Nature.com-এ আসার জন্য আপনাকে ধন্যবাদ। আপনি যে ব্রাউজারটি ব্যবহার করছেন, সেটিতে CSS-এর সমর্থন সীমিত। সর্বোত্তম ফলাফলের জন্য, আমরা আপনার ব্রাউজারের একটি নতুন সংস্করণ ব্যবহার করার (অথবা ইন্টারনেট এক্সপ্লোরারে কম্প্যাটিবিলিটি মোড বন্ধ করার) পরামর্শ দিচ্ছি। আপাতত, নিরবচ্ছিন্ন সমর্থন নিশ্চিত করার জন্য, আমরা সাইটটি কোনো স্টাইলিং বা জাভাস্ক্রিপ্ট ছাড়াই প্রদর্শন করছি।
ক্লিনিক্যাল কৃত্রিম বুদ্ধিমত্তার (এআই) প্রয়োগ দ্রুতগতিতে বাড়ছে, কিন্তু বিদ্যমান মেডিকেল স্কুলের পাঠ্যক্রমে এই ক্ষেত্রটি নিয়ে সীমিত পাঠদান করা হয়। এখানে আমরা কানাডার মেডিকেল শিক্ষার্থীদের জন্য আমাদের তৈরি ও পরিচালিত একটি কৃত্রিম বুদ্ধিমত্তা প্রশিক্ষণ কোর্সের বর্ণনা দিচ্ছি এবং ভবিষ্যৎ প্রশিক্ষণের জন্য কিছু সুপারিশ তুলে ধরছি।
চিকিৎসাক্ষেত্রে কৃত্রিম বুদ্ধিমত্তা (এআই) কর্মক্ষেত্রের দক্ষতা বাড়াতে এবং চিকিৎসাগত সিদ্ধান্ত গ্রহণে সহায়তা করতে পারে। কৃত্রিম বুদ্ধিমত্তার ব্যবহারকে নিরাপদে পরিচালনা করার জন্য, চিকিৎসকদের এ বিষয়ে কিছুটা ধারণা থাকা আবশ্যক। অনেক মন্তব্যে এআই-এর ধারণাগুলো শেখানোর পক্ষে মত দেওয়া হয়েছে¹, যেমন এআই মডেল এবং যাচাইকরণ প্রক্রিয়া² ব্যাখ্যা করা। তবে, বিশেষ করে জাতীয় পর্যায়ে, খুব কম সুসংগঠিত পরিকল্পনা বাস্তবায়িত হয়েছে। পিন্টো ডস সান্তোস এবং অন্যান্যদের দ্বারা পরিচালিত একটি সমীক্ষায় ২৬৩ জন মেডিকেল ছাত্রছাত্রীর মধ্যে ৭১% একমত হন যে তাদের কৃত্রিম বুদ্ধিমত্তার উপর প্রশিক্ষণ প্রয়োজন। চিকিৎসা ক্ষেত্রের শিক্ষার্থীদের কৃত্রিম বুদ্ধিমত্তা শেখানোর জন্য একটি সতর্ক পরিকল্পনা প্রয়োজন, যেখানে প্রযুক্তিগত এবং অ-প্রযুক্তিগত ধারণাগুলোকে একত্রিত করা হবে, বিশেষ করে সেইসব শিক্ষার্থীদের জন্য যাদের প্রায়শই ব্যাপক পূর্বজ্ঞান থাকে। আমরা মেডিকেল ছাত্রছাত্রীদের তিনটি দলকে ধারাবাহিক এআই কর্মশালা প্রদানের অভিজ্ঞতা বর্ণনা করেছি এবং এআই-এর ভবিষ্যৎ চিকিৎসা শিক্ষার জন্য কিছু সুপারিশ তুলে ধরেছি।
মেডিকেল শিক্ষার্থীদের জন্য আমাদের পাঁচ-সপ্তাহব্যাপী ‘চিকিৎসায় কৃত্রিম বুদ্ধিমত্তার পরিচিতি’ কর্মশালাটি ফেব্রুয়ারি ২০১৯ থেকে এপ্রিল ২০২১-এর মধ্যে তিনবার অনুষ্ঠিত হয়েছিল। প্রতিটি কর্মশালার সময়সূচী এবং কোর্সের পরিবর্তনগুলোর সংক্ষিপ্ত বিবরণ চিত্র ১-এ দেখানো হয়েছে। আমাদের এই কোর্সের তিনটি প্রধান শিক্ষণ উদ্দেশ্য রয়েছে: শিক্ষার্থীরা কৃত্রিম বুদ্ধিমত্তার অ্যাপ্লিকেশনগুলিতে কীভাবে ডেটা প্রক্রিয়াজাত করা হয় তা বুঝতে পারবে, ক্লিনিক্যাল প্রয়োগের জন্য কৃত্রিম বুদ্ধিমত্তা সম্পর্কিত সাহিত্য বিশ্লেষণ করতে পারবে এবং কৃত্রিম বুদ্ধিমত্তা উন্নয়নকারী প্রকৌশলীদের সাথে সহযোগিতার সুযোগ গ্রহণ করতে পারবে।
