মেডিকেল শিক্ষার্থীদের কৃত্রিম বুদ্ধিমত্তা শেখানোর বিষয়ে কানাডিয়ান দৃষ্টিভঙ্গি

Nature.com পরিদর্শন করার জন্য আপনাকে ধন্যবাদ.আপনি যে ব্রাউজারের সংস্করণ ব্যবহার করছেন সেটি সীমিত সিএসএস সমর্থন করে।সর্বোত্তম ফলাফলের জন্য, আমরা আপনার ব্রাউজারের একটি নতুন সংস্করণ ব্যবহার করার পরামর্শ দিই (অথবা ইন্টারনেট এক্সপ্লোরারে সামঞ্জস্য মোড বন্ধ করুন)।ইতিমধ্যে, চলমান সমর্থন নিশ্চিত করতে, আমরা স্টাইলিং বা জাভাস্ক্রিপ্ট ছাড়াই সাইটটি দেখাচ্ছি।
ক্লিনিকাল কৃত্রিম বুদ্ধিমত্তার (AI) প্রয়োগগুলি দ্রুত বৃদ্ধি পাচ্ছে, কিন্তু বিদ্যমান মেডিকেল স্কুল পাঠ্যক্রম এই এলাকাকে সীমিত শিক্ষা প্রদান করে।এখানে আমরা একটি কৃত্রিম বুদ্ধিমত্তা প্রশিক্ষণ কোর্স বর্ণনা করি যা আমরা তৈরি করেছি এবং কানাডিয়ান মেডিকেল শিক্ষার্থীদের কাছে পৌঁছে দিয়েছি এবং ভবিষ্যতের প্রশিক্ষণের জন্য সুপারিশ করছি।
ওষুধে কৃত্রিম বুদ্ধিমত্তা (AI) কর্মক্ষেত্রের দক্ষতা উন্নত করতে পারে এবং ক্লিনিকাল সিদ্ধান্ত গ্রহণে সহায়তা করতে পারে।কৃত্রিম বুদ্ধিমত্তার ব্যবহার নিরাপদে গাইড করার জন্য, চিকিত্সকদের অবশ্যই কৃত্রিম বুদ্ধিমত্তা সম্পর্কে কিছু ধারণা থাকতে হবে।অনেক মন্তব্য এআই ধারণা 1 শেখানোর পক্ষে, যেমন AI মডেল এবং যাচাইকরণ প্রক্রিয়াগুলি ব্যাখ্যা করা।যাইহোক, কিছু কাঠামোগত পরিকল্পনা বাস্তবায়িত হয়েছে, বিশেষ করে জাতীয় পর্যায়ে।পিন্টো ডস স্যান্টোস এট আল.৩.263 জন মেডিকেল ছাত্র জরিপ করা হয়েছিল এবং 71% সম্মত হয়েছে যে তাদের কৃত্রিম বুদ্ধিমত্তার প্রশিক্ষণ প্রয়োজন।একজন মেডিকেল শ্রোতাদের কৃত্রিম বুদ্ধিমত্তা শেখানোর জন্য সতর্ক ডিজাইনের প্রয়োজন হয় যা প্রায়শই ব্যাপক পূর্ব জ্ঞান থাকা শিক্ষার্থীদের জন্য প্রযুক্তিগত এবং অ-প্রযুক্তিগত ধারণাগুলিকে একত্রিত করে।আমরা মেডিকেল স্টুডেন্টদের তিনটি গ্রুপকে এআই ওয়ার্কশপের একটি সিরিজ সরবরাহ করার আমাদের অভিজ্ঞতা বর্ণনা করি এবং এআই-তে ভবিষ্যতের চিকিৎসা শিক্ষার জন্য সুপারিশ করি।
মেডিকেল স্টুডেন্টদের জন্য আমাদের পাঁচ সপ্তাহের ইন্ট্রোডাকশন টু মেডিসিনের কৃত্রিম বুদ্ধিমত্তার কর্মশালা ফেব্রুয়ারী 2019 এবং এপ্রিল 2021 এর মধ্যে তিনবার অনুষ্ঠিত হয়েছিল। কোর্সের পরিবর্তনের সংক্ষিপ্ত বিবরণ সহ প্রতিটি কর্মশালার একটি সময়সূচী চিত্র 1-এ দেখানো হয়েছে। আমাদের কোর্সে রয়েছে তিনটি প্রাথমিক শিক্ষার উদ্দেশ্য: শিক্ষার্থীরা বুঝতে পারে কিভাবে কৃত্রিম বুদ্ধিমত্তা অ্যাপ্লিকেশনগুলিতে ডেটা প্রক্রিয়া করা হয়, ক্লিনিকাল অ্যাপ্লিকেশনগুলির জন্য কৃত্রিম বুদ্ধিমত্তা সাহিত্য বিশ্লেষণ করে এবং কৃত্রিম বুদ্ধিমত্তা বিকাশকারী প্রকৌশলীদের সাথে সহযোগিতা করার সুযোগের সদ্ব্যবহার করে।
