Spas ji bo serdana Nature.com.Guhertoya geroka ku hûn bikar tînin piştgirîya CSS-ê sînordar e.Ji bo encamên çêtirîn, em pêşniyar dikin ku guhertoyek nû ya geroka xwe bikar bînin (an jî moda lihevhatinê ya di Internet Explorer-ê de qut bikin).Di vê navberê de, ji bo misogerkirina piştgirîya domdar, em malperê bêyî şêwaz an JavaScript nîşan didin.
Serîlêdanên îstîxbarata çêkirî ya klînîkî (AI) bi lez mezin dibin, lê bernameyên dibistanên bijîjkî yên heyî di vî warî de hînkirina tixûbdar pêşkêş dikin.Li vir em qursek perwerdehiya îstîxbarata çêkirî ya ku me pêşxist û radestî xwendekarên bijîjkî yên Kanadayî kir û ji bo perwerdehiya pêşerojê pêşniyaran dikin.
Di dermanê de îstîxbarata artificial (AI) dikare karbidestiya cîhê kar baştir bike û alîkariya biryara klînîkî bike.Ji bo ku bi ewlehî karanîna îstîxbarata sûnî bi rê ve bibe, divê bijîjk hin têgihîştina îstîxbarata sûnî hebin.Gelek şîrove parêzvaniya hînkirina têgehên AI1 dikin, wek ravekirina modelên AI û pêvajoyên verastkirinê2.Lêbelê, çend planên birêkûpêk hatine bicîh kirin, nemaze di asta neteweyî de.Pinto dos Santos et al.3.263 xwendekarên bijîjkî hatin lêkolîn kirin û 71% pejirand ku hewcedariya wan bi perwerdehiya hişmendiya çêkirî heye.Hînkirina îstîxbarata sûnî ji temaşevanên bijîjkî re sêwirana baldar hewce dike ku têgehên teknîkî û ne-teknîkî ji bo xwendekarên ku bi gelemperî xwedan zanîna pêşîn a berfereh in dihewîne.Em ezmûna xwe vedibêjin ku rêzek atolyeyên AI-yê ji sê komên xwendekarên bijîjkî re radest dikin û ji bo perwerdehiya bijîjkî ya pêşerojê di AI-ê de pêşniyaran dikin.
Komxebata me ya pênc-hefte Destpêka Zêbariya Hunerî ya Di Dermanê de ji bo xwendekarên bijîjkî sê caran di navbera Sibata 2019 û Nîsana 2021-an de hate girtin. Bernameyek ji bo her atolyeyê, bi ravekek kurt a guhertinên qursê, di Figure 1 de tê xuyang kirin. Kursa me heye sê armancên fêrbûna bingehîn: xwendekar fam dikin ka dane çawa di serîlêdanên îstîxbarata sûnî de têne hilanîn, wêjeya îstîxbarata sûnî ji bo serîlêdanên klînîkî analîz bikin, û ji fersendan sûd werbigirin da ku bi endezyarên ku îstîxbarata sûnî pêşve dixin re hevkariyê bikin.
Şîn mijara dersê ye û şîna sivik serdema pirs û bersiva înteraktîf e.Beşa gewr navenda lêkolîna wêjeya kurt e.Beşên porteqalî lêkolînên dozê yên bijartî ne ku model an teknîkên îstîxbarata sûnî diyar dikin.Green qursek bernamekirinê ya rêberî ye ku ji bo hînkirina îstîxbarata sûnî ye ku pirsgirêkên klînîkî çareser bike û modelan binirxîne.Naverok û dirêjahiya atolyeyan li gorî nirxandina hewcedariyên xwendekaran diguhere.
Komxebata yekem li Zanîngeha British Columbia ji Sibat heya Avrêl 2019 hate lidarxistin, û her 8 beşdaran bertekên erênî dan4.Ji ber COVID-19, atolyeya duyemîn bi rastî di Cotmeha-Mijdara 2020-an de hate lidarxistin, bi 222 xwendekarên bijîjkî û 3 niştecîh ji 8 dibistanên bijîjkî yên Kanadayî qeyd kirin.Slaydên pêşkêşkirinê û kod li malperek gihîştina vekirî (http://ubcaimed.github.io) hatine barkirin.Bersiva sereke ya ji dubarekirina yekem ev bû ku ders pir zexm û materyal jî pir teorîk bûn.Xizmetkirina şeş deverên demjimêrên cihêreng ên Kanada, pirsgirêkên din derdixe holê.Bi vî rengî, atolyeya duyemîn her danişîn bi 1 demjimêran kurt kir, materyalê qursê hêsan kir, bêtir lêkolînên dozê lê zêde kir, û bernameyên boilerplate afirand ku destûr da beşdaran ku perçeyên kodê bi kêmkirina xeletiyê temam bikin (Qutax 1).Bersivên sereke yên ji dubarekirina duyemîn bersivên erênî yên li ser dersên bernamekirinê û daxwazek ji bo nîşandana plansaziya ji bo projeyek fêrbûna makîneyê vedihewîne.Ji ber vê yekê, di atolyeya meya sêyemîn de, ku bi rastî ji bo 126 xwendekarên bijîjkî di Adar-Nîsana 2021-an de pêk hat, me bêtir dersên kodkirina înteraktîf û danişînên bersivdayînê yên projeyê pêk anî da ku bandora karanîna têgînên atolyeyê li ser projeyan nîşan bidin.