নীল অংশটি হলো বক্তৃতার বিষয় এবং হালকা নীল অংশটি হলো অংশগ্রহণমূলক প্রশ্নোত্তর পর্ব। ধূসর অংশটি সংক্ষিপ্ত সাহিত্য পর্যালোচনার কেন্দ্রবিন্দু। কমলা অংশগুলো হলো নির্বাচিত কিছু কেস স্টাডি, যেগুলোতে কৃত্রিম বুদ্ধিমত্তার মডেল বা কৌশল বর্ণনা করা হয়েছে। সবুজ অংশটি হলো একটি নির্দেশিত প্রোগ্রামিং কোর্স, যা চিকিৎসাগত সমস্যা সমাধান এবং মডেল মূল্যায়নের জন্য কৃত্রিম বুদ্ধিমত্তা শেখানোর উদ্দেশ্যে তৈরি করা হয়েছে। শিক্ষার্থীদের প্রয়োজন মূল্যায়নের ভিত্তিতে কর্মশালাগুলোর বিষয়বস্তু ও সময়কাল ভিন্ন ভিন্ন হয়ে থাকে।
প্রথম কর্মশালাটি ২০১৯ সালের ফেব্রুয়ারি থেকে এপ্রিল পর্যন্ত ইউনিভার্সিটি অফ ব্রিটিশ কলাম্বিয়াতে অনুষ্ঠিত হয়েছিল এবং ৮ জন অংশগ্রহণকারীই ইতিবাচক প্রতিক্রিয়া দিয়েছিলেন। কোভিড-১৯ এর কারণে, দ্বিতীয় কর্মশালাটি ২০২০ সালের অক্টোবর-নভেম্বর মাসে ভার্চুয়ালি অনুষ্ঠিত হয়েছিল, যেখানে ৮টি কানাডিয়ান মেডিকেল স্কুল থেকে ২২২ জন মেডিকেল শিক্ষার্থী এবং ৩ জন রেসিডেন্ট নিবন্ধন করেছিলেন। প্রেজেন্টেশন স্লাইড এবং কোড একটি ওপেন অ্যাক্সেস সাইটে (http://ubcaimed.github.io) আপলোড করা হয়েছে। প্রথম সংস্করণের মূল প্রতিক্রিয়া ছিল যে লেকচারগুলো খুব বেশি নিবিড় এবং বিষয়বস্তু খুব বেশি তাত্ত্বিক ছিল। কানাডার ছয়টি ভিন্ন টাইম জোনের সাথে সামঞ্জস্য রাখা অতিরিক্ত চ্যালেঞ্জ তৈরি করে। তাই, দ্বিতীয় কর্মশালায় প্রতিটি সেশন ১ ঘণ্টায় সংক্ষিপ্ত করা হয়, কোর্সের বিষয়বস্তু সরল করা হয়, আরও কেস স্টাডি যোগ করা হয় এবং বয়লারপ্লেট প্রোগ্রাম তৈরি করা হয় যা অংশগ্রহণকারীদের ন্যূনতম ডিবাগিংয়ের মাধ্যমে কোডের অংশগুলো সম্পূর্ণ করতে সাহায্য করে (বক্স ১)। দ্বিতীয় সংস্করণের মূল প্রতিক্রিয়ার মধ্যে ছিল প্রোগ্রামিং অনুশীলনের উপর ইতিবাচক প্রতিক্রিয়া এবং একটি মেশিন লার্নিং প্রকল্পের পরিকল্পনা প্রদর্শনের অনুরোধ। তাই, ২০২১ সালের মার্চ-এপ্রিলে ১২৬ জন মেডিকেল শিক্ষার্থীর জন্য ভার্চুয়ালি আয়োজিত আমাদের তৃতীয় কর্মশালায়, প্রজেক্টের উপর কর্মশালার ধারণা ব্যবহারের প্রভাব তুলে ধরতে আমরা আরও বেশি ইন্টারেক্টিভ কোডিং অনুশীলন এবং প্রজেক্ট ফিডব্যাক সেশন অন্তর্ভুক্ত করেছিলাম।
তথ্য বিশ্লেষণ: পরিসংখ্যানের একটি অধ্যয়ন শাখা যা তথ্যের বিন্যাস বিশ্লেষণ, প্রক্রিয়াকরণ এবং উপস্থাপনের মাধ্যমে তার মধ্যেকার অর্থপূর্ণ ধরন শনাক্ত করে।
ডেটা মাইনিং: ডেটা শনাক্তকরণ এবং নিষ্কাশনের প্রক্রিয়া। কৃত্রিম বুদ্ধিমত্তার প্রেক্ষাপটে, এটি প্রায়শই বিশাল হয় এবং প্রতিটি নমুনার জন্য একাধিক ভেরিয়েবল থাকে।