নীল হল বক্তৃতার বিষয় এবং হালকা নীল হল ইন্টারেক্টিভ প্রশ্নোত্তর পর্ব।ধূসর বিভাগটি সংক্ষিপ্ত সাহিত্য পর্যালোচনার কেন্দ্রবিন্দু।কমলা বিভাগগুলি নির্বাচিত কেস স্টাডি যা কৃত্রিম বুদ্ধিমত্তার মডেল বা কৌশল বর্ণনা করে।গ্রিন হল একটি গাইডেড প্রোগ্রামিং কোর্স যা ক্লিনিকাল সমস্যা সমাধান এবং মডেল মূল্যায়ন করতে কৃত্রিম বুদ্ধিমত্তা শেখানোর জন্য ডিজাইন করা হয়েছে।কর্মশালার বিষয়বস্তু এবং সময়কাল ছাত্রদের চাহিদার মূল্যায়নের উপর ভিত্তি করে পরিবর্তিত হয়।
প্রথম কর্মশালাটি 2019 সালের ফেব্রুয়ারি থেকে এপ্রিল পর্যন্ত ব্রিটিশ কলাম্বিয়া বিশ্ববিদ্যালয়ে অনুষ্ঠিত হয়েছিল এবং 8 জন অংশগ্রহণকারীই ইতিবাচক মতামত দিয়েছেন4।COVID-19-এর কারণে, দ্বিতীয় কর্মশালাটি কার্যত অক্টোবর-নভেম্বর 2020-এ অনুষ্ঠিত হয়েছিল, যেখানে 222 মেডিকেল ছাত্র এবং 8টি কানাডিয়ান মেডিকেল স্কুলের 3 জন বাসিন্দা নিবন্ধন করেছিলেন।উপস্থাপনা স্লাইড এবং কোড একটি খোলা অ্যাক্সেস সাইটে আপলোড করা হয়েছে (http://ubcaimed.github.io)।প্রথম পুনরাবৃত্তির মূল প্রতিক্রিয়াটি ছিল যে বক্তৃতাগুলি খুব তীব্র এবং উপাদানগুলি খুব তাত্ত্বিক ছিল।কানাডার ছয়টি ভিন্ন সময় অঞ্চলে পরিবেশন করা অতিরিক্ত চ্যালেঞ্জের সৃষ্টি করে।এইভাবে, দ্বিতীয় কর্মশালা প্রতিটি সেশনকে 1 ঘন্টা সংক্ষিপ্ত করে, কোর্সের উপাদানগুলিকে সরলীকৃত করে, আরও কেস স্টাডি যোগ করে এবং বয়লারপ্লেট প্রোগ্রাম তৈরি করে যা অংশগ্রহণকারীদের ন্যূনতম ডিবাগিং (বক্স 1) সহ কোড স্নিপেটগুলি সম্পূর্ণ করতে দেয়।দ্বিতীয় পুনরাবৃত্তির মূল প্রতিক্রিয়ার মধ্যে রয়েছে প্রোগ্রামিং অনুশীলনের বিষয়ে ইতিবাচক প্রতিক্রিয়া এবং একটি মেশিন লার্নিং প্রকল্পের পরিকল্পনা প্রদর্শনের অনুরোধ।অতএব, মার্চ-এপ্রিল 2021-এ কার্যত 126 জন মেডিকেল ছাত্রদের জন্য অনুষ্ঠিত আমাদের তৃতীয় কর্মশালায়, আমরা প্রকল্পগুলিতে কর্মশালার ধারণাগুলি ব্যবহার করার প্রভাব প্রদর্শনের জন্য আরও ইন্টারেক্টিভ কোডিং অনুশীলন এবং প্রকল্প প্রতিক্রিয়া সেশন অন্তর্ভুক্ত করেছি।
ডেটা বিশ্লেষণ: পরিসংখ্যানে অধ্যয়নের একটি ক্ষেত্র যা ডেটা প্যাটার্ন বিশ্লেষণ, প্রক্রিয়াকরণ এবং যোগাযোগের মাধ্যমে ডেটাতে অর্থপূর্ণ প্যাটার্নগুলি সনাক্ত করে।
ডেটা মাইনিং: ডেটা সনাক্তকরণ এবং বের করার প্রক্রিয়া।কৃত্রিম বুদ্ধিমত্তার পরিপ্রেক্ষিতে, এটি প্রায়শই বড়, প্রতিটি নমুনার জন্য একাধিক ভেরিয়েবল সহ।
মাত্রিকতা হ্রাস: মূল ডেটা সেটের গুরুত্বপূর্ণ বৈশিষ্ট্যগুলি সংরক্ষণ করার সময় অনেকগুলি পৃথক বৈশিষ্ট্য সহ ডেটাকে কম বৈশিষ্ট্যে রূপান্তর করার প্রক্রিয়া।
