਲਾਂਕਿ ਸਮਕਾਲੀ ਸਮੱਗਰੀ ਤੱਕ ਪਹੁੰਚ ਸਮਾਂ ਖੇਤਰਾਂ ਦੇ ਕਾਰਨ ਸੀਮਤ ਹੈ, ਓਪਨ ਸੋਰਸ ਸਮੱਗਰੀ ਅਸਿੰਕਰੋਨਸ ਸਿੱਖਣ ਲਈ ਇੱਕ ਸੁਵਿਧਾਜਨਕ ਤਰੀਕਾ ਹੈ ਕਿਉਂਕਿ AI ਮਹਾਰਤ ਸਾਰੇ ਮੈਡੀਕਲ ਸਕੂਲਾਂ ਵਿੱਚ ਉਪਲਬਧ ਨਹੀਂ ਹੈ।
ਅੰਤਰ-ਅਨੁਸ਼ਾਸਨੀ ਸਹਿਯੋਗ: ਇਹ ਵਰਕਸ਼ਾਪ ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਦੁਆਰਾ ਇੰਜੀਨੀਅਰਾਂ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਕੋਰਸਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਲਈ ਸ਼ੁਰੂ ਕੀਤਾ ਗਿਆ ਇੱਕ ਸਾਂਝਾ ਉੱਦਮ ਹੈ।ਇਹ ਦੋਵਾਂ ਖੇਤਰਾਂ ਵਿੱਚ ਸਹਿਯੋਗ ਦੇ ਮੌਕਿਆਂ ਅਤੇ ਗਿਆਨ ਦੇ ਅੰਤਰਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਭਵਿੱਖ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣ ਵਾਲੇ ਸੰਭਾਵੀ ਭੂਮਿਕਾ ਨੂੰ ਸਮਝਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ।
AI ਕੋਰ ਯੋਗਤਾਵਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ।ਯੋਗਤਾਵਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ ਇੱਕ ਮਿਆਰੀ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿਸ ਨੂੰ ਮੌਜੂਦਾ ਯੋਗਤਾ-ਅਧਾਰਤ ਮੈਡੀਕਲ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ।ਇਹ ਵਰਕਸ਼ਾਪ ਵਰਤਮਾਨ ਵਿੱਚ ਬਲੂਮ ਦੇ ਵਰਗੀਕਰਨ ਦੇ ਲਰਨਿੰਗ ਉਦੇਸ਼ ਪੱਧਰ 2 (ਸਮਝ), 3 (ਐਪਲੀਕੇਸ਼ਨ), ਅਤੇ 4 (ਵਿਸ਼ਲੇਸ਼ਣ) ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ।ਵਰਗੀਕਰਨ ਦੇ ਉੱਚ ਪੱਧਰਾਂ 'ਤੇ ਸਰੋਤ ਹੋਣ, ਜਿਵੇਂ ਕਿ ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣਾ, ਗਿਆਨ ਨੂੰ ਹੋਰ ਮਜ਼ਬੂਤ ​​ਕਰ ਸਕਦਾ ਹੈ।ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਕਲੀਨਿਕਲ ਮਾਹਿਰਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਕਿ ਕਿਵੇਂ AI ਵਿਸ਼ੇ ਕਲੀਨਿਕਲ ਵਰਕਫਲੋਜ਼ 'ਤੇ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ ਅਤੇ ਮਿਆਰੀ ਮੈਡੀਕਲ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਪਹਿਲਾਂ ਤੋਂ ਹੀ ਸ਼ਾਮਲ ਕੀਤੇ ਗਏ ਦੁਹਰਾਉਣ ਵਾਲੇ ਵਿਸ਼ਿਆਂ ਦੀ ਸਿੱਖਿਆ ਨੂੰ ਰੋਕਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਏਆਈ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੇਸ ਸਟੱਡੀਜ਼ ਬਣਾਓ।