মাত্রা হ্রাসকরণ: মূল ডেটা সেটের গুরুত্বপূর্ণ বৈশিষ্ট্যগুলো অক্ষুণ্ণ রেখে বহু স্বতন্ত্র বৈশিষ্ট্যযুক্ত ডেটাকে কম সংখ্যক বৈশিষ্ট্যে রূপান্তরিত করার প্রক্রিয়া।
বৈশিষ্ট্য (কৃত্রিম বুদ্ধিমত্তার প্রেক্ষাপটে): কোনো নমুনার পরিমাপযোগ্য ধর্মাবলি। প্রায়শই “ধর্ম” বা “চলক”-এর সমার্থক হিসেবে ব্যবহৃত হয়।
গ্রেডিয়েন্ট অ্যাক্টিভেশন ম্যাপ: কৃত্রিম বুদ্ধিমত্তা মডেল (বিশেষত কনভল্যুশনাল নিউরাল নেটওয়ার্ক) ব্যাখ্যা করার জন্য ব্যবহৃত একটি কৌশল, যা নেটওয়ার্কের শেষ অংশকে অপ্টিমাইজ করার প্রক্রিয়া বিশ্লেষণ করে ডেটা বা ছবির সেইসব অঞ্চল শনাক্ত করে যেগুলো অত্যন্ত ভবিষ্যদ্বাণীমূলক।
স্ট্যান্ডার্ড মডেল: একটি বিদ্যমান এআই মডেল যাকে একই ধরনের কাজ সম্পাদনের জন্য আগে থেকে প্রশিক্ষণ দেওয়া হয়েছে।
পরীক্ষণ (কৃত্রিম বুদ্ধিমত্তার প্রেক্ষাপটে): কোনো মডেল পূর্বে সম্মুখীন না হওয়া ডেটা ব্যবহার করে কীভাবে একটি কাজ সম্পাদন করে, তা পর্যবেক্ষণ করা।
প্রশিক্ষণ (কৃত্রিম বুদ্ধিমত্তার প্রেক্ষাপটে): একটি মডেলকে ডেটা এবং ফলাফল সরবরাহ করা, যাতে মডেলটি নতুন ডেটা ব্যবহার করে কাজ সম্পাদনের ক্ষমতাকে সর্বোত্তম করার জন্য তার অভ্যন্তরীণ প্যারামিটারগুলো সামঞ্জস্য করে।
ভেক্টর: ডেটার অ্যারে। মেশিন লার্নিং-এ, অ্যারের প্রতিটি উপাদান সাধারণত স্যাম্পলের একটি অনন্য বৈশিষ্ট্য হয়ে থাকে।
সারণি ১-এ এপ্রিল ২০২১-এর সর্বশেষ কোর্সগুলোর তালিকা দেওয়া হয়েছে, যেখানে প্রতিটি বিষয়ের জন্য নির্দিষ্ট শিখন উদ্দেশ্য অন্তর্ভুক্ত রয়েছে। এই কর্মশালাটি কারিগরি স্তরে নতুনদের জন্য উদ্দিষ্ট এবং এর জন্য স্নাতক মেডিকেল ডিগ্রির প্রথম বর্ষের বাইরের কোনো গাণিতিক জ্ঞানের প্রয়োজন নেই। কোর্সটি ৬ জন মেডিকেল শিক্ষার্থী এবং প্রকৌশলে উচ্চতর ডিগ্রিধারী ৩ জন শিক্ষক দ্বারা তৈরি করা হয়েছে। প্রকৌশলীরা শেখানোর জন্য কৃত্রিম বুদ্ধিমত্তার তত্ত্ব তৈরি করছেন এবং মেডিকেল শিক্ষার্থীরা চিকিৎসাগতভাবে প্রাসঙ্গিক বিষয় শিখছে।
কর্মশালাগুলোতে বক্তৃতা, কেস স্টাডি এবং নির্দেশিত প্রোগ্রামিং অন্তর্ভুক্ত থাকে। প্রথম বক্তৃতায়, আমরা বায়োস্ট্যাটিস্টিক্সে ডেটা বিশ্লেষণের নির্বাচিত ধারণাগুলো পর্যালোচনা করি, যার মধ্যে রয়েছে ডেটা ভিজ্যুয়ালাইজেশন, লজিস্টিক রিগ্রেশন এবং বর্ণনামূলক ও আরোহী পরিসংখ্যানের তুলনা। যদিও ডেটা বিশ্লেষণ কৃত্রিম বুদ্ধিমত্তার ভিত্তি, আমরা ডেটা মাইনিং, তাৎপর্য পরীক্ষা বা ইন্টারেক্টিভ ভিজ্যুয়ালাইজেশনের মতো বিষয়গুলো বাদ দিয়েছি। এর কারণ ছিল সময়ের সীমাবদ্ধতা এবং কিছু স্নাতক শিক্ষার্থীর বায়োস্ট্যাটিস্টিক্সে পূর্ব প্রশিক্ষণ ছিল এবং তারা মেশিন লার্নিংয়ের আরও স্বতন্ত্র বিষয়গুলো নিয়ে আলোচনা করতে চেয়েছিল। পরবর্তী বক্তৃতায় আধুনিক পদ্ধতিগুলোর সাথে পরিচয় করিয়ে দেওয়া হয় এবং এআই সমস্যার গঠন, এআই মডেলের সুবিধা ও সীমাবদ্ধতা এবং মডেল পরীক্ষা নিয়ে আলোচনা করা হয়। বক্তৃতাগুলোর পাশাপাশি বিদ্যমান কৃত্রিম বুদ্ধিমত্তা ডিভাইসগুলোর ওপর সাহিত্য এবং ব্যবহারিক গবেষণাও অন্তর্ভুক্ত করা হয়। আমরা ক্লিনিকাল প্রশ্নগুলোর সমাধানে একটি মডেলের কার্যকারিতা এবং সম্ভাব্যতা মূল্যায়নের জন্য প্রয়োজনীয় দক্ষতার ওপর জোর দিই, যার মধ্যে বিদ্যমান কৃত্রিম বুদ্ধিমত্তা ডিভাইসগুলোর সীমাবদ্ধতা বোঝাও অন্তর্ভুক্ত। উদাহরণস্বরূপ, আমরা শিক্ষার্থীদের কুপারম্যান এট আল., ৫ দ্বারা প্রস্তাবিত পেডিয়াট্রিক হেড ইনজুরি নির্দেশিকা ব্যাখ্যা করতে বলেছিলাম, যেখানে একজন চিকিৎসকের পরীক্ষার উপর ভিত্তি করে একটি সিটি স্ক্যান কার্যকর হবে কিনা তা নির্ধারণ করার জন্য একটি কৃত্রিম বুদ্ধিমত্তা ডিসিশন ট্রি অ্যালগরিদম প্রয়োগ করা হয়েছিল। আমরা জোর দিয়ে বলতে চাই যে, এটি চিকিৎসকদের প্রতিস্থাপন করার পরিবর্তে, বরং তাদের ব্যাখ্যার জন্য ভবিষ্যদ্বাণীমূলক বিশ্লেষণ প্রদানের একটি সাধারণ উদাহরণ।
উপলব্ধ ওপেন সোর্স বুটস্ট্র্যাপ প্রোগ্রামিং উদাহরণগুলিতে (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), আমরা দেখিয়েছি কীভাবে এক্সপ্লোরেটরি ডেটা অ্যানালাইসিস, ডাইমেনশনালিটি রিডাকশন, স্ট্যান্ডার্ড মডেল লোডিং, এবং ট্রেনিং ও টেস্টিং করতে হয়। আমরা গুগল কোলাবোরেটরি নোটবুক (Google LLC, Mountain View, CA) ব্যবহার করি, যা একটি ওয়েব ব্রাউজার থেকে পাইথন কোড চালানোর সুযোগ দেয়। চিত্র ২-এ একটি প্রোগ্রামিং অনুশীলনের উদাহরণ দেওয়া হয়েছে। এই অনুশীলনে উইসকনসিন ওপেন ব্রেস্ট ইমেজিং ডেটাসেট৬ এবং একটি ডিসিশন ট্রি অ্যালগরিদম ব্যবহার করে ম্যালিগন্যান্সির পূর্বাভাস দেওয়া হয়েছে।
সপ্তাহ জুড়ে প্রাসঙ্গিক বিষয়াবলীর উপর প্রোগ্রাম উপস্থাপন করুন এবং প্রকাশিত এআই অ্যাপ্লিকেশন থেকে উদাহরণ নির্বাচন করুন। প্রোগ্রামিং উপাদানগুলো কেবল তখনই অন্তর্ভুক্ত করা হয়, যখন সেগুলোকে ভবিষ্যতের ক্লিনিক্যাল চর্চার বিষয়ে অন্তর্দৃষ্টি প্রদানে প্রাসঙ্গিক বলে মনে করা হয়; যেমন, মডেলগুলো ক্লিনিক্যাল ট্রায়ালে ব্যবহারের জন্য প্রস্তুত কিনা তা নির্ধারণ করতে সেগুলোর মূল্যায়ন কীভাবে করা যায়। এই উদাহরণগুলো একটি পূর্ণাঙ্গ এন্ড-টু-এন্ড অ্যাপ্লিকেশনে রূপান্তরিত হয়, যা মেডিকেল ইমেজের প্যারামিটারের উপর ভিত্তি করে টিউমারকে বিনাইন বা ম্যালিগন্যান্ট হিসেবে শ্রেণিবদ্ধ করে।
পূর্ব জ্ঞানের ভিন্নতা। আমাদের অংশগ্রহণকারীদের গাণিতিক জ্ঞানের স্তরে ভিন্নতা ছিল। উদাহরণস্বরূপ, উন্নত প্রকৌশল পটভূমির শিক্ষার্থীরা আরও গভীর বিষয় খুঁজছে, যেমন কীভাবে তাদের নিজস্ব ফুরিয়ার ট্রান্সফর্ম সম্পাদন করতে হয়। তবে, ক্লাসে ফুরিয়ার অ্যালগরিদম নিয়ে আলোচনা করা সম্ভব নয়, কারণ এর জন্য সিগন্যাল প্রসেসিং বিষয়ে গভীর জ্ঞানের প্রয়োজন হয়।