বৈশিষ্ট্য (কৃত্রিম বুদ্ধিমত্তার প্রসঙ্গে): একটি নমুনার পরিমাপযোগ্য বৈশিষ্ট্য।প্রায়শই "সম্পত্তি" বা "পরিবর্তনশীল" এর সাথে বিনিময়যোগ্যভাবে ব্যবহৃত হয়।
গ্রেডিয়েন্ট অ্যাক্টিভেশন ম্যাপ: কৃত্রিম বুদ্ধিমত্তা মডেল (বিশেষ করে কনভোল্যুশনাল নিউরাল নেটওয়ার্ক) ব্যাখ্যা করতে ব্যবহৃত একটি কৌশল, যা অত্যন্ত ভবিষ্যদ্বাণীপূর্ণ ডেটা বা চিত্রগুলির অঞ্চলগুলি সনাক্ত করতে নেটওয়ার্কের শেষ অংশটিকে অপ্টিমাইজ করার প্রক্রিয়া বিশ্লেষণ করে।
স্ট্যান্ডার্ড মডেল: একটি বিদ্যমান AI মডেল যা অনুরূপ কাজগুলি সম্পাদন করার জন্য প্রাক-প্রশিক্ষিত হয়েছে।
পরীক্ষা (কৃত্রিম বুদ্ধিমত্তার প্রেক্ষাপটে): পর্যবেক্ষণ করা যে কোনও মডেল কীভাবে এমন ডেটা ব্যবহার করে কাজ সম্পাদন করে যা এটি আগে দেখা যায়নি।
প্রশিক্ষণ (কৃত্রিম বুদ্ধিমত্তার প্রেক্ষাপটে): ডেটা এবং ফলাফল সহ একটি মডেল সরবরাহ করা যাতে মডেলটি তার অভ্যন্তরীণ প্যারামিটারগুলিকে সামঞ্জস্য করে নতুন ডেটা ব্যবহার করে কার্য সম্পাদন করার ক্ষমতাকে অপ্টিমাইজ করতে।
ভেক্টর: ডেটার অ্যারে।মেশিন লার্নিং-এ, প্রতিটি অ্যারে উপাদান সাধারণত নমুনার একটি অনন্য বৈশিষ্ট্য।
সারণী 1 এপ্রিল 2021-এর সর্বশেষ কোর্সের তালিকা করে, যার মধ্যে প্রতিটি বিষয়ের জন্য লক্ষ্যযুক্ত শিক্ষার উদ্দেশ্য রয়েছে।এই কর্মশালাটি প্রযুক্তিগত স্তরে যারা নতুন তাদের জন্য উদ্দেশ্যে করা হয়েছে এবং স্নাতক মেডিকেল ডিগ্রির প্রথম বছরের বাইরে কোনো গাণিতিক জ্ঞানের প্রয়োজন নেই।কোর্সটি ইঞ্জিনিয়ারিংয়ে উন্নত ডিগ্রিধারী 6 জন মেডিকেল ছাত্র এবং 3 জন শিক্ষক দ্বারা তৈরি করা হয়েছিল।প্রকৌশলীরা শেখানোর জন্য কৃত্রিম বুদ্ধিমত্তা তত্ত্বের বিকাশ ঘটাচ্ছেন, এবং মেডিকেল ছাত্ররা ক্লিনিক্যালি প্রাসঙ্গিক উপাদান শিখছে।
কর্মশালায় বক্তৃতা, কেস স্টাডি এবং গাইডেড প্রোগ্রামিং অন্তর্ভুক্ত।প্রথম বক্তৃতায়, আমরা ডেটা ভিজ্যুয়ালাইজেশন, লজিস্টিক রিগ্রেশন এবং বর্ণনামূলক এবং প্রবর্তক পরিসংখ্যানের তুলনা সহ বায়োস্ট্যাটিস্টিক্সে ডেটা বিশ্লেষণের নির্বাচিত ধারণাগুলি পর্যালোচনা করি।যদিও ডেটা বিশ্লেষণ হল কৃত্রিম বুদ্ধিমত্তার ভিত্তি, আমরা ডেটা মাইনিং, তাৎপর্য পরীক্ষা বা ইন্টারেক্টিভ ভিজ্যুয়ালাইজেশনের মতো বিষয়গুলিকে বাদ দিই।এটি সময়ের সীমাবদ্ধতার কারণে হয়েছে এবং কিছু স্নাতক ছাত্রদের পূর্বে বায়োস্ট্যাটিস্টিক্সের প্রশিক্ষণ ছিল এবং তারা আরও অনন্য মেশিন লার্নিং বিষয়গুলি কভার করতে চেয়েছিল।পরবর্তী বক্তৃতা আধুনিক পদ্ধতির পরিচয় দেয় এবং এআই সমস্যা প্রণয়ন, এআই মডেলের সুবিধা এবং সীমাবদ্ধতা এবং মডেল টেস্টিং নিয়ে আলোচনা করে।