ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਿਖਾਉਣ ਬਾਰੇ ਕੈਨੇਡੀਅਨ ਦ੍ਰਿਸ਼ਟੀਕੋਣ

Nature.com 'ਤੇ ਜਾਣ ਲਈ ਧੰਨਵਾਦ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਜਾ ਰਹੇ ਬ੍ਰਾਊਜ਼ਰ ਦੇ ਸੰਸਕਰਣ ਵਿੱਚ ਸੀਮਤ CSS ਸਮਰਥਨ ਹੈ। ਵਧੀਆ ਨਤੀਜਿਆਂ ਲਈ, ਅਸੀਂ ਤੁਹਾਡੇ ਬ੍ਰਾਊਜ਼ਰ ਦੇ ਇੱਕ ਨਵੇਂ ਸੰਸਕਰਣ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ (ਜਾਂ ਇੰਟਰਨੈੱਟ ਐਕਸਪਲੋਰਰ ਵਿੱਚ ਅਨੁਕੂਲਤਾ ਮੋਡ ਨੂੰ ਬੰਦ ਕਰੋ)। ਇਸ ਦੌਰਾਨ, ਨਿਰੰਤਰ ਸਹਾਇਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ, ਅਸੀਂ ਸਾਈਟ ਨੂੰ ਸਟਾਈਲਿੰਗ ਜਾਂ JavaScript ਤੋਂ ਬਿਨਾਂ ਦਿਖਾ ਰਹੇ ਹਾਂ।
ਕਲੀਨਿਕਲ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੇ ਉਪਯੋਗ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੇ 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 ਕੈਨੇਡੀਅਨ ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਵਿਕਸਤ ਅਤੇ ਪ੍ਰਦਾਨ ਕੀਤਾ ਹੈ ਅਤੇ ਭਵਿੱਖ ਦੀ ਸਿਖਲਾਈ ਲਈ ਸਿਫਾਰਸ਼ਾਂ ਕਰਦੇ ਹਾਂ।
ਦਵਾਈ ਵਿੱਚ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਕੰਮ ਵਾਲੀ ਥਾਂ ਦੀ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੀ ਹੈ ਅਤੇ ਕਲੀਨਿਕਲ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰ ਸਕਦੀ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਵਰਤੋਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਮਾਰਗਦਰਸ਼ਨ ਕਰਨ ਲਈ, ਡਾਕਟਰਾਂ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ 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 ਨੂੰ ਸਮਝਾਉਣਾ 2। ਹਾਲਾਂਕਿ, ਕੁਝ ਢਾਂਚਾਗਤ ਯੋਜਨਾਵਾਂ ਲਾਗੂ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ, ਖਾਸ ਕਰਕੇ ਰਾਸ਼ਟਰੀ ਪੱਧਰ 'ਤੇ। ਪਿੰਟੋ ਡੌਸ ਸੈਂਟੋਸ ਅਤੇ ਹੋਰ। 263 ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਦਾ ਸਰਵੇਖਣ ਕੀਤਾ ਗਿਆ ਅਤੇ 71% ਸਹਿਮਤ ਹੋਏ ਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਿੱਚ ਸਿਖਲਾਈ ਦੀ ਲੋੜ ਹੈ। ਮੈਡੀਕਲ ਦਰਸ਼ਕਾਂ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਿਖਾਉਣ ਲਈ ਇੱਕ ਸਾਵਧਾਨ ਡਿਜ਼ਾਈਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਉਹਨਾਂ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਤਕਨੀਕੀ ਅਤੇ ਗੈਰ-ਤਕਨੀਕੀ ਸੰਕਲਪਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਕੋਲ ਅਕਸਰ ਵਿਆਪਕ ਪੂਰਵ 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 ਦੀ ਮੈਡੀਕਲ ਸਿੱਖਿਆ ਲਈ ਸਿਫ਼ਾਰਸ਼ਾਂ ਕਰਦੇ ਹਾਂ।
ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਸਾਡੀ ਪੰਜ-ਹਫ਼ਤੇ ਦੀ ਇੰਟਰੋਡਕਸ਼ਨ ਟੂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇਨ ਮੈਡੀਸਨ ਵਰਕਸ਼ਾਪ ਫਰਵਰੀ 2019 ਅਤੇ ਅਪ੍ਰੈਲ 2021 ਦੇ ਵਿਚਕਾਰ ਤਿੰਨ ਵਾਰ ਆਯੋਜਿਤ ਕੀਤੀ ਗਈ ਸੀ। ਹਰੇਕ ਵਰਕਸ਼ਾਪ ਲਈ ਇੱਕ ਸਮਾਂ-ਸਾਰਣੀ, ਕੋਰਸ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੇ ਸੰਖੇਪ ਵਰਣਨ ਦੇ ਨਾਲ, ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਈ ਗਈ ਹੈ। ਸਾਡੇ ਕੋਰਸ ਦੇ ਤਿੰਨ ਮੁੱਖ ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼ ਹਨ: ਵਿਦਿਆਰਥੀ ਸਮਝਦੇ ਹਨ ਕਿ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਡੇਟਾ ਕਿਵੇਂ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਕਲੀਨਿਕਲ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਾਹਿਤ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਨ, ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਿਕਸਤ ਕਰਨ ਵਾਲੇ ਇੰਜੀਨੀਅਰਾਂ ਨਾਲ ਸਹਿਯੋਗ ਕਰਨ ਦੇ ਮੌਕਿਆਂ ਦਾ ਫਾਇਦਾ ਉਠਾਉਂਦੇ ਹਨ।