উপস্থিতি হ্রাস। ফলো-আপ মিটিংগুলিতে উপস্থিতি কমে গেছে, বিশেষ করে অনলাইন মাধ্যমে। এর একটি সমাধান হতে পারে উপস্থিতির হিসাব রাখা এবং সমাপ্তির সনদপত্র প্রদান করা। মেডিকেল স্কুলগুলো শিক্ষার্থীদের পাঠ্যক্রম-বহির্ভূত একাডেমিক কার্যকলাপের ট্রান্সক্রিপ্টকে স্বীকৃতি দেয় বলে জানা যায়, যা শিক্ষার্থীদের ডিগ্রি অর্জনে উৎসাহিত করতে পারে।
কোর্স ডিজাইন: যেহেতু এআই (AI) অনেকগুলো উপক্ষেত্র জুড়ে বিস্তৃত, তাই যথাযথ গভীরতা ও ব্যাপকতার মূল ধারণাগুলো নির্বাচন করা বেশ কঠিন হতে পারে। উদাহরণস্বরূপ, গবেষণাগার থেকে ক্লিনিক পর্যন্ত এআই টুলের ব্যবহারের ধারাবাহিকতা একটি গুরুত্বপূর্ণ বিষয়। যদিও আমরা ডেটা প্রিপ্রসেসিং, মডেল তৈরি এবং ভ্যালিডেশন নিয়ে আলোচনা করি, আমরা বিগ ডেটা অ্যানালিটিক্স, ইন্টারেক্টিভ ভিজ্যুয়ালাইজেশন বা এআই ক্লিনিক্যাল ট্রায়াল পরিচালনার মতো বিষয়গুলো অন্তর্ভুক্ত করি না; পরিবর্তে আমরা সবচেয়ে অনন্য এআই ধারণাগুলোর উপর মনোযোগ দিই। আমাদের মূল নীতি হলো সাক্ষরতা উন্নত করা, দক্ষতা নয়। উদাহরণস্বরূপ, একটি মডেল কীভাবে ইনপুট ফিচারগুলো প্রসেস করে তা বোঝা ব্যাখ্যাযোগ্যতার জন্য গুরুত্বপূর্ণ। এটি করার একটি উপায় হলো গ্রেডিয়েন্ট অ্যাক্টিভেশন ম্যাপ ব্যবহার করা, যা ডেটার কোন অঞ্চলগুলো পূর্বাভাসযোগ্য তা ভিজ্যুয়ালাইজ করতে পারে। তবে, এর জন্য মাল্টিভেরিয়েট ক্যালকুলাস প্রয়োজন এবং এটি অন্তর্ভুক্ত করা সম্ভব নয়। একটি সাধারণ পরিভাষা তৈরি করা কঠিন ছিল কারণ আমরা গাণিতিক আনুষ্ঠানিকতা ছাড়াই ভেক্টর হিসাবে ডেটার সাথে কীভাবে কাজ করতে হয় তা ব্যাখ্যা করার চেষ্টা করছিলাম। লক্ষ্য করুন যে বিভিন্ন পরিভাষার একই অর্থ রয়েছে, উদাহরণস্বরূপ, এপিডেমিওলজিতে, একটি "বৈশিষ্ট্য" কে "ভেরিয়েবল" বা "অ্যাট্রিবিউট" হিসাবে বর্ণনা করা হয়।
জ্ঞান ধারণ। যেহেতু এআই-এর প্রয়োগ সীমিত, তাই অংশগ্রহণকারীরা কতটা জ্ঞান ধরে রাখতে পারে তা এখনও দেখার বিষয়। মেডিকেল স্কুলের পাঠ্যক্রম প্রায়শই ব্যবহারিক প্রশিক্ষণের সময় জ্ঞানকে সুদৃঢ় করার জন্য ব্যবধানযুক্ত পুনরাবৃত্তির উপর নির্ভর করে,৯ যা এআই শিক্ষার ক্ষেত্রেও প্রয়োগ করা যেতে পারে।
সাক্ষরতার চেয়ে পেশাদারিত্ব বেশি গুরুত্বপূর্ণ। পাঠ্যবিষয়বস্তুর গভীরতা গাণিতিক কঠোরতা ছাড়াই তৈরি করা হয়েছে, যা কৃত্রিম বুদ্ধিমত্তার ওপর ক্লিনিক্যাল কোর্স চালু করার সময় একটি সমস্যা ছিল। প্রোগ্রামিং উদাহরণগুলোতে আমরা একটি টেমপ্লেট প্রোগ্রাম ব্যবহার করি, যা অংশগ্রহণকারীদের একটি সম্পূর্ণ প্রোগ্রামিং পরিবেশ কীভাবে সেট আপ করতে হয় তা না বুঝেই বিভিন্ন ফিল্ড পূরণ করতে এবং সফটওয়্যারটি চালাতে সাহায্য করে।