বক্তৃতাগুলি সাহিত্য এবং বিদ্যমান কৃত্রিম বুদ্ধিমত্তা ডিভাইসগুলির উপর ব্যবহারিক গবেষণা দ্বারা পরিপূরক।আমরা বিদ্যমান কৃত্রিম বুদ্ধিমত্তা ডিভাইসের সীমাবদ্ধতা বোঝা সহ ক্লিনিকাল প্রশ্নগুলি মোকাবেলার জন্য একটি মডেলের কার্যকারিতা এবং সম্ভাব্যতা মূল্যায়ন করার জন্য প্রয়োজনীয় দক্ষতার উপর জোর দিই।উদাহরণস্বরূপ, আমরা শিক্ষার্থীদের কুপারম্যান এট আল দ্বারা প্রস্তাবিত পেডিয়াট্রিক হেড ইনজুরির নির্দেশিকা ব্যাখ্যা করতে বলেছিলাম, 5 যা একটি কৃত্রিম বুদ্ধিমত্তার সিদ্ধান্ত ট্রি অ্যালগরিদম প্রয়োগ করে তা নির্ধারণ করার জন্য যে একটি চিকিত্সকের পরীক্ষার উপর ভিত্তি করে সিটি স্ক্যান কার্যকর হবে কিনা।আমরা জোর দিয়েছি যে এটি AI এর একটি সাধারণ উদাহরণ যা চিকিত্সকদের প্রতিস্থাপনের পরিবর্তে চিকিত্সকদের ব্যাখ্যা করার জন্য ভবিষ্যদ্বাণীমূলক বিশ্লেষণ প্রদান করে।
উপলব্ধ ওপেন সোর্স বুটস্ট্র্যাপ প্রোগ্রামিং উদাহরণগুলিতে (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), আমরা প্রদর্শন করি কীভাবে অনুসন্ধানমূলক ডেটা বিশ্লেষণ, মাত্রা হ্রাস, স্ট্যান্ডার্ড মডেল লোডিং এবং প্রশিক্ষণ সম্পাদন করতে হয় .এবং পরীক্ষা।আমরা Google Colaboratory নোটবুক ব্যবহার করি (Google LLC, Mountain View, CA), যা পাইথন কোডকে ওয়েব ব্রাউজার থেকে কার্যকর করার অনুমতি দেয়।চিত্রে। চিত্র 2 একটি প্রোগ্রামিং অনুশীলনের উদাহরণ প্রদান করে।এই অনুশীলনে উইসকনসিন ওপেন ব্রেস্ট ইমেজিং ডেটাসেট6 এবং একটি সিদ্ধান্ত গাছের অ্যালগরিদম ব্যবহার করে ক্ষতিকারকতার পূর্বাভাস দেওয়া জড়িত।
সম্পর্কিত বিষয়গুলিতে সপ্তাহব্যাপী প্রোগ্রামগুলি উপস্থাপন করুন এবং প্রকাশিত AI অ্যাপ্লিকেশনগুলি থেকে উদাহরণগুলি নির্বাচন করুন৷প্রোগ্রামিং উপাদানগুলি শুধুমাত্র তখনই অন্তর্ভুক্ত করা হয় যদি সেগুলি ভবিষ্যতের ক্লিনিকাল অনুশীলনের অন্তর্দৃষ্টি প্রদানের জন্য প্রাসঙ্গিক হিসাবে বিবেচিত হয়, যেমন মডেলগুলিকে কীভাবে মূল্যায়ন করা যায় তা নির্ধারণ করতে তারা ক্লিনিকাল ট্রায়ালগুলিতে ব্যবহারের জন্য প্রস্তুত কিনা।এই উদাহরণগুলি একটি পূর্ণাঙ্গ এন্ড-টু-এন্ড অ্যাপ্লিকেশনে পরিণত হয় যা টিউমারকে সৌম্য বা ম্যালিগন্যান্ট হিসাবে শ্রেণীবদ্ধ করে মেডিকেল ইমেজ প্যারামিটারের উপর ভিত্তি করে।
পূর্ব জ্ঞানের ভিন্নতা।আমাদের অংশগ্রহণকারীরা তাদের গাণিতিক জ্ঞানের স্তরে বৈচিত্র্যময়।উদাহরণস্বরূপ, উন্নত প্রকৌশল ব্যাকগ্রাউন্ড সহ শিক্ষার্থীরা আরও গভীরতর উপাদানের সন্ধান করছে, যেমন কীভাবে তাদের নিজস্ব ফুরিয়ার রূপান্তরগুলি সম্পাদন করা যায়।যাইহোক, ক্লাসে ফুরিয়ার অ্যালগরিদম নিয়ে আলোচনা করা সম্ভব নয় কারণ এর জন্য সিগন্যাল প্রসেসিং সম্পর্কে গভীর জ্ঞানের প্রয়োজন।