ਕਲੀਨਿਕਲ ਉਦਾਹਰਨਾਂ ਦੇ ਸਮਾਨ, ਕੇਸ-ਅਧਾਰਿਤ ਸਿਖਲਾਈ ਕਲੀਨਿਕਲ ਪ੍ਰਸ਼ਨਾਂ ਲਈ ਉਹਨਾਂ ਦੀ ਪ੍ਰਸੰਗਿਕਤਾ ਨੂੰ ਉਜਾਗਰ ਕਰਕੇ ਅਮੂਰਤ ਧਾਰਨਾਵਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ​​​​ਕਰ ਸਕਦੀ ਹੈ।ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਵਰਕਸ਼ਾਪ ਅਧਿਐਨ ਨੇ ਲੈਬ ਤੋਂ ਕਲੀਨਿਕ ਤੱਕ ਦੇ ਰਸਤੇ ਵਿੱਚ ਚੁਣੌਤੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਗੂਗਲ ਦੇ ਏਆਈ-ਅਧਾਰਤ ਡਾਇਬੀਟਿਕ ਰੈਟੀਨੋਪੈਥੀ ਖੋਜ ਪ੍ਰਣਾਲੀ 13 ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ, ਜਿਵੇਂ ਕਿ ਬਾਹਰੀ ਪ੍ਰਮਾਣਿਕਤਾ ਲੋੜਾਂ ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਪ੍ਰਵਾਨਗੀ ਮਾਰਗ।
ਤਜਰਬੇਕਾਰ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰੋ: ਤਕਨੀਕੀ ਹੁਨਰਾਂ ਲਈ ਕਲੀਨਿਕਲ ਸਿਖਿਆਰਥੀਆਂ ਦੇ ਘੁੰਮਦੇ ਸਿੱਖਣ ਦੇ ਤਜ਼ਰਬਿਆਂ ਵਾਂਗ, ਮਾਸਟਰ ਕਰਨ ਲਈ ਫੋਕਸ ਅਭਿਆਸ ਅਤੇ ਵਾਰ-ਵਾਰ ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।ਇੱਕ ਸੰਭਾਵੀ ਹੱਲ ਫਲਿਪ ਕੀਤਾ ਗਿਆ ਕਲਾਸਰੂਮ ਮਾਡਲ ਹੈ, ਜਿਸਨੂੰ ਇੰਜੀਨੀਅਰਿੰਗ ਸਿੱਖਿਆ ਵਿੱਚ ਗਿਆਨ ਧਾਰਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਰਿਪੋਰਟ ਕੀਤਾ ਗਿਆ ਹੈ।ਇਸ ਮਾਡਲ ਵਿੱਚ, ਵਿਦਿਆਰਥੀ ਸਿਧਾਂਤਕ ਸਮੱਗਰੀ ਦੀ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਸਮੀਖਿਆ ਕਰਦੇ ਹਨ ਅਤੇ ਕਲਾਸ ਦਾ ਸਮਾਂ ਕੇਸ ਅਧਿਐਨ ਦੁਆਰਾ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਸਮਰਪਿਤ ਹੁੰਦਾ ਹੈ।
ਬਹੁ-ਅਨੁਸ਼ਾਸਨੀ ਭਾਗੀਦਾਰਾਂ ਲਈ ਸਕੇਲਿੰਗ: ਅਸੀਂ AI ਗੋਦ ਲੈਣ ਦੀ ਕਲਪਨਾ ਕਰਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਕਈ ਵਿਸ਼ਿਆਂ ਵਿੱਚ ਸਹਿਯੋਗ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਪੱਧਰਾਂ ਦੀ ਸਿਖਲਾਈ ਦੇ ਨਾਲ ਡਾਕਟਰ ਅਤੇ ਸਹਾਇਕ ਸਿਹਤ ਪੇਸ਼ੇਵਰ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ।ਇਸ ਲਈ, ਵੱਖ-ਵੱਖ ਵਿਭਾਗਾਂ ਦੇ ਫੈਕਲਟੀ ਨਾਲ ਸਲਾਹ-ਮਸ਼ਵਰਾ ਕਰਕੇ ਪਾਠਕ੍ਰਮ ਤਿਆਰ ਕਰਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ ਤਾਂ ਜੋ ਉਨ੍ਹਾਂ ਦੀ ਸਮੱਗਰੀ ਨੂੰ ਸਿਹਤ ਸੰਭਾਲ ਦੇ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਲਈ ਤਿਆਰ ਕੀਤਾ ਜਾ ਸਕੇ।
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਉੱਚ-ਤਕਨੀਕੀ ਹੈ ਅਤੇ ਇਸ ਦੀਆਂ ਮੂਲ ਧਾਰਨਾਵਾਂ ਗਣਿਤ ਅਤੇ ਕੰਪਿਊਟਰ ਵਿਗਿਆਨ ਨਾਲ ਸਬੰਧਤ ਹਨ।ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਸਮਝਣ ਲਈ ਸਿਹਤ ਸੰਭਾਲ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਸਮੱਗਰੀ ਦੀ ਚੋਣ, ਕਲੀਨਿਕਲ ਪ੍ਰਸੰਗਿਕਤਾ, ਅਤੇ ਡਿਲੀਵਰੀ ਵਿਧੀਆਂ ਵਿੱਚ ਵਿਲੱਖਣ ਚੁਣੌਤੀਆਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ।ਅਸੀਂ ਆਸ ਕਰਦੇ ਹਾਂ ਕਿ ਐਜੂਕੇਸ਼ਨ ਵਰਕਸ਼ਾਪਾਂ ਵਿੱਚ AI ਤੋਂ ਪ੍ਰਾਪਤ ਜਾਣਕਾਰੀ ਭਵਿੱਖ ਦੇ ਸਿੱਖਿਅਕਾਂ ਨੂੰ AI ਨੂੰ ਮੈਡੀਕਲ ਸਿੱਖਿਆ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਦੇ ਨਵੀਨਤਾਕਾਰੀ ਤਰੀਕਿਆਂ ਨੂੰ ਅਪਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗੀ।
Google Colaboratory Python ਸਕ੍ਰਿਪਟ ਓਪਨ ਸੋਰਸ ਹੈ ਅਤੇ ਇੱਥੇ ਉਪਲਬਧ ਹੈ: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/।
ਪ੍ਰੋਬਰ, ਕੇ.ਜੀ. ਅਤੇ ਖਾਨ, ਐਸ. ਮੈਡੀਕਲ ਸਿੱਖਿਆ 'ਤੇ ਮੁੜ ਵਿਚਾਰ ਕਰਨਾ: ਐਕਸ਼ਨ ਲਈ ਇੱਕ ਕਾਲ।ਅੱਕੜ.ਦਵਾਈ.88, 1407–1410 (2013)।
McCoy, LG ਆਦਿ। ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਅਸਲ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਬਾਰੇ ਕੀ ਜਾਣਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ?NPZh ਨੰਬਰ।ਦਵਾਈ 3, 1–3 (2020)।
ਡੌਸ ਸੈਂਟੋਸ, ਡੀਪੀ, ਐਟ ਅਲ.ਨਕਲੀ ਬੁੱਧੀ ਪ੍ਰਤੀ ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਦਾ ਰਵੱਈਆ: ਇੱਕ ਮਲਟੀਸੈਂਟਰ ਸਰਵੇਖਣ।ਯੂਰੋ.ਰੇਡੀਏਸ਼ਨ29, 1640–1646 (2019)।