কৃত্রিম বুদ্ধিমত্তা সম্পর্কিত উদ্বেগের সমাধান: একটি ব্যাপক উদ্বেগ রয়েছে যে কৃত্রিম বুদ্ধিমত্তা কিছু চিকিৎসাগত দায়িত্ব প্রতিস্থাপন করতে পারে³। এই সমস্যাটির সমাধানের জন্য, আমরা এআই-এর সীমাবদ্ধতাগুলো ব্যাখ্যা করছি, যার মধ্যে একটি হলো নিয়ন্ত্রক সংস্থা কর্তৃক অনুমোদিত প্রায় সকল এআই প্রযুক্তির জন্য চিকিৎসকের তত্ত্বাবধান প্রয়োজন¹। আমরা পক্ষপাতের গুরুত্বের উপরও জোর দিচ্ছি কারণ অ্যালগরিদমগুলো পক্ষপাতদুষ্ট হতে পারে, বিশেষ করে যদি ডেটা সেটটি বৈচিত্র্যপূর্ণ না হয়¹²। ফলস্বরূপ, একটি নির্দিষ্ট উপগোষ্ঠীকে ভুলভাবে মডেল করা হতে পারে, যা অন্যায্য চিকিৎসাগত সিদ্ধান্তের দিকে পরিচালিত করে।
রিসোর্সসমূহ সর্বজনীনভাবে উপলব্ধ: আমরা লেকচার স্লাইড এবং কোড সহ সর্বজনীনভাবে উপলব্ধ রিসোর্স তৈরি করেছি। যদিও টাইম জোনের কারণে সিঙ্ক্রোনাস কন্টেন্টে প্রবেশাধিকার সীমিত, ওপেন সোর্স কন্টেন্ট অ্যাসিঙ্ক্রোনাস শিক্ষার জন্য একটি সুবিধাজনক পদ্ধতি, যেহেতু সব মেডিকেল স্কুলে এআই দক্ষতা উপলব্ধ নয়।
আন্তঃবিভাগীয় সহযোগিতা: এই কর্মশালাটি চিকিৎসা বিজ্ঞানের শিক্ষার্থীদের দ্বারা প্রকৌশলীদের সাথে যৌথভাবে কোর্স পরিকল্পনা করার একটি উদ্যোগ। এটি উভয় ক্ষেত্রে সহযোগিতার সুযোগ এবং জ্ঞানের ঘাটতি তুলে ধরে, যা অংশগ্রহণকারীদের ভবিষ্যতে তাদের সম্ভাব্য ভূমিকা বুঝতে সাহায্য করে।
এআই-এর মূল দক্ষতাগুলো সংজ্ঞায়িত করুন। দক্ষতার একটি তালিকা নির্ধারণ করা একটি প্রমিত কাঠামো প্রদান করে, যা বিদ্যমান দক্ষতা-ভিত্তিক চিকিৎসা পাঠ্যক্রমে অন্তর্ভুক্ত করা যেতে পারে। এই কর্মশালাটি বর্তমানে ব্লুমের শ্রেণিবিন্যাসের শিখন উদ্দেশ্য স্তর ২ (বোধগম্যতা), ৩ (প্রয়োগ), এবং ৪ (বিশ্লেষণ) ব্যবহার করে। উচ্চতর শ্রেণিবিন্যাস স্তরের উপকরণ, যেমন প্রকল্প তৈরি করা, জ্ঞানকে আরও শক্তিশালী করতে পারে। এর জন্য ক্লিনিক্যাল বিশেষজ্ঞদের সাথে কাজ করে নির্ধারণ করতে হবে যে কীভাবে এআই-এর বিষয়গুলো ক্লিনিক্যাল কার্যপ্রবাহে প্রয়োগ করা যায় এবং প্রচলিত চিকিৎসা পাঠ্যক্রমে ইতিমধ্যে অন্তর্ভুক্ত পুনরাবৃত্তিমূলক বিষয়গুলোর পাঠদান প্রতিরোধ করতে হবে।
এআই ব্যবহার করে কেস স্টাডি তৈরি করুন। ক্লিনিক্যাল উদাহরণের মতোই, কেস-ভিত্তিক শিক্ষা বিমূর্ত ধারণাগুলোকে ক্লিনিক্যাল প্রশ্নের সাথে তাদের প্রাসঙ্গিকতা তুলে ধরে আরও শক্তিশালী করতে পারে। উদাহরণস্বরূপ, একটি কর্মশালার গবেষণায় গুগলের এআই-ভিত্তিক ডায়াবেটিক রেটিনোপ্যাথি সনাক্তকরণ সিস্টেম 13 বিশ্লেষণ করে ল্যাব থেকে ক্লিনিক পর্যন্ত যাত্রাপথের প্রতিবন্ধকতাগুলো, যেমন বাহ্যিক বৈধতার প্রয়োজনীয়তা এবং নিয়ন্ত্রক অনুমোদনের পথ, চিহ্নিত করা হয়েছিল।
অভিজ্ঞতাভিত্তিক শিক্ষা ব্যবহার করুন: কারিগরি দক্ষতা আয়ত্ত করতে নিবদ্ধ অনুশীলন এবং বারবার প্রয়োগের প্রয়োজন হয়, যা ক্লিনিক্যাল প্রশিক্ষণার্থীদের পর্যায়ক্রমিক শিক্ষণ অভিজ্ঞতার অনুরূপ। একটি সম্ভাব্য সমাধান হলো ফ্লিপড ক্লাসরুম মডেল, যা প্রকৌশল শিক্ষায় জ্ঞান ধারণ ক্ষমতা উন্নত করে বলে জানা গেছে¹⁴। এই মডেলে, শিক্ষার্থীরা স্বাধীনভাবে তাত্ত্বিক বিষয়বস্তু পর্যালোচনা করে এবং ক্লাসের সময় কেস স্টাডির মাধ্যমে সমস্যা সমাধানে ব্যয় করা হয়।
বহু-বিভাগীয় অংশগ্রহণকারীদের জন্য পরিধি সম্প্রসারণ: আমরা মনে করি, কৃত্রিম বুদ্ধিমত্তার (AI) ব্যবহারে বিভিন্ন বিভাগের মধ্যে সহযোগিতা প্রয়োজন হবে, যার মধ্যে বিভিন্ন স্তরের প্রশিক্ষণপ্রাপ্ত চিকিৎসক এবং সহযোগী স্বাস্থ্য পেশাজীবীরা অন্তর্ভুক্ত থাকবেন। তাই, স্বাস্থ্যসেবার বিভিন্ন ক্ষেত্রের উপযোগী করে বিষয়বস্তু তৈরি করার জন্য বিভিন্ন বিভাগের শিক্ষকদের সাথে পরামর্শ করে পাঠ্যক্রম প্রণয়নের প্রয়োজন হতে পারে।
কৃত্রিম বুদ্ধিমত্তা একটি উচ্চ প্রযুক্তি এবং এর মূল ধারণাগুলো গণিত ও কম্পিউটার বিজ্ঞানের সাথে সম্পর্কিত। স্বাস্থ্যসেবা কর্মীদের কৃত্রিম বুদ্ধিমত্তা বোঝানোর জন্য প্রশিক্ষণ দেওয়ার ক্ষেত্রে বিষয়বস্তু নির্বাচন, চিকিৎসাগত প্রাসঙ্গিকতা এবং উপস্থাপনা পদ্ধতির মতো কিছু স্বতন্ত্র চ্যালেঞ্জ রয়েছে। আমরা আশা করি যে, ‘শিক্ষায় কৃত্রিম বুদ্ধিমত্তা’ কর্মশালাগুলো থেকে প্রাপ্ত জ্ঞান ভবিষ্যৎ শিক্ষাবিদদের চিকিৎসা শিক্ষায় কৃত্রিম বুদ্ধিমত্তাকে অন্তর্ভুক্ত করার উদ্ভাবনী উপায় গ্রহণে সহায়তা করবে।
গুগল কোলাবোরেটরি পাইথন স্ক্রিপ্টটি ওপেন সোর্স এবং নিম্নলিখিত ঠিকানায় উপলব্ধ: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/।
প্রোবার, কে. জি. এবং খান, এস.। চিকিৎসা শিক্ষা পুনর্বিবেচনা: একটি কর্মের আহ্বান। আক্কাড. মেডিসিন. ৮৮, ১৪০৭–১৪১০ (২০১৩)।
ম্যাককয়, এলজি প্রমুখ। কৃত্রিম বুদ্ধিমত্তা সম্পর্কে মেডিকেল শিক্ষার্থীদের আসলে কী জানা প্রয়োজন? এনপিজেডএইচ সংখ্যা। মেডিসিন ৩, ১–৩ (২০২০)।
ডস সান্তোস, ডিপি, প্রমুখ। কৃত্রিম বুদ্ধিমত্তার প্রতি চিকিৎসা শিক্ষার্থীদের মনোভাব: একটি বহু-কেন্দ্রিক সমীক্ষা। ইউরোপীয় বিকিরণ। ২৯, ১৬৪০–১৬৪৬ (২০১৯)।
ফ্যান, কেওয়াই, হু, আর., এবং সিংগলা, আর.। চিকিৎসা শিক্ষার্থীদের জন্য মেশিন লার্নিং-এর পরিচিতি: একটি পাইলট প্রকল্প। জে. মেড. টিচ. ৫৪, ১০৪২–১০৪৩ (২০২০)।
কুপারম্যান এন, প্রমুখ। মাথায় আঘাতের পর চিকিৎসাগতভাবে তাৎপর্যপূর্ণ মস্তিষ্কের আঘাতের খুব কম ঝুঁকিতে থাকা শিশুদের শনাক্তকরণ: একটি সম্ভাব্য কোহোর্ট গবেষণা। ল্যানসেট ৩৭৪, ১১৬০–১১৭০ (২০০৯)।
স্ট্রিট, ডব্লিউএন, ওলবার্গ, ডব্লিউএইচ এবং মাঙ্গাসারিয়ান, ওএল। স্তন টিউমার নির্ণয়ের জন্য নিউক্লিয়ার বৈশিষ্ট্য নিষ্কাশন। বায়োমেডিকেল সায়েন্স। চিত্র প্রক্রিয়াকরণ। বায়োমেডিকেল সায়েন্স। ওয়েইস। ১৯০৫, ৮৬১–৮৭০ (১৯৯৩)।
চেন, পিএইচসি, লিউ, ওয়াই. এবং পেং, এল. স্বাস্থ্যসেবার জন্য কীভাবে মেশিন লার্নিং মডেল তৈরি করা যায়। ন্যাচারাল ম্যাটেরিয়ালস ১৮, ৪১০–৪১৪ (২০১৯)।
সেলভারাজু, আরআর প্রমুখ। গ্র্যাড-ক্যাম: গ্রেডিয়েন্ট-ভিত্তিক স্থানীয়করণের মাধ্যমে গভীর নেটওয়ার্কের চাক্ষুষ ব্যাখ্যা। আইইইই আন্তর্জাতিক কম্পিউটার ভিশন সম্মেলনের কার্যবিবরণী, ৬১৮–৬২৬ (২০১৭)।
কুমারভেল বি, স্টুয়ার্ট কে এবং ইলিক ডি। স্নাতক চিকিৎসা শিক্ষায় ওএসসিই ব্যবহার করে প্রমাণ-ভিত্তিক চিকিৎসা দক্ষতার মূল্যায়নের জন্য একটি স্পাইরাল মডেলের উন্নয়ন এবং মূল্যায়ন। বিএমকে মেডিসিন. টিচ. ২১, ১–৯ (২০২১)।
কোলাচালামা ভিবি এবং গার্গ পিএস মেশিন লার্নিং এবং চিকিৎসা শিক্ষা। এনপিজেডএইচ সংখ্যা। মেডিসিন। ১, ১–৩ (২০১৮)।
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। বিকিরণ 31, 3797–3804 (2021)।
টোপল, ইজে উচ্চ-কর্মক্ষমতাসম্পন্ন চিকিৎসা: মানব ও কৃত্রিম বুদ্ধিমত্তার মিলন। ন্যাচারাল মেডিসিন। ২৫, ৪৪–৫৬ (২০১৯)।
বেড, ই. প্রমুখ। ডায়াবেটিক রেটিনোপ্যাথি শনাক্তকরণের জন্য ক্লিনিকে ব্যবহৃত একটি ডিপ লার্নিং সিস্টেমের মানব-কেন্দ্রিক মূল্যায়ন। হিউম্যান ফ্যাক্টরস ইন কম্পিউটিং সিস্টেমস বিষয়ক ২০২০ সিএইচআই সম্মেলনের কার্যবিবরণী (২০২০)।
কের, বি. প্রকৌশল শিক্ষায় ফ্লিপড ক্লাসরুম: একটি গবেষণা পর্যালোচনা। ২০১৫ আন্তর্জাতিক ইন্টারেক্টিভ কোলাবোরেটিভ লার্নিং সম্মেলনের কার্যবিবরণী (২০১৫)।
লেখকগণ ব্রিটিশ কলাম্বিয়া বিশ্ববিদ্যালয়ের বায়োমেডিকেল ইমেজিং অ্যান্ড আর্টিফিশিয়াল ইন্টেলিজেন্স রিসার্চ ক্লাস্টারের ড্যানিয়েল ওয়াকার, টিম সালকুডিন এবং পিটার জ্যান্ডস্ট্রাকে সমর্থন ও অর্থায়নের জন্য ধন্যবাদ জানান।
আরএইচ, পিপি, জেডএইচ, আরএস এবং এমএ কর্মশালার শিক্ষণীয় বিষয়বস্তু তৈরির দায়িত্বে ছিলেন। আরএইচ এবং পিপি প্রোগ্রামিং উদাহরণগুলো তৈরির দায়িত্বে ছিলেন। কেওয়াইএফ, ওই, এমটি এবং পিডব্লিউ প্রকল্পের লজিস্টিক ব্যবস্থাপনা এবং কর্মশালাগুলোর বিশ্লেষণের দায়িত্বে ছিলেন। আরএইচ, ওই, এমটি, আরএস চিত্র এবং সারণি তৈরির দায়িত্বে ছিলেন। আরএইচ, কেওয়াইএফ, পিপি, জেডএইচ, ওই, এমওয়াই, পিডব্লিউ, টিএল, এমএ, আরএস নথিটির খসড়া তৈরি এবং সম্পাদনার দায়িত্বে ছিলেন।
এই কাজটি পর্যালোচনায় অবদানের জন্য কমিউনিকেশন মেডিসিন ক্যারোলিন ম্যাকগ্রেগর, ফ্যাবিও মোরেস এবং আদিত্য বোরাকাতিকে ধন্যবাদ জানায়।
পোস্ট করার সময়: ১৯ ফেব্রুয়ারি, ২০২৪