উপস্থিতি বহিঃপ্রবাহ।ফলো-আপ মিটিংয়ে উপস্থিতি কমেছে, বিশেষ করে অনলাইন ফরম্যাটে।উপস্থিতি ট্র্যাক করা এবং সমাপ্তির একটি শংসাপত্র প্রদান করা একটি সমাধান হতে পারে।মেডিকেল স্কুলগুলি শিক্ষার্থীদের পাঠ্যক্রম বহির্ভূত একাডেমিক ক্রিয়াকলাপের প্রতিলিপিগুলিকে স্বীকৃতি দেওয়ার জন্য পরিচিত, যা শিক্ষার্থীদের একটি ডিগ্রি অর্জনে উত্সাহিত করতে পারে।
কোর্স ডিজাইন: যেহেতু AI অনেকগুলি সাবফিল্ড জুড়ে রয়েছে, তাই উপযুক্ত গভীরতা এবং প্রস্থের মূল ধারণাগুলি নির্বাচন করা চ্যালেঞ্জিং হতে পারে।উদাহরণস্বরূপ, ল্যাবরেটরি থেকে ক্লিনিকে এআই সরঞ্জাম ব্যবহারের ধারাবাহিকতা একটি গুরুত্বপূর্ণ বিষয়।যদিও আমরা ডেটা প্রিপ্রসেসিং, মডেল বিল্ডিং এবং বৈধতা কভার করি, আমরা বিগ ডেটা অ্যানালিটিক্স, ইন্টারেক্টিভ ভিজ্যুয়ালাইজেশন বা AI ক্লিনিকাল ট্রায়াল পরিচালনা করার মতো বিষয়গুলি অন্তর্ভুক্ত করি না, পরিবর্তে আমরা সবচেয়ে অনন্য AI ধারণাগুলির উপর ফোকাস করি।আমাদের পথপ্রদর্শক নীতি সাক্ষরতা উন্নত করা, দক্ষতা নয়।উদাহরণস্বরূপ, ব্যাখ্যাযোগ্যতার জন্য একটি মডেল ইনপুট বৈশিষ্ট্যগুলি কীভাবে প্রক্রিয়া করে তা বোঝা গুরুত্বপূর্ণ।এটি করার একটি উপায় হল গ্রেডিয়েন্ট অ্যাক্টিভেশন ম্যাপ ব্যবহার করা, যা ডেটার কোন অঞ্চলগুলি অনুমানযোগ্য তা কল্পনা করতে পারে।যাইহোক, এর জন্য মাল্টিভেরিয়েট ক্যালকুলাস প্রয়োজন এবং এটি চালু করা যাবে না।একটি সাধারণ পরিভাষা বিকাশ করা চ্যালেঞ্জিং ছিল কারণ আমরা গাণিতিক আনুষ্ঠানিকতা ছাড়াই ভেক্টর হিসাবে ডেটার সাথে কীভাবে কাজ করতে হয় তা ব্যাখ্যা করার চেষ্টা করছিলাম।মনে রাখবেন যে বিভিন্ন পদের একই অর্থ রয়েছে, উদাহরণস্বরূপ, মহামারীবিদ্যায়, একটি "চরিত্রিক" একটি "পরিবর্তনশীল" বা "বিশিষ্ট" হিসাবে বর্ণনা করা হয়।
জ্ঞান ধারণ।যেহেতু AI এর প্রয়োগ সীমিত, অংশগ্রহণকারীরা কতটা জ্ঞান ধরে রাখে তা দেখার বিষয়।মেডিক্যাল স্কুলের পাঠ্যক্রম প্রায়ই ব্যবহারিক ঘূর্ণনের সময় জ্ঞানকে শক্তিশালী করতে ব্যবধানের পুনরাবৃত্তির উপর নির্ভর করে, 9 যা এআই শিক্ষার ক্ষেত্রেও প্রয়োগ করা যেতে পারে।
সাক্ষরতার চেয়ে পেশাদারিত্ব বেশি গুরুত্বপূর্ণ।উপাদানের গভীরতা গাণিতিক কঠোরতা ছাড়াই ডিজাইন করা হয়েছে, যা কৃত্রিম বুদ্ধিমত্তায় ক্লিনিকাল কোর্স চালু করার সময় একটি সমস্যা ছিল।প্রোগ্রামিং উদাহরণগুলিতে, আমরা একটি টেমপ্লেট প্রোগ্রাম ব্যবহার করি যা অংশগ্রহণকারীদের ক্ষেত্রগুলি পূরণ করতে এবং কীভাবে একটি সম্পূর্ণ প্রোগ্রামিং পরিবেশ সেট আপ করতে হয় তা বের না করেই সফ্টওয়্যার চালানোর অনুমতি দেয়।