Analîzkirina Daneyan: Qadeke lêkolînê ya di statîstîkê de ku bi analîzkirin, hilanîn û ragihandina qalibên daneyan qalibên watedar di daneyan de destnîşan dike.
Danûstandin: Pêvajoya naskirin û derxistina daneyan.Di çarçoveya îstîxbarata sûnî de, ev pir caran mezin e, ji bo her nimûneyê gelek guherbar hene.
Kêmkirina dimensiyoneliyê: Pêvajoya veguheztina daneyan bi gelek taybetmendiyên kesane re di hindiktir taybetmendiyan de dema ku taybetmendiyên girîng ên berhevoka daneya orjînal diparêze.
Taybetmendî (di çarçoveya îstîxbarata sûnî de): Taybetmendiyên pîvandî yên nimûneyê.Bi gelemperî bi "taybetmendî" an "guhêrbar" re wekî hev têne bikar anîn.
Nexşeya Çalakkirina Gradient: Teknîkîyek ku ji bo şîrovekirina modelên îstîxbarata sûnî (bi taybetî torên neuralî yên konvolutional) tê bikar anîn, ku pêvajoya xweşbînkirina beşa paşîn a torê analîz dike da ku herêmên daneyan an wêneyên ku pir pêşbîn in nas bike.
Modela Standard: Modelek AI-ya heyî ya ku ji bo pêkanîna karên heman rengî ji berê ve hatî perwerde kirin.
Ceribandin (di çarçoveya îstîxbarata çêkirî de): çavdêrîkirin ka modelek çawa karekî bi karanîna daneyên ku berê pê re rû nedaye pêk tîne.
Perwerde (di çarçoveya îstîxbarata sûnî de): Pêşkêşkirina modelek bi dane û encaman re da ku model pîvanên xwe yên hundurîn rast bike da ku kapasîteya xwe ya pêkanîna karan bi karanîna daneyên nû xweştir bike.
Vektor: komek daneyan.Di fêrbûna makîneyê de, her hêmanek array bi gelemperî taybetmendiyek bêhempa ya nimûneyê ye.
Tablo 1 qursên herî paşîn ên Nîsana 2021-an navnîş dike, tevî armancên fêrbûna armanckirî ji bo her mijarê.Ev atolye ji bo kesên ku nû di asta teknîkî de ne tê armanc kirin û ji sala yekem a pola bijîjkî ya lîsansê wêdetir zanînek matematîkî hewce nake.Kurs ji hêla 6 xwendekarên bijîjkî û 3 mamosteyên bi dereceyên pêşkeftî yên endezyariyê ve hate pêşve xistin.Endezyar ji bo hînkirinê teoriya îstîxbarata çêkirî pêş dixin, û xwendekarên bijîjkî materyalên têkildar ên klînîkî fêr dibin.
Atolye ders, lêkolînên dozê, û bernamekirina rêberî vedihewîne.Di dersa yekem de, em têgehên hilbijartî yên analîzkirina daneyê di biyostatîstîkê de, di nav de dîtbariya daneyê, paşvekêşana lojîstîkî, û berhevdana statîstîkên danasînê û înduktorî dinirxînin.Her çend analîza daneyê bingeha îstîxbarata sûnî ye jî, em mijarên wekî derxistina daneyê, ceribandina girîngiyê, an dîtbariya înteraktîf derdixin holê.Ev ji ber tengasiyên demê bû û di heman demê de ji ber ku hin xwendekarên lîsans berê perwerdehiya biyostatîstîkê hebûn û dixwestin mijarên hînbûna makîneyê yên bêhempa veşêrin.Dersa paşîn rêbazên nûjen destnîşan dike û li ser formûlasyona pirsgirêka AI-ê, avantaj û sînorên modelên AI-ê, û ceribandina modelê nîqaş dike.Ders bi wêje û lêkolînên pratîkî yên li ser cîhazên îstîxbarata çêkirî yên heyî têne tije kirin.Em balê dikişînin ser jêhatîbûnên ku ji bo nirxandina bandorkerî û pêkaniya modelek ji bo çareserkirina pirsên klînîkî, di nav de têgihîştina tixûbên amûrên îstîxbarata sûnî ya heyî, hewce dikin.Mînakî, me ji xwendekaran xwest ku rêwerzên birîna serê zarokan ên ku ji hêla Kupperman et al., 5 ve hatî pêşniyar kirin şîrove bikin, ku algorîtmayek dara biryara îstîxbarata sûnî bicîh tîne da ku diyar bike ka CT skanek dê li ser bingeha muayeneya bijîjkî kêrhatî be.Em tekez dikin ku ev mînakek hevpar a AI-ê ye ku li şûna ku bijîjkan biguhezîne, analîtîkên pêşbînker peyda dike ku bijîjkan şîrove bikin.