ਨੀਲਾ ਰੰਗ ਲੈਕਚਰ ਦਾ ਵਿਸ਼ਾ ਹੈ ਅਤੇ ਹਲਕਾ ਨੀਲਾ ਰੰਗ ਇੰਟਰਐਕਟਿਵ ਸਵਾਲ-ਜਵਾਬ ਦੀ ਮਿਆਦ ਹੈ। ਸਲੇਟੀ ਭਾਗ ਸੰਖੇਪ ਸਾਹਿਤ ਸਮੀਖਿਆ ਦਾ ਕੇਂਦਰ ਹੈ। ਸੰਤਰੀ ਭਾਗ ਚੁਣੇ ਹੋਏ ਕੇਸ ਅਧਿਐਨ ਹਨ ਜੋ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਮਾਡਲਾਂ ਜਾਂ ਤਕਨੀਕਾਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ। ਹਰਾ ਇੱਕ ਗਾਈਡਡ ਪ੍ਰੋਗਰਾਮਿੰਗ ਕੋਰਸ ਹੈ ਜੋ ਕਲੀਨਿਕਲ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਅਤੇ ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਿਖਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਵਰਕਸ਼ਾਪਾਂ ਦੀ ਸਮੱਗਰੀ ਅਤੇ ਮਿਆਦ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਦੇ ਮੁਲਾਂਕਣ ਦੇ ਆਧਾਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਹੁੰਦੀ ਹੈ।
ਪਹਿਲੀ ਵਰਕਸ਼ਾਪ ਫਰਵਰੀ ਤੋਂ ਅਪ੍ਰੈਲ 2019 ਤੱਕ ਬ੍ਰਿਟਿਸ਼ ਕੋਲੰਬੀਆ ਯੂਨੀਵਰਸਿਟੀ ਵਿਖੇ ਆਯੋਜਿਤ ਕੀਤੀ ਗਈ ਸੀ, ਅਤੇ ਸਾਰੇ 8 ਭਾਗੀਦਾਰਾਂ ਨੇ ਸਕਾਰਾਤਮਕ ਫੀਡਬੈਕ ਦਿੱਤਾ ਸੀ। ਕੋਵਿਡ-19 ਦੇ ਕਾਰਨ, ਦੂਜੀ ਵਰਕਸ਼ਾਪ ਅਕਤੂਬਰ-ਨਵੰਬਰ 2020 ਵਿੱਚ ਵਰਚੁਅਲ ਤੌਰ 'ਤੇ ਆਯੋਜਿਤ ਕੀਤੀ ਗਈ ਸੀ, ਜਿਸ ਵਿੱਚ 222 ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀ ਅਤੇ 8 ਕੈਨੇਡੀਅਨ ਮੈਡੀਕਲ ਸਕੂਲਾਂ ਦੇ 3 ਨਿਵਾਸੀਆਂ ਨੇ ਰਜਿਸਟਰ ਕੀਤਾ ਸੀ। ਪੇਸ਼ਕਾਰੀ ਸਲਾਈਡਾਂ ਅਤੇ ਕੋਡ ਨੂੰ ਇੱਕ ਓਪਨ ਐਕਸੈਸ ਸਾਈਟ (http://ubcaimed.github.io) 'ਤੇ ਅਪਲੋਡ ਕੀਤਾ ਗਿਆ ਹੈ। ਪਹਿਲੀ ਦੁਹਰਾਈ ਤੋਂ ਮੁੱਖ ਫੀਡਬੈਕ ਇਹ ਸੀ ਕਿ ਲੈਕਚਰ ਬਹੁਤ ਤੀਬਰ ਸਨ ਅਤੇ ਸਮੱਗਰੀ ਬਹੁਤ ਸਿਧਾਂਤਕ ਸੀ। ਕੈਨੇਡਾ ਦੇ ਛੇ ਵੱਖ-ਵੱਖ ਸਮਾਂ ਖੇਤਰਾਂ ਦੀ ਸੇਵਾ ਕਰਨ ਨਾਲ ਵਾਧੂ ਚੁਣੌਤੀਆਂ ਪੈਦਾ ਹੁੰਦੀਆਂ ਹਨ। ਇਸ ਤਰ੍ਹਾਂ, ਦੂਜੀ ਵਰਕਸ਼ਾਪ ਨੇ ਹਰੇਕ ਸੈਸ਼ਨ ਨੂੰ 1 ਘੰਟੇ ਤੱਕ ਛੋਟਾ ਕੀਤਾ, ਕੋਰਸ ਸਮੱਗਰੀ ਨੂੰ ਸਰਲ ਬਣਾਇਆ, ਹੋਰ ਕੇਸ ਅਧਿਐਨ ਸ਼ਾਮਲ ਕੀਤੇ, ਅਤੇ ਬਾਇਲਰਪਲੇਟ ਪ੍ਰੋਗਰਾਮ ਬਣਾਏ ਜੋ ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਘੱਟੋ-ਘੱਟ ਡੀਬੱਗਿੰਗ (ਬਾਕਸ 1) ਨਾਲ ਕੋਡ ਸਨਿੱਪਟ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਸਨ। ਦੂਜੀ ਦੁਹਰਾਈ ਤੋਂ ਮੁੱਖ ਫੀਡਬੈਕ ਵਿੱਚ ਪ੍ਰੋਗਰਾਮਿੰਗ ਅਭਿਆਸਾਂ 'ਤੇ ਸਕਾਰਾਤਮਕ ਫੀਡਬੈਕ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰੋਜੈਕਟ ਲਈ ਯੋਜਨਾਬੰਦੀ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਦੀ ਬੇਨਤੀ ਸ਼ਾਮਲ ਸੀ। ਇਸ ਲਈ, ਮਾਰਚ-ਅਪ੍ਰੈਲ 2021 ਵਿੱਚ 126 ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਵਰਚੁਅਲੀ ਆਯੋਜਿਤ ਸਾਡੀ ਤੀਜੀ ਵਰਕਸ਼ਾਪ ਵਿੱਚ, ਅਸੀਂ ਪ੍ਰੋਜੈਕਟਾਂ 'ਤੇ ਵਰਕਸ਼ਾਪ ਸੰਕਲਪਾਂ ਦੀ ਵਰਤੋਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਦਰਸਾਉਣ 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, ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਸੰਚਾਰ ਕਰਕੇ ਡੇਟਾ ਵਿੱਚ ਅਰਥਪੂਰਨ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ।
ਡੇਟਾ ਮਾਈਨਿੰਗ: ਡੇਟਾ ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਕੱਢਣ ਦੀ ਪ੍ਰਕਿਰਿਆ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, ਇਹ ਅਕਸਰ ਵੱਡਾ ਹੁੰਦਾ ਹੈ, ਹਰੇਕ ਨਮੂਨੇ ਲਈ ਕਈ ਵੇਰੀਏਬਲ ਹੁੰਦੇ ਹਨ।
ਡਾਇਮੈਂਸ਼ਨਲਿਟੀ ਰਿਡਕਸ਼ਨ: ਮੂਲ ਡੇਟਾ ਸੈੱਟ ਦੇ ਮਹੱਤਵਪੂਰਨ ਗੁਣਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੇ ਹੋਏ ਕਈ ਵਿਅਕਤੀਗਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਡੇਟਾ ਨੂੰ ਘੱਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਬਦਲਣ ਦੀ ਪ੍ਰਕਿਰਿਆ।
ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਸੰਦਰਭ ਵਿੱਚ): ਇੱਕ ਨਮੂਨੇ ਦੇ ਮਾਪਣਯੋਗ ਗੁਣ। ਅਕਸਰ "ਪ੍ਰਾਪਰਟੀ" ਜਾਂ "ਵੇਰੀਏਬਲ" ਦੇ ਨਾਲ ਬਦਲਵੇਂ ਰੂਪ ਵਿੱਚ ਵਰਤੇ ਜਾਂਦੇ ਹਨ।
ਗਰੇਡੀਐਂਟ ਐਕਟੀਵੇਸ਼ਨ ਮੈਪ: ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਮਾਡਲਾਂ (ਖਾਸ ਕਰਕੇ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ) ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਇੱਕ ਤਕਨੀਕ, ਜੋ ਕਿ 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 ਏਆਈ ਮਾਡਲ ਜਿਸਨੂੰ ਸਮਾਨ ਕਾਰਜ ਕਰਨ ਲਈ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ।
ਟੈਸਟਿੰਗ (ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਸੰਦਰਭ ਵਿੱਚ): ਇਹ ਦੇਖਣਾ ਕਿ ਇੱਕ ਮਾਡਲ ਉਸ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ ਜਿਸਦਾ ਉਸਨੂੰ ਪਹਿਲਾਂ ਕਦੇ ਸਾਹਮਣਾ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ।
ਸਿਖਲਾਈ (ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਸੰਦਰਭ ਵਿੱਚ): ਡੇਟਾ ਅਤੇ ਨਤੀਜਿਆਂ ਵਾਲਾ ਇੱਕ ਮਾਡਲ ਪ੍ਰਦਾਨ ਕਰਨਾ ਤਾਂ ਜੋ ਮਾਡਲ ਨਵੇਂ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਾਰਜ ਕਰਨ ਦੀ ਆਪਣੀ ਯੋਗਤਾ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਆਪਣੇ ਅੰਦਰੂਨੀ ਮਾਪਦੰਡਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾ ਸਕੇ।
ਵੈਕਟਰ: ਡੇਟਾ ਦਾ ਐਰੇ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ, ਹਰੇਕ ਐਰੇ ਐਲੀਮੈਂਟ 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 ਨਿਸ਼ਾਨਾਬੱਧ ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਵਰਕਸ਼ਾਪ ਤਕਨੀਕੀ ਪੱਧਰ 'ਤੇ ਨਵੇਂ ਲੋਕਾਂ ਲਈ ਹੈ ਅਤੇ ਅੰਡਰਗ੍ਰੈਜੁਏਟ ਮੈਡੀਕਲ ਡਿਗਰੀ ਦੇ ਪਹਿਲੇ ਸਾਲ ਤੋਂ ਵੱਧ ਕਿਸੇ ਵੀ ਗਣਿਤਿਕ ਗਿਆਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਇਹ ਕੋਰਸ 6 ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਉੱਨਤ ਡਿਗਰੀਆਂ ਵਾਲੇ 3 ਅਧਿਆਪਕਾਂ ਦੁਆਰਾ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਇੰਜੀਨੀਅਰ ਪੜ੍ਹਾਉਣ ਲਈ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਥਿਊਰੀ ਵਿਕਸਤ ਕਰ ਰਹੇ ਹਨ, ਅਤੇ ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀ ਕਲੀਨਿਕਲ 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 ਵਰਣਨਾਤਮਕ ਅਤੇ ਪ੍ਰੇਰਕ ਅੰਕੜਿਆਂ ਦੀ ਤੁਲਨਾ ਸ਼ਾਮਲ ਹੈ। ਹਾਲਾਂਕਿ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਨੀਂਹ ਹੈ, ਅਸੀਂ ਡੇਟਾ ਮਾਈਨਿੰਗ, ਮਹੱਤਵ ਟੈਸਟਿੰਗ, ਜਾਂ ਇੰਟਰਐਕਟਿਵ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਵਰਗੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਬਾਹਰ ਕੱਢਦੇ ਹਾਂ। ਇਹ ਸਮੇਂ ਦੀਆਂ ਕਮੀਆਂ ਦੇ ਕਾਰਨ ਸੀ ਅਤੇ ਇਹ ਵੀ ਕਿਉਂਕਿ ਕੁਝ ਅੰਡਰਗ੍ਰੈਜੁਏਟ ਵਿਦਿਆਰਥੀਆਂ ਕੋਲ ਬਾਇਓਸਟੈਟਿਸਟਿਕਸ ਵਿੱਚ ਪਹਿਲਾਂ ਸਿਖਲਾਈ ਸੀ ਅਤੇ ਉਹ ਹੋਰ ਵਿਲੱਖਣ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿਸ਼ਿਆਂ ਨੂੰ ਕਵਰ ਕਰਨਾ ਚਾਹੁੰਦੇ ਸਨ। ਇਸ ਤੋਂ ਬਾਅਦ ਦਾ ਲੈਕਚਰ ਆਧੁਨਿਕ ਤਰੀਕਿਆਂ ਨੂੰ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਅਤੇ AI ਸਮੱਸਿਆ ਦੇ ਨਿਰਮਾਣ, AI ਮਾਡਲਾਂ ਦੇ ਫਾਇਦੇ ਅਤੇ ਸੀਮਾਵਾਂ, ਅਤੇ ਮਾਡਲ ਟੈਸਟਿੰਗ ਬਾਰੇ ਚਰਚਾ ਕਰਦਾ ਹੈ। ਲੈਕਚਰ ਸਾਹਿਤ ਅਤੇ ਮੌਜੂਦਾ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਡਿਵਾਈਸਾਂ 'ਤੇ ਵਿਹਾਰਕ ਖੋਜ ਦੁਆਰਾ ਪੂਰਕ ਹਨ। ਅਸੀਂ ਕਲੀਨਿਕਲ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਮਾਡਲ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਅਤੇ ਸੰਭਾਵਨਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਹੁਨਰਾਂ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਮੌਜੂਦਾ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਡਿਵਾਈਸਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਸਮਝਣਾ ਸ਼ਾਮਲ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਅਸੀਂ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਕੁਪਰਮੈਨ ਐਟ ਅਲ., 5 ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਬਾਲ ਚਿਕਿਤਸਕ ਸਿਰ ਦੀ ਸੱਟ ਦੇ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਕਿਹਾ ਜਿਸਨੇ ਇੱਕ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਫੈਸਲੇ ਟ੍ਰੀ ਐਲਗੋਰਿਦਮ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਤਾਂ ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾ ਸਕੇ ਕਿ ਕੀ ਇੱਕ ਡਾਕਟਰ ਦੀ ਜਾਂਚ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਸੀਟੀ ਸਕੈਨ ਉਪਯੋਗੀ ਹੋਵੇਗਾ। ਅਸੀਂ ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਾਂ ਕਿ ਇਹ AI ਦੀ ਇੱਕ ਆਮ ਉਦਾਹਰਣ ਹੈ ਜੋ ਡਾਕਟਰਾਂ ਨੂੰ ਡਾਕਟਰਾਂ ਦੀ ਥਾਂ ਲੈਣ ਦੀ ਬਜਾਏ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਭਵਿੱਖਬਾਣੀ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।
ਉਪਲਬਧ ਓਪਨ ਸੋਰਸ ਬੂਟਸਟਰੈਪ ਪ੍ਰੋਗਰਾਮਿੰਗ ਉਦਾਹਰਣਾਂ (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) ਵਿੱਚ, ਅਸੀਂ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੇ ਹਾਂ ਕਿ ਖੋਜੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਅਯਾਮ ਘਟਾਉਣਾ, ਮਿਆਰੀ ਮਾਡਲ ਲੋਡਿੰਗ, ਅਤੇ ਸਿਖਲਾਈ . ਅਤੇ ਟੈਸਟਿੰਗ ਕਿਵੇਂ ਕਰਨੀ ਹੈ। ਅਸੀਂ Google Colaboratory ਨੋਟਬੁੱਕਾਂ (Google LLC, Mountain View, CA) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ, ਜੋ Python ਕੋਡ ਨੂੰ ਇੱਕ ਵੈੱਬ ਬ੍ਰਾਊਜ਼ਰ ਤੋਂ ਚਲਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀਆਂ ਹਨ। ਚਿੱਤਰ ਵਿੱਚ। ਚਿੱਤਰ 2 ਇੱਕ ਪ੍ਰੋਗਰਾਮਿੰਗ ਅਭਿਆਸ ਦੀ ਇੱਕ ਉਦਾਹਰਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਸ ਅਭਿਆਸ ਵਿੱਚ ਵਿਸਕਾਨਸਿਨ ਓਪਨ ਬ੍ਰੈਸਟ ਇਮੇਜਿੰਗ ਡੇਟਾਸੈੱਟ 6 ਅਤੇ ਇੱਕ ਫੈਸਲੇ ਦੇ ਰੁੱਖ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਖ਼ਤਰਨਾਕ ਬਿਮਾਰੀਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ।
ਹਫ਼ਤੇ ਭਰ ਸਬੰਧਤ ਵਿਸ਼ਿਆਂ 'ਤੇ ਪ੍ਰੋਗਰਾਮ ਪੇਸ਼ ਕਰੋ ਅਤੇ ਪ੍ਰਕਾਸ਼ਿਤ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਤੋਂ ਉਦਾਹਰਣਾਂ ਚੁਣੋ। ਪ੍ਰੋਗਰਾਮਿੰਗ ਤੱਤ ਸਿਰਫ਼ ਤਾਂ ਹੀ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਜੇਕਰ ਉਹਨਾਂ ਨੂੰ ਭਵਿੱਖ ਦੇ ਕਲੀਨਿਕਲ ਅਭਿਆਸ ਵਿੱਚ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਢੁਕਵਾਂ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਿਵੇਂ ਕਰਨਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾ ਸਕੇ ਕਿ ਉਹ ਕਲੀਨਿਕਲ ਅਜ਼ਮਾਇਸ਼ਾਂ ਵਿੱਚ ਵਰਤੋਂ ਲਈ ਤਿਆਰ ਹਨ ਜਾਂ ਨਹੀਂ। ਇਹ ਉਦਾਹਰਣਾਂ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਐਂਡ-ਟੂ-ਐਂਡ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਸਮਾਪਤ ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਮੈਡੀਕਲ ਚਿੱਤਰ ਮਾਪਦੰਡਾਂ ਦੇ ਅਧਾਰ ਤੇ ਟਿਊਮਰਾਂ ਨੂੰ ਸੁਭਾਵਕ ਜਾਂ ਘਾਤਕ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦੀਆਂ ਹਨ।