ਫੈਨ, ਕੇ.ਵਾਈ., ਹੂ, ਆਰ., ਅਤੇ ਸਿੰਗਲਾ, ਆਰ. ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਜਾਣ-ਪਛਾਣ: ਇੱਕ ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟ।ਜੇ. ਮੈਡ.ਸਿਖਾਓ54, 1042–1043 (2020)।
ਕੂਪਰਮੈਨ ਐਨ, ਐਟ ਅਲ.ਸਿਰ ਦੀ ਸੱਟ ਤੋਂ ਬਾਅਦ ਡਾਕਟਰੀ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਦਿਮਾਗ ਦੀ ਸੱਟ ਦੇ ਬਹੁਤ ਘੱਟ ਜੋਖਮ ਵਾਲੇ ਬੱਚਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨਾ: ਇੱਕ ਸੰਭਾਵੀ ਸਮੂਹ ਅਧਿਐਨ।ਲੈਂਸੇਟ 374, 1160–1170 (2009)।
ਸਟ੍ਰੀਟ, ਡਬਲਯੂ.ਐਨ., ਵੋਲਬਰਗ, ਡਬਲਯੂ.ਐਚ. ਅਤੇ ਮੈਂਗਾਸਾਰੀਅਨ, ਓ.ਐਲ.ਛਾਤੀ ਦੇ ਟਿਊਮਰ ਦੇ ਨਿਦਾਨ ਲਈ ਪ੍ਰਮਾਣੂ ਵਿਸ਼ੇਸ਼ਤਾ ਕੱਢਣਾ.ਬਾਇਓਮੈਡੀਕਲ ਵਿਗਿਆਨ।ਚਿੱਤਰ ਦੀ ਪ੍ਰਕਿਰਿਆ।ਬਾਇਓਮੈਡੀਕਲ ਵਿਗਿਆਨ।ਵੇਸ.1905, 861–870 (1993)।
ਚੇਨ, PHC, ਲਿਊ, ਵਾਈ. ਅਤੇ ਪੇਂਗ, ਐਲ. ਹੈਲਥਕੇਅਰ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਕਿਵੇਂ ਵਿਕਸਿਤ ਕੀਤੇ ਜਾਣ।ਨੈਟ.ਮੈਟ.18, 410–414 (2019)।
ਸੇਲਵਾਰਾਜੂ, ਆਰਆਰ ਐਟ ਅਲ.ਗ੍ਰੇਡ-ਕੈਮ: ਗਰੇਡੀਐਂਟ-ਅਧਾਰਿਤ ਸਥਾਨੀਕਰਨ ਦੁਆਰਾ ਡੂੰਘੇ ਨੈੱਟਵਰਕਾਂ ਦੀ ਵਿਜ਼ੂਅਲ ਵਿਆਖਿਆ।ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ, 618–626 (2017) 'ਤੇ IEEE ਇੰਟਰਨੈਸ਼ਨਲ ਕਾਨਫਰੰਸ ਦੀ ਕਾਰਵਾਈ।
ਕੁਮਾਰਵੇਲ ਬੀ, ਸਟੀਵਰਟ ਕੇ ਅਤੇ ਆਈਲਿਕ ਡੀ. ਅੰਡਰਗਰੈਜੂਏਟ ਮੈਡੀਕਲ ਸਿੱਖਿਆ ਵਿੱਚ OSCE ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਬੂਤ-ਆਧਾਰਿਤ ਦਵਾਈਆਂ ਦੀਆਂ ਯੋਗਤਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਸਪਿਰਲ ਮਾਡਲ ਦਾ ਵਿਕਾਸ ਅਤੇ ਮੁਲਾਂਕਣ।BMK ਦਵਾਈ।ਸਿਖਾਓ21, 1-9 (2021)।
ਕੋਲਾਚਲਾਮਾ ਵੀਬੀ ਅਤੇ ਗਰਗ ਪੀਐਸ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਮੈਡੀਕਲ ਸਿੱਖਿਆ।NPZh ਨੰਬਰ।ਦਵਾਈ.1, 1–3 (2018)।
ਵੈਨ ਲੀਊਵੇਨ, ਕੇ.ਜੀ., ਸ਼ੈਲੇਕੈਂਪ, ਐਸ., ਰੁਟਨ, ਐਮ.ਜੇ., ਵੈਨ ਗਿਨੇਕੇਨ, ਬੀ. ਅਤੇ ਡੀ ਰੂਏ, ਐਮ. ਰੇਡੀਓਲੋਜੀ ਵਿੱਚ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ: 100 ਵਪਾਰਕ ਉਤਪਾਦ ਅਤੇ ਉਹਨਾਂ ਦੇ ਵਿਗਿਆਨਕ ਸਬੂਤ।ਯੂਰੋ.ਰੇਡੀਏਸ਼ਨ31, 3797–3804 (2021)।