কৃত্রিম বুদ্ধিমত্তা সম্পর্কে উদ্বেগ সম্বোধন করা হয়েছে: কৃত্রিম বুদ্ধিমত্তা কিছু ক্লিনিকাল দায়িত্ব প্রতিস্থাপন করতে পারে বলে ব্যাপক উদ্বেগ রয়েছে।এই সমস্যাটির সমাধান করার জন্য, আমরা AI এর সীমাবদ্ধতাগুলি ব্যাখ্যা করি, যার মধ্যে রয়েছে যে নিয়ন্ত্রকদের দ্বারা অনুমোদিত প্রায় সমস্ত AI প্রযুক্তির জন্য চিকিত্সকের তত্ত্বাবধানের প্রয়োজন হয়11৷আমরা পক্ষপাতের গুরুত্বের উপরও জোর দিই কারণ অ্যালগরিদমগুলি পক্ষপাতের প্রবণ হয়, বিশেষ করে যদি ডেটা সেট বৈচিত্র্যময় না হয়12৷ফলস্বরূপ, একটি নির্দিষ্ট উপগোষ্ঠীকে ভুলভাবে মডেল করা হতে পারে, যা অন্যায্য ক্লিনিকাল সিদ্ধান্তের দিকে পরিচালিত করে।
সম্পদ সর্বজনীনভাবে উপলব্ধ: আমরা লেকচার স্লাইড এবং কোড সহ সর্বজনীনভাবে উপলব্ধ সংস্থান তৈরি করেছি।যদিও টাইম জোনের কারণে সিঙ্ক্রোনাস বিষয়বস্তুতে অ্যাক্সেস সীমিত, ওপেন সোর্স বিষয়বস্তু অ্যাসিঙ্ক্রোনাস শেখার জন্য একটি সুবিধাজনক পদ্ধতি কারণ এআই দক্ষতা সমস্ত মেডিকেল স্কুলে উপলব্ধ নয়।
আন্তঃবিভাগীয় সহযোগিতা: এই কর্মশালাটি একটি যৌথ উদ্যোগ যা মেডিকেল শিক্ষার্থীদের দ্বারা প্রকৌশলীদের সাথে একসাথে কোর্সের পরিকল্পনা করার জন্য শুরু করা হয়েছে।এটি উভয় ক্ষেত্রে সহযোগিতার সুযোগ এবং জ্ঞানের ফাঁকগুলি প্রদর্শন করে, যা অংশগ্রহণকারীদের ভবিষ্যতে তাদের অবদান রাখতে পারে এমন সম্ভাব্য ভূমিকা বুঝতে দেয়।
AI মূল দক্ষতা সংজ্ঞায়িত করুন।দক্ষতার একটি তালিকা সংজ্ঞায়িত করা একটি প্রমিত কাঠামো প্রদান করে যা বিদ্যমান দক্ষতা-ভিত্তিক চিকিৎসা পাঠ্যক্রমের সাথে একীভূত করা যেতে পারে।এই কর্মশালাটি বর্তমানে ব্লুমের শ্রেণীকরণের শিক্ষার উদ্দেশ্য স্তর 2 (বোধগম্যতা), 3 (অ্যাপ্লিকেশন), এবং 4 (বিশ্লেষণ) ব্যবহার করে।শ্রেণীবিভাগের উচ্চ স্তরে সম্পদ থাকা, যেমন প্রকল্প তৈরি করা, জ্ঞানকে আরও শক্তিশালী করতে পারে।এটির জন্য ক্লিনিকাল বিশেষজ্ঞদের সাথে কাজ করতে হবে তা নির্ধারণ করতে কিভাবে এআই বিষয়গুলি ক্লিনিকাল ওয়ার্কফ্লোতে প্রয়োগ করা যেতে পারে এবং স্ট্যান্ডার্ড মেডিকেল পাঠ্যক্রমের মধ্যে ইতিমধ্যেই অন্তর্ভুক্ত পুনরাবৃত্ত বিষয়গুলির শিক্ষাকে প্রতিরোধ করতে হবে।
এআই ব্যবহার করে কেস স্টাডি তৈরি করুন।ক্লিনিকাল উদাহরণের মতো, কেস-ভিত্তিক শিক্ষা ক্লিনিকাল প্রশ্নগুলির সাথে তাদের প্রাসঙ্গিকতা হাইলাইট করে বিমূর্ত ধারণাগুলিকে শক্তিশালী করতে পারে।উদাহরণ স্বরূপ, একটি কর্মশালার সমীক্ষা ল্যাব থেকে ক্লিনিকের পথ ধরে চ্যালেঞ্জ চিহ্নিত করতে Google-এর AI-ভিত্তিক ডায়াবেটিক রেটিনোপ্যাথি সনাক্তকরণ সিস্টেম 13 বিশ্লেষণ করেছে, যেমন বাহ্যিক বৈধতা প্রয়োজনীয়তা এবং নিয়ন্ত্রক অনুমোদনের পথ।