ਪੁਰਾਣੇ ਗਿਆਨ ਦੀ ਵਿਭਿੰਨਤਾ। ਸਾਡੇ ਭਾਗੀਦਾਰਾਂ ਦੇ ਗਣਿਤਿਕ ਗਿਆਨ ਦੇ ਪੱਧਰ ਵਿੱਚ ਭਿੰਨਤਾ ਸੀ। ਉਦਾਹਰਣ ਵਜੋਂ, ਉੱਨਤ ਇੰਜੀਨੀਅਰਿੰਗ ਪਿਛੋਕੜ ਵਾਲੇ ਵਿਦਿਆਰਥੀ ਵਧੇਰੇ ਡੂੰਘਾਈ ਨਾਲ ਸਮੱਗਰੀ ਦੀ ਭਾਲ ਕਰ ਰਹੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਆਪਣੇ ਖੁਦ ਦੇ ਫੂਰੀਅਰ ਟ੍ਰਾਂਸਫਾਰਮ ਕਿਵੇਂ ਕਰਨੇ ਹਨ। ਹਾਲਾਂਕਿ, ਕਲਾਸ ਵਿੱਚ ਫੂਰੀਅਰ ਐਲਗੋਰਿਦਮ ਦੀ ਚਰਚਾ ਕਰਨਾ ਸੰਭਵ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਸ ਲਈ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਦੇ ਡੂੰਘਾਈ ਨਾਲ ਗਿਆਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਹਾਜ਼ਰੀ ਦਾ ਪ੍ਰਵਾਹ। ਫਾਲੋ-ਅੱਪ ਮੀਟਿੰਗਾਂ ਵਿੱਚ ਹਾਜ਼ਰੀ ਘਟੀ, ਖਾਸ ਕਰਕੇ ਔਨਲਾਈਨ ਫਾਰਮੈਟਾਂ ਵਿੱਚ। ਇੱਕ ਹੱਲ ਹਾਜ਼ਰੀ ਨੂੰ ਟਰੈਕ ਕਰਨਾ ਅਤੇ ਪੂਰਾ ਹੋਣ ਦਾ ਸਰਟੀਫਿਕੇਟ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੋ ਸਕਦਾ ਹੈ। ਮੈਡੀਕਲ ਸਕੂਲ ਵਿਦਿਆਰਥੀਆਂ ਦੀਆਂ ਪਾਠਕ੍ਰਮ ਤੋਂ ਬਾਹਰ ਦੀਆਂ ਅਕਾਦਮਿਕ ਗਤੀਵਿਧੀਆਂ ਦੀਆਂ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟਾਂ ਨੂੰ ਮਾਨਤਾ ਦੇਣ ਲਈ ਜਾਣੇ ਜਾਂਦੇ ਹਨ, ਜੋ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਡਿਗਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦੇ ਹਨ।
ਕੋਰਸ ਡਿਜ਼ਾਈਨ: ਕਿਉਂਕਿ AI ਬਹੁਤ ਸਾਰੇ ਉਪ-ਖੇਤਰਾਂ ਨੂੰ ਫੈਲਾਉਂਦਾ ਹੈ, ਇਸ ਲਈ ਢੁਕਵੀਂ ਡੂੰਘਾਈ ਅਤੇ ਚੌੜਾਈ ਦੇ ਮੁੱਖ ਸੰਕਲਪਾਂ ਦੀ ਚੋਣ ਕਰਨਾ ਚੁਣੌਤੀਪੂਰਨ ਹੋ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਤੋਂ ਕਲੀਨਿਕ ਤੱਕ AI ਟੂਲਸ 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 ਟਰਾਇਲ ਕਰਵਾਉਣ ਵਰਗੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਸ਼ਾਮਲ ਨਹੀਂ ਕਰਦੇ, ਇਸਦੀ ਬਜਾਏ ਅਸੀਂ ਸਭ ਤੋਂ ਵਿਲੱਖਣ AI ਸੰਕਲਪਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਾਂ। ਸਾਡਾ ਮਾਰਗਦਰਸ਼ਕ ਸਿਧਾਂਤ ਸਾਖਰਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣਾ ਹੈ, ਹੁਨਰਾਂ ਨੂੰ ਨਹੀਂ। ਉਦਾਹਰਨ ਲਈ, ਇਹ ਸਮਝਣਾ ਕਿ ਇੱਕ ਮਾਡਲ ਇਨਪੁਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ ਵਿਆਖਿਆਯੋਗਤਾ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਅਜਿਹਾ ਕਰਨ ਦਾ ਇੱਕ ਤਰੀਕਾ ਗਰੇਡੀਐਂਟ ਐਕਟੀਵੇਸ਼ਨ ਨਕਸ਼ਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ, ਜੋ ਇਹ ਕਲਪਨਾ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਡੇਟਾ ਦੇ ਕਿਹੜੇ ਖੇਤਰ ਅਨੁਮਾਨਯੋਗ ਹਨ। ਹਾਲਾਂਕਿ, ਇਸ ਲਈ ਮਲਟੀਵੇਰੀਏਟ ਕੈਲਕੂਲਸ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਅਤੇ ਇਸਨੂੰ ਪੇਸ਼ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ8। ਇੱਕ ਆਮ ਸ਼ਬਦਾਵਲੀ ਵਿਕਸਤ ਕਰਨਾ ਚੁਣੌਤੀਪੂਰਨ ਸੀ ਕਿਉਂਕਿ ਅਸੀਂ ਇਹ ਸਮਝਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਸੀ ਕਿ ਗਣਿਤਿਕ ਰਸਮੀਤਾ ਤੋਂ ਬਿਨਾਂ ਵੈਕਟਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਡੇਟਾ ਨਾਲ ਕਿਵੇਂ ਕੰਮ ਕਰਨਾ ਹੈ। ਧਿਆਨ ਦਿਓ ਕਿ ਵੱਖ-ਵੱਖ ਸ਼ਬਦਾਂ ਦਾ ਇੱਕੋ ਜਿਹਾ ਅਰਥ ਹੁੰਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਮਹਾਂਮਾਰੀ ਵਿਗਿਆਨ ਵਿੱਚ, ਇੱਕ "ਵਿਸ਼ੇਸ਼ਤਾ" ਨੂੰ "ਵੇਰੀਏਬਲ" ਜਾਂ "ਵਿਸ਼ੇਸ਼ਤਾ" ਵਜੋਂ ਦਰਸਾਇਆ ਗਿਆ ਹੈ।
ਗਿਆਨ ਦੀ ਧਾਰਨਾ। ਕਿਉਂਕਿ AI ਦੀ ਵਰਤੋਂ ਸੀਮਤ ਹੈ, ਇਸ ਲਈ ਭਾਗੀਦਾਰ ਗਿਆਨ ਨੂੰ ਕਿਸ ਹੱਦ ਤੱਕ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹਨ, ਇਹ ਦੇਖਣਾ ਬਾਕੀ ਹੈ। ਮੈਡੀਕਲ ਸਕੂਲ ਪਾਠਕ੍ਰਮ ਅਕਸਰ ਵਿਹਾਰਕ ਘੁੰਮਣ ਦੌਰਾਨ ਗਿਆਨ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਰਨ ਲਈ ਦੂਰੀ ਵਾਲੇ ਦੁਹਰਾਓ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ,9 ਜਿਸਨੂੰ AI ਸਿੱਖਿਆ 'ਤੇ ਵੀ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਪੇਸ਼ੇਵਰਤਾ ਸਾਖਰਤਾ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਸਮੱਗਰੀ ਦੀ ਡੂੰਘਾਈ ਗਣਿਤਿਕ ਕਠੋਰਤਾ ਤੋਂ ਬਿਨਾਂ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ, ਜੋ ਕਿ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਿੱਚ ਕਲੀਨਿਕਲ ਕੋਰਸ ਸ਼ੁਰੂ ਕਰਨ ਵੇਲੇ ਇੱਕ ਸਮੱਸਿਆ ਸੀ। ਪ੍ਰੋਗਰਾਮਿੰਗ ਉਦਾਹਰਣਾਂ ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਟੈਂਪਲੇਟ ਪ੍ਰੋਗਰਾਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਜੋ ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਇੱਕ ਪੂਰਾ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਾਤਾਵਰਣ ਕਿਵੇਂ ਸਥਾਪਤ ਕਰਨਾ ਹੈ ਇਹ ਪਤਾ ਲਗਾਏ ਬਿਨਾਂ ਖੇਤਰਾਂ ਨੂੰ ਭਰਨ ਅਤੇ ਸੌਫਟਵੇਅਰ ਚਲਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।
ਨਕਲੀ ਬੁੱਧੀ ਬਾਰੇ ਚਿੰਤਾਵਾਂ ਨੂੰ ਹੱਲ ਕੀਤਾ ਗਿਆ: ਇਹ 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, ਜਿਸ ਵਿੱਚ ਇਹ ਤੱਥ ਵੀ ਸ਼ਾਮਲ ਹੈ 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 ਲਈ ਸੰਭਾਵਿਤ ਹੁੰਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਜੇਕਰ ਡੇਟਾ ਸੈੱਟ ਵਿਭਿੰਨ ਨਹੀਂ ਹੈ12। ਨਤੀਜੇ ਵਜੋਂ, ਇੱਕ ਖਾਸ ਉਪ ਸਮੂਹ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਮਾਡਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਅਨੁਚਿਤ ਕਲੀਨਿਕਲ ਫੈਸਲੇ ਲਏ ਜਾ ਸਕਦੇ ਹਨ।
ਸਰੋਤ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਹਨ: ਅਸੀਂ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਸਰੋਤ ਬਣਾਏ ਹਨ, ਜਿਸ ਵਿੱਚ ਲੈਕਚਰ ਸਲਾਈਡਾਂ ਅਤੇ ਕੋਡ ਸ਼ਾਮਲ ਹਨ। ਹਾਲਾਂਕਿ ਸਮਾਂ ਖੇਤਰਾਂ ਦੇ ਕਾਰਨ ਸਮਕਾਲੀ ਸਮੱਗਰੀ ਤੱਕ ਪਹੁੰਚ ਸੀਮਤ ਹੈ, ਓਪਨ ਸੋਰਸ ਸਮੱਗਰੀ ਅਸਿੰਕ੍ਰੋਨਸ ਸਿਖਲਾਈ ਲਈ ਇੱਕ ਸੁਵਿਧਾਜਨਕ ਤਰੀਕਾ ਹੈ ਕਿਉਂਕਿ ਸਾਰੇ ਮੈਡੀਕਲ ਸਕੂਲਾਂ ਵਿੱਚ AI ਮੁਹਾਰਤ ਉਪਲਬਧ ਨਹੀਂ ਹੈ।
ਅੰਤਰ-ਅਨੁਸ਼ਾਸਨੀ ਸਹਿਯੋਗ: ਇਹ ਵਰਕਸ਼ਾਪ ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਦੁਆਰਾ ਇੰਜੀਨੀਅਰਾਂ 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 ਪਾੜੇ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਭਵਿੱਖ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣ ਵਾਲੀ ਸੰਭਾਵੀ ਭੂਮਿਕਾ ਨੂੰ ਸਮਝਣ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ।
ਏਆਈ ਕੋਰ ਯੋਗਤਾਵਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ। ਯੋਗਤਾਵਾਂ ਦੀ ਸੂਚੀ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ ਇੱਕ ਮਿਆਰੀ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿਸਨੂੰ ਮੌਜੂਦਾ ਯੋਗਤਾ-ਅਧਾਰਤ ਮੈਡੀਕਲ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਵਰਕਸ਼ਾਪ ਵਰਤਮਾਨ ਵਿੱਚ ਬਲੂਮ ਦੇ ਵਰਗੀਕਰਨ ਦੇ ਸਿੱਖਣ 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। ਇਸ ਲਈ ਕਲੀਨਿਕਲ ਮਾਹਰਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਤਾਂ ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾ ਸਕੇ ਕਿ ਏਆਈ ਵਿਸ਼ਿਆਂ ਨੂੰ ਕਲੀਨਿਕਲ ਵਰਕਫਲੋ 'ਤੇ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਮਿਆਰੀ ਮੈਡੀਕਲ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਪਹਿਲਾਂ ਤੋਂ ਸ਼ਾਮਲ ਦੁਹਰਾਉਣ ਵਾਲੇ ਵਿਸ਼ਿਆਂ ਦੀ ਸਿੱਖਿਆ ਨੂੰ ਰੋਕਿਆ ਜਾ ਸਕਦਾ ਹੈ।
AI ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੇਸ ਸਟੱਡੀ ਬਣਾਓ। ਕਲੀਨਿਕਲ ਉਦਾਹਰਣਾਂ ਵਾਂਗ, ਕੇਸ-ਅਧਾਰਤ ਸਿਖਲਾਈ ਕਲੀਨਿਕਲ ਪ੍ਰਸ਼ਨਾਂ ਲਈ ਉਹਨਾਂ ਦੀ ਸਾਰਥਕਤਾ ਨੂੰ ਉਜਾਗਰ ਕਰਕੇ ਸੰਖੇਪ ਸੰਕਲਪਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਰ ਸਕਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਵਰਕਸ਼ਾਪ ਅਧਿਐਨ ਨੇ ਲੈਬ ਤੋਂ ਕਲੀਨਿਕ ਤੱਕ ਦੇ ਰਸਤੇ ਵਿੱਚ ਚੁਣੌਤੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ Google ਦੇ AI-ਅਧਾਰਤ ਡਾਇਬੀਟਿਕ ਰੈਟੀਨੋਪੈਥੀ ਖੋਜ ਪ੍ਰਣਾਲੀ 13 ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ, ਜਿਵੇਂ ਕਿ ਬਾਹਰੀ ਪ੍ਰਮਾਣਿਕਤਾ ਜ਼ਰੂਰਤਾਂ ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਪ੍ਰਵਾਨਗੀ ਮਾਰਗ।
ਅਨੁਭਵੀ ਸਿੱਖਿਆ ਦੀ ਵਰਤੋਂ ਕਰੋ: ਤਕਨੀਕੀ ਹੁਨਰਾਂ ਲਈ ਕੇਂਦ੍ਰਿਤ ਅਭਿਆਸ ਅਤੇ ਮੁਹਾਰਤ ਹਾਸਲ ਕਰਨ ਲਈ ਵਾਰ-ਵਾਰ ਵਰਤੋਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਕਲੀਨਿਕਲ ਸਿਖਿਆਰਥੀਆਂ ਦੇ ਘੁੰਮਦੇ ਸਿੱਖਣ ਦੇ ਤਜ਼ਰਬਿਆਂ ਵਿੱਚ। ਇੱਕ ਸੰਭਾਵੀ ਹੱਲ ਫਲਿੱਪਡ ਕਲਾਸਰੂਮ ਮਾਡਲ ਹੈ, ਜਿਸਦੀ ਰਿਪੋਰਟ ਇੰਜੀਨੀਅਰਿੰਗ ਸਿੱਖਿਆ ਵਿੱਚ ਗਿਆਨ ਧਾਰਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਗਈ ਹੈ14। ਇਸ ਮਾਡਲ ਵਿੱਚ, ਵਿਦਿਆਰਥੀ ਸਿਧਾਂਤਕ ਸਮੱਗਰੀ ਦੀ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਸਮੀਖਿਆ ਕਰਦੇ ਹਨ ਅਤੇ ਕਲਾਸ ਦਾ ਸਮਾਂ ਕੇਸ ਸਟੱਡੀਜ਼ ਰਾਹੀਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਸਮਰਪਿਤ ਹੁੰਦਾ ਹੈ।
ਬਹੁ-ਅਨੁਸ਼ਾਸਨੀ ਭਾਗੀਦਾਰਾਂ ਲਈ ਸਕੇਲਿੰਗ: ਅਸੀਂ ਏਆਈ ਨੂੰ ਅਪਣਾਉਣ ਦੀ ਕਲਪਨਾ ਕਰਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਕਈ ਵਿਸ਼ਿਆਂ ਵਿੱਚ ਸਹਿਯੋਗ ਸ਼ਾਮਲ ਹੈ, ਜਿਸ ਵਿੱਚ ਡਾਕਟਰਾਂ ਅਤੇ ਸਹਾਇਕ ਸਿਹਤ ਪੇਸ਼ੇਵਰਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਪੱਧਰਾਂ ਦੀ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਲਈ, ਸਿਹਤ ਸੰਭਾਲ ਦੇ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਦੇ ਅਨੁਸਾਰ ਉਹਨਾਂ ਦੀ ਸਮੱਗਰੀ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਵੱਖ-ਵੱਖ ਵਿਭਾਗਾਂ ਦੇ ਫੈਕਲਟੀ ਨਾਲ ਸਲਾਹ-ਮਸ਼ਵਰਾ ਕਰਕੇ ਪਾਠਕ੍ਰਮ ਵਿਕਸਤ ਕਰਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਉੱਚ-ਤਕਨੀਕੀ ਹੈ ਅਤੇ ਇਸ ਦੀਆਂ ਮੁੱਖ ਧਾਰਨਾਵਾਂ ਗਣਿਤ ਅਤੇ ਕੰਪਿਊਟਰ ਵਿਗਿਆਨ ਨਾਲ ਸਬੰਧਤ ਹਨ। ਸਿਹਤ ਸੰਭਾਲ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਸਮਝਣ ਲਈ ਸਿਖਲਾਈ ਦੇਣਾ ਸਮੱਗਰੀ ਦੀ ਚੋਣ, ਕਲੀਨਿਕਲ ਸਾਰਥਕਤਾ ਅਤੇ ਡਿਲੀਵਰੀ ਤਰੀਕਿਆਂ ਵਿੱਚ ਵਿਲੱਖਣ ਚੁਣੌਤੀਆਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਉਮੀਦ ਕਰਦੇ ਹਾਂ ਕਿ ਸਿੱਖਿਆ ਵਰਕਸ਼ਾਪਾਂ ਵਿੱਚ AI ਤੋਂ ਪ੍ਰਾਪਤ ਸੂਝ ਭਵਿੱਖ ਦੇ ਸਿੱਖਿਅਕਾਂ ਨੂੰ ਡਾਕਟਰੀ ਸਿੱਖਿਆ ਵਿੱਚ AI ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਦੇ ਨਵੀਨਤਾਕਾਰੀ ਤਰੀਕਿਆਂ ਨੂੰ ਅਪਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗੀ।
ਗੂਗਲ ਕੋਲਾਬੋਰੇਟਰੀ ਪਾਈਥਨ 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: ਕਾਰਵਾਈ ਲਈ ਸੱਦਾ। ਅੱਕੜ। ਦਵਾਈ। 88, 1407–1410 (2013)।
ਮੈਕਕੋਏ, ਐਲਜੀ ਆਦਿ। ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਬਾਰੇ ਅਸਲ ਵਿੱਚ ਕੀ ਜਾਣਨ ਦੀ ਲੋੜ ਹੈ? NPZh ਨੰਬਰ। ਮੈਡੀਸਨ 3, 1–3 (2020)।
ਡੌਸ ਸੈਂਟੋਸ, ਡੀਪੀ, ਆਦਿ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਪ੍ਰਤੀ ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਦਾ ਰਵੱਈਆ: ਇੱਕ ਮਲਟੀਸੈਂਟਰ ਸਰਵੇਖਣ। ਯੂਰੋ। ਰੇਡੀਏਸ਼ਨ। 29, 1640–1646 (2019)।
ਫੈਨ, ਕੇਵਾਈ, ਹੂ, ਆਰ., ਅਤੇ ਸਿੰਗਲਾ, ਆਰ. ਮੈਡੀਕਲ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਜਾਣ-ਪਛਾਣ: ਇੱਕ ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟ। ਜੇ. ਮੈਡੀਕਲ. ਟੀਚ। 54, 1042–1043 (2020)।
ਕੂਪਰਮੈਨ ਐਨ, ਆਦਿ। ਸਿਰ ਦੀ ਸੱਟ ਤੋਂ ਬਾਅਦ ਕਲੀਨਿਕੀ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਦਿਮਾਗੀ 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 ਮੰਗਾਸੇਰੀਅਨ, ਓ.ਐਲ. ਛਾਤੀ ਦੇ ਟਿਊਮਰ ਦੇ ਨਿਦਾਨ ਲਈ ਨਿਊਕਲੀਅਰ ਫੀਚਰ ਐਕਸਟਰੈਕਸ਼ਨ। ਬਾਇਓਮੈਡੀਕਲ ਸਾਇੰਸ। ਇਮੇਜ ਪ੍ਰੋਸੈਸਿੰਗ। ਬਾਇਓਮੈਡੀਕਲ ਸਾਇੰਸ। ਵੇਇਸ। 1905, 861–870 (1993)।
ਚੇਨ, ਪੀਐਚਸੀ, ਲਿਊ, ਵਾਈ. ਅਤੇ ਪੇਂਗ, ਐਲ. ਸਿਹਤ ਸੰਭਾਲ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਕਿਵੇਂ ਵਿਕਸਤ ਕਰੀਏ। ਨੈਟ. ਮੈਟ. 18, 410–414 (2019)।
ਸੇਲਵਾਰਾਜੂ, ਆਰਆਰ ਅਤੇ ਹੋਰ। ਗ੍ਰੈਡ-ਕੈਮ: ਗਰੇਡੀਐਂਟ-ਅਧਾਰਿਤ ਸਥਾਨੀਕਰਨ ਰਾਹੀਂ ਡੂੰਘੇ ਨੈੱਟਵਰਕਾਂ ਦੀ ਵਿਜ਼ੂਅਲ ਵਿਆਖਿਆ। ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ 'ਤੇ ਆਈਈਈਈ ਇੰਟਰਨੈਸ਼ਨਲ ਕਾਨਫਰੰਸ, 618–626 (2017) ਦੀ ਕਾਰਵਾਈ।
ਕੁਮਾਰਵੇਲ ਬੀ, ਸਟੀਵਰਟ ਕੇ ਅਤੇ ਇਲਿਕ ਡੀ. ਅੰਡਰਗ੍ਰੈਜੁਏਟ ਮੈਡੀਕਲ ਸਿੱਖਿਆ ਵਿੱਚ OSCE ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਬੂਤ-ਅਧਾਰਤ ਦਵਾਈ ਯੋਗਤਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਸਪਿਰਲ ਮਾਡਲ ਦਾ ਵਿਕਾਸ ਅਤੇ ਮੁਲਾਂਕਣ। BMK ਮੈਡੀਸਨ। ਸਿਖਾਓ। 21, 1–9 (2021)।
ਕੋਲਾਚਲਾਮਾ ਵੀਬੀ ਅਤੇ ਗਰਗ ਪੀਐਸ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਮੈਡੀਕਲ ਸਿੱਖਿਆ। ਐਨਪੀਜ਼ੈਡਐਚ 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. ਰੇਡੀਏਸ਼ਨ 31, 3797–3804 (2021)।
ਟੋਪੋਲ, ਈਜੇ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਵਾਲੀ ਦਵਾਈ: ਮਨੁੱਖੀ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਦਾ ਕਨਵਰਜੈਂਸ। ਨੈਟ. ਦਵਾਈ। 25, 44–56 (2019)।
ਬੇਡੇ, ਈ. ਆਦਿ। ਡਾਇਬੀਟਿਕ ਰੈਟੀਨੋਪੈਥੀ ਦੀ ਖੋਜ ਲਈ ਕਲੀਨਿਕ ਵਿੱਚ ਤਾਇਨਾਤ ਇੱਕ ਡੂੰਘੀ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀ ਦਾ ਮਨੁੱਖੀ-ਕੇਂਦ੍ਰਿਤ ਮੁਲਾਂਕਣ। ਕੰਪਿਊਟਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਮਨੁੱਖੀ ਕਾਰਕਾਂ 'ਤੇ 2020 CHI ਕਾਨਫਰੰਸ ਦੀਆਂ ਕਾਰਵਾਈਆਂ (2020)।
ਕੇਰ, ਬੀ. ਇੰਜੀਨੀਅਰਿੰਗ ਸਿੱਖਿਆ ਵਿੱਚ ਫਲਿੱਪਡ ਕਲਾਸਰੂਮ: ਇੱਕ ਖੋਜ ਸਮੀਖਿਆ। ਇੰਟਰਐਕਟਿਵ ਕੋਲਾਬੋਰੇਟਿਵ ਲਰਨਿੰਗ 'ਤੇ 2015 ਅੰਤਰਰਾਸ਼ਟਰੀ ਕਾਨਫਰੰਸ ਦੀਆਂ ਕਾਰਵਾਈਆਂ (2015)।
ਲੇਖਕ ਬ੍ਰਿਟਿਸ਼ ਕੋਲੰਬੀਆ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਬਾਇਓਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਰਿਸਰਚ ਕਲੱਸਟਰ ਤੋਂ ਡੈਨੀਅਲ ਵਾਕਰ, ਟਿਮ ਸੈਲਕੁਡਿਨ ਅਤੇ ਪੀਟਰ ਜ਼ੈਂਡਸਟਰਾ ਦਾ ਸਮਰਥਨ ਅਤੇ ਫੰਡਿੰਗ ਲਈ ਧੰਨਵਾਦ ਕਰਦੇ ਹਨ।
ਵਰਕਸ਼ਾਪ ਦੀ ਸਿੱਖਿਆ ਸਮੱਗਰੀ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਲਈ RH, PP, ZH, RS ਅਤੇ MA ਜ਼ਿੰਮੇਵਾਰ ਸਨ। RH ਅਤੇ PP ਪ੍ਰੋਗਰਾਮਿੰਗ ਉਦਾਹਰਣਾਂ ਵਿਕਸਤ ਕਰਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਸਨ। KYF, OY, MT ਅਤੇ PW ਪ੍ਰੋਜੈਕਟ ਦੇ ਲੌਜਿਸਟਿਕਲ 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 ਕੈਰੋਲਿਨ ਮੈਕਗ੍ਰੇਗਰ, ਫੈਬੀਓ ਮੋਰੇਸ, ਅਤੇ ਆਦਿਤਿਆ ਬੋਰਾਕਾਤੀ ਦਾ ਇਸ ਕੰਮ ਦੀ ਸਮੀਖਿਆ ਵਿੱਚ ਯੋਗਦਾਨ ਲਈ ਧੰਨਵਾਦ ਕਰਦੀ ਹੈ।