ਟੋਪੋਲ, ਈਜੇ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਦਵਾਈ: ਮਨੁੱਖੀ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਦਾ ਕਨਵਰਜੈਂਸ।ਨੈਟ.ਦਵਾਈ.25, 44–56 (2019)।
ਬੇਡੇ, ਈ. ਐਟ ਅਲ.ਡਾਇਬੀਟਿਕ ਰੈਟੀਨੋਪੈਥੀ ਦੀ ਖੋਜ ਲਈ ਕਲੀਨਿਕ ਵਿੱਚ ਤੈਨਾਤ ਇੱਕ ਡੂੰਘੀ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀ ਦਾ ਮਨੁੱਖੀ-ਕੇਂਦ੍ਰਿਤ ਮੁਲਾਂਕਣ।ਕੰਪਿਊਟਿੰਗ ਸਿਸਟਮ (2020) ਵਿੱਚ ਮਨੁੱਖੀ ਕਾਰਕਾਂ ਬਾਰੇ 2020 CHI ਕਾਨਫਰੰਸ ਦੀ ਕਾਰਵਾਈ।
ਕੇਰ, ਬੀ. ਇੰਜੀਨੀਅਰਿੰਗ ਸਿੱਖਿਆ ਵਿੱਚ ਫਲਿੱਪਡ ਕਲਾਸਰੂਮ: ਇੱਕ ਖੋਜ ਸਮੀਖਿਆ।ਇੰਟਰਐਕਟਿਵ ਕੋਲਾਬੋਰੇਟਿਵ ਲਰਨਿੰਗ (2015) 'ਤੇ 2015 ਦੀ ਅੰਤਰਰਾਸ਼ਟਰੀ ਕਾਨਫਰੰਸ ਦੀ ਕਾਰਵਾਈ।
ਲੇਖਕ ਸਹਾਇਤਾ ਅਤੇ ਫੰਡਿੰਗ ਲਈ ਬ੍ਰਿਟਿਸ਼ ਕੋਲੰਬੀਆ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਬਾਇਓਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਅਤੇ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਰਿਸਰਚ ਕਲੱਸਟਰ ਤੋਂ ਡੈਨੀਅਲ ਵਾਕਰ, ਟਿਮ ਸੈਲਕੁਡਿਨ ਅਤੇ ਪੀਟਰ ਜ਼ੈਂਡਸਟ੍ਰਾ ਦਾ ਧੰਨਵਾਦ ਕਰਦੇ ਹਨ।
RH, PP, ZH, RS ਅਤੇ MA ਵਰਕਸ਼ਾਪ ਦੀ ਅਧਿਆਪਨ ਸਮੱਗਰੀ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਸਨ।RH ਅਤੇ PP ਪ੍ਰੋਗਰਾਮਿੰਗ ਉਦਾਹਰਣਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਸਨ।KYF, OY, MT ਅਤੇ PW ਪ੍ਰੋਜੈਕਟ ਦੇ ਲੌਜਿਸਟਿਕ ਸੰਗਠਨ ਅਤੇ ਵਰਕਸ਼ਾਪਾਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਸਨ।RH, OY, MT, RS ਅੰਕੜੇ ਅਤੇ ਟੇਬਲ ਬਣਾਉਣ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਸਨ।RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ਦਸਤਾਵੇਜ਼ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ ਅਤੇ ਸੰਪਾਦਿਤ ਕਰਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਸਨ।
ਕਮਿਊਨੀਕੇਸ਼ਨ ਮੈਡੀਸਨ ਇਸ ਕੰਮ ਦੀ ਸਮੀਖਿਆ ਲਈ ਉਨ੍ਹਾਂ ਦੇ ਯੋਗਦਾਨ ਲਈ ਕੈਰੋਲਿਨ ਮੈਕਗ੍ਰੇਗਰ, ਫੈਬੀਓ ਮੋਰੇਸ, ਅਤੇ ਆਦਿਤਿਆ ਬੋਰਾਕਤੀ ਦਾ ਧੰਨਵਾਦ ਕਰਦੀ ਹੈ।