Di mînakên bernamesazkirina bootstrap çavkaniya vekirî ya berdest (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples) de, em destnîşan dikin ka meriv çawa analîza daneya keşfê, kêmkirina pîvan, barkirina modela standard, û perwerdehiyê nîşan dide. .û ceribandin.Em notebookên Hevkariya Google (Google LLC, Mountain View, CA) bikar tînin, ku destûrê dide koda Python ku ji gerokek webê were darve kirin.Di Xiflteya 2 de mînakek temrînek bernamekirinê dide.Ev temrîn pêşbînkirina nexweşiyên xirab bi karanîna Dataset6 ya Wisconsin Open Breast Imaging û algorîtmayek dara biryarê vedihewîne.
Di seranserê hefteyê de li ser mijarên têkildar bernameyan pêşkêş bikin û ji serîlêdanên AI-ê yên hatine weşandin mînakan hilbijêrin.Hêmanên bernamekirinê tenê tê de hene heke ew ji bo peydakirina têgihiştina pratîka klînîkî ya pêşerojê têkildar têne hesibandin, wek mînak meriv çawa modelan dinirxîne da ku diyar bike ka ew ji bo ceribandinên klînîkî de amade ne.Van mînakan bi serîlêdanek tam-dawî-dawî ya ku li ser bingeha pîvanên wêneya bijîjkî tîmoran wekî benign an xirab dabeş dike bi dawî dibe.
Heterogeneya zanîna berê.Beşdarên me di asta zanîna matematîkî de cûda bûn.Mînakî, xwendekarên xwedan paşnavên endezyariya pêşkeftî li materyalê kûrtir digerin, wek mînak meriv çawa veguherînên xwe yên Fourier pêk tîne.Lêbelê, nîqaşkirina algorîtmaya Fourier di polê de ne mumkin e ji ber ku ew hewceyê zanîna kûr a pêvajoyek sînyalê hewce dike.
Derketina beşdarbûnê.Tevlêbûna civînên şopandinê kêm bû, nemaze di formên serhêl de.Dibe ku çareseriyek şopandina tevlêbûnê û peydakirina sertîfîkaya qedandinê be.Dibistanên bijîjkî têne zanîn ku transkriptên çalakiyên akademîk ên derveyî xwendekaran nas dikin, ku dikare xwendekaran teşwîq bike ku dereceyek bişopînin.
Sêwirana Kursê: Ji ber ku AI gelek jêrzemînan vedigire, hilbijartina têgehên bingehîn ên kûrahî û firehiya guncan dikare dijwar be.Mînakî, domdariya karanîna amûrên AI-ê ji laboratuarê heya klînîkê mijarek girîng e.Dema ku em pêş-pêvajoya daneyê, avakirina modelê, û pejirandinê vedigirin, em mijarên wekî analîtîkên daneya mezin, dîtbariya înteraktîf, an pêkanîna ceribandinên klînîkî yên AI-ê nagirin, li şûna wê em bala xwe didin ser têgehên AI-ê yên herî bêhempa.Prensîba me ya rêber ew e ku meriv xwendin û nivîsandinê pêş bixe, ne jêhatîbûnê.Mînakî, têgihîştina ka modelek taybetmendiyên têketinê çawa pêvajoyê dike ji bo şîrovekirinê girîng e.Yek rê ji bo kirina vê yekê ev e ku hûn nexşeyên çalakkirina gradient bikar bînin, ku dikarin xuyang bikin ka kîjan herêmên daneyê pêşbînîkirî ne.Lêbelê, ev yek hesabek pirrengî hewce dike û nayê destnîşan kirin8.Pêşxistina termînolojiyek hevpar dijwar bû ji ber ku me hewl dida ku em rave bikin ka meriv çawa bi daneyan re wekî vektor bêyî formalîzma matematîkî bixebite.Hişyar bikin ku têgînên cihêreng heman wateyê ne, mînakî, di epidemiolojiyê de, "taybetmendiyek" wekî "guhêrbar" an "taybetmendiyek" tê binav kirin.
Parastina zanînê.Ji ber ku serîlêdana AI-ê sînordar e, asta ku beşdaran zanyariyê diparêzin dimîne.Bernameyên dibistana