অভিজ্ঞতামূলক শিক্ষা ব্যবহার করুন: প্রযুক্তিগত দক্ষতার জন্য ক্লিনিকাল প্রশিক্ষণার্থীদের ঘূর্ণায়মান শেখার অভিজ্ঞতার মতোই মনোযোগী অনুশীলন এবং মাস্টার করার জন্য বারবার প্রয়োগের প্রয়োজন হয়।একটি সম্ভাব্য সমাধান হল ফ্লিপড শ্রেণীকক্ষ মডেল, যা প্রকৌশল শিক্ষায় জ্ঞান ধারণকে উন্নত করার জন্য রিপোর্ট করা হয়েছে14।এই মডেলে, শিক্ষার্থীরা স্বাধীনভাবে তাত্ত্বিক উপাদান পর্যালোচনা করে এবং ক্লাসের সময় কেস স্টাডির মাধ্যমে সমস্যা সমাধানের জন্য নিবেদিত হয়।
মাল্টিডিসিপ্লিনারি অংশগ্রহণকারীদের জন্য স্কেলিং: আমরা বিভিন্ন স্তরের প্রশিক্ষণ সহ চিকিত্সক এবং সহযোগী স্বাস্থ্য পেশাদারদের সহ একাধিক শাখা জুড়ে সহযোগিতা জড়িত AI গ্রহণের কল্পনা করি।অতএব, স্বাস্থ্য পরিচর্যার বিভিন্ন ক্ষেত্রে তাদের বিষয়বস্তুকে উপযোগী করার জন্য বিভিন্ন বিভাগের অনুষদের সাথে পরামর্শ করে পাঠ্যক্রম তৈরি করার প্রয়োজন হতে পারে।
কৃত্রিম বুদ্ধিমত্তা উচ্চ প্রযুক্তির এবং এর মূল ধারণা গণিত এবং কম্পিউটার বিজ্ঞানের সাথে সম্পর্কিত।কৃত্রিম বুদ্ধিমত্তা বোঝার জন্য স্বাস্থ্যসেবা কর্মীদের প্রশিক্ষণ দেওয়া বিষয়বস্তু নির্বাচন, ক্লিনিকাল প্রাসঙ্গিকতা এবং বিতরণ পদ্ধতিতে অনন্য চ্যালেঞ্জ উপস্থাপন করে।আমরা আশা করি যে শিক্ষা কর্মশালায় AI থেকে প্রাপ্ত অন্তর্দৃষ্টিগুলি ভবিষ্যতের শিক্ষাবিদদের চিকিৎসা শিক্ষায় AI-কে একীভূত করার উদ্ভাবনী উপায়গুলি গ্রহণ করতে সাহায্য করবে।
Google Colaboratory Python স্ক্রিপ্টটি ওপেন সোর্স এবং এখানে উপলব্ধ: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/।
প্রোবার, কেজি এবং খান, এস। চিকিৎসা শিক্ষা পুনর্বিবেচনা: অ্যাকশনের আহ্বান।আক্কাদ।ওষুধ.88, 1407–1410 (2013)।
ম্যাককয়, এলজি প্রভৃতি। কৃত্রিম বুদ্ধিমত্তা সম্পর্কে মেডিকেল শিক্ষার্থীদের আসলে কী জানা দরকার?NPZh সংখ্যা।মেডিসিন 3, 1-3 (2020)।
ডস স্যান্টোস, ডিপি, এবং অন্যান্য।কৃত্রিম বুদ্ধিমত্তার প্রতি মেডিকেল ছাত্রদের মনোভাব: একটি মাল্টিসেন্টার জরিপ।ইউরো।বিকিরণ29, 1640-1646 (2019)।
ফ্যান, কেওয়াই, হু, আর., এবং সিংলা, আর. মেডিকেল ছাত্রদের জন্য মেশিন লার্নিংয়ের ভূমিকা: একটি পাইলট প্রকল্প।জে মেড.শেখান54, 1042–1043 (2020)।
কুপারম্যান এন, এট আল।মাথায় আঘাতের পরে ক্লিনিক্যালি উল্লেখযোগ্য মস্তিষ্কের আঘাতের খুব কম ঝুঁকিতে শিশুদের সনাক্ত করা: একটি সম্ভাব্য সমগোত্রীয় গবেষণা।ল্যানসেট 374, 1160–1170 (2009)।
স্ট্রিট, ডব্লিউএন, ওলবার্গ, ডব্লিউএইচ এবং ম্যাঙ্গাসারিয়ান, ওএল।স্তন টিউমার নির্ণয়ের জন্য পারমাণবিক বৈশিষ্ট্য নিষ্কাশন.জৈবচিকিৎসা বিজ্ঞান.ইমেজ প্রসেসিং।জৈবচিকিৎসা বিজ্ঞান.ওয়েইস।1905, 861-870 (1993)।
চেন, পিএইচসি, লিউ, ওয়াই এবং পেং, এল. স্বাস্থ্যসেবার জন্য কীভাবে মেশিন লার্নিং মডেল তৈরি করবেন।নাট।ম্যাট18, 410-414 (2019)।
সেলভারাজু, আরআর ও অন্যান্য।গ্র্যাড-ক্যাম: গ্রেডিয়েন্ট-ভিত্তিক স্থানীয়করণের মাধ্যমে গভীর নেটওয়ার্কগুলির ভিজ্যুয়াল ব্যাখ্যা।কম্পিউটার ভিশন, 618-626 (2017) এর উপর IEEE আন্তর্জাতিক সম্মেলনের কার্যক্রম।
কুমারভেল বি, স্টুয়ার্ট কে এবং ইলিক ডি। স্নাতক চিকিৎসা শিক্ষায় OSCE ব্যবহার করে প্রমাণ-ভিত্তিক ওষুধের দক্ষতা মূল্যায়নের জন্য একটি সর্পিল মডেলের বিকাশ এবং মূল্যায়ন।বিএমকে মেডিসিন।শেখান21, 1-9 (2021)।
কোলাচলমা ভিবি এবং গার্গ পিএস মেশিন লার্নিং এবং মেডিকেল শিক্ষা।NPZh সংখ্যা।ওষুধ.1, 1-3 (2018)।
ভ্যান লিউয়েন, কেজি, শ্যালেক্যাম্প, এস., রুটেন, এমজে, ভ্যান গিনেকেন, বি এবং ডি রয়, এম. রেডিওলজিতে কৃত্রিম বুদ্ধিমত্তা: 100টি বাণিজ্যিক পণ্য এবং তাদের বৈজ্ঞানিক প্রমাণ।ইউরো।বিকিরণ31, 3797–3804 (2021)।
টপোল, ইজে হাই-পারফরম্যান্স মেডিসিন: মানব এবং কৃত্রিম বুদ্ধিমত্তার মিলন।নাট।ওষুধ.25, 44–56 (2019)।
বেদে, ই. এট আল।ডায়াবেটিক রেটিনোপ্যাথি সনাক্তকরণের জন্য ক্লিনিকে নিয়োজিত একটি গভীর শিক্ষা ব্যবস্থার মানব-কেন্দ্রিক মূল্যায়ন।কম্পিউটিং সিস্টেমে মানবিক উপাদানের উপর 2020 CHI সম্মেলনের কার্যক্রম (2020)।
কের, বি. প্রকৌশল শিক্ষায় ফ্লিপড ক্লাসরুম: একটি গবেষণা পর্যালোচনা।ইন্টারেক্টিভ কোলাবোরেটিভ লার্নিং (2015) এর উপর 2015 ইন্টারন্যাশনাল কনফারেন্সের কার্যক্রম।
লেখকরা সহায়তা এবং অর্থায়নের জন্য ব্রিটিশ কলাম্বিয়া বিশ্ববিদ্যালয়ের বায়োমেডিকাল ইমেজিং এবং কৃত্রিম বুদ্ধিমত্তা গবেষণা ক্লাস্টার থেকে ড্যানিয়েল ওয়াকার, টিম সালকুডিন এবং পিটার জান্ডস্ট্রাকে ধন্যবাদ জানিয়েছেন।
RH, PP, ZH, RS এবং MA কর্মশালার শিক্ষার বিষয়বস্তু তৈরির জন্য দায়ী ছিল।আরএইচ এবং পিপি প্রোগ্রামিং উদাহরণগুলি বিকাশের জন্য দায়ী ছিল।কেওয়াইএফ, ওওয়াই, এমটি এবং পিডব্লিউ প্রকল্পের লজিস্টিক সংগঠন এবং কর্মশালাগুলির বিশ্লেষণের জন্য দায়ী ছিল।RH, OY, MT, RS পরিসংখ্যান এবং টেবিল তৈরির জন্য দায়ী ছিল।RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ডকুমেন্টের খসড়া তৈরি এবং সম্পাদনার জন্য দায়ী ছিল।
কমিউনিকেশন মেডিসিন ধন্যবাদ ক্যারোলিন ম্যাকগ্রেগর, ফ্যাবিও মোরেস, এবং আদিত্য বোরাকাতিকে এই কাজের পর্যালোচনায় অবদান রাখার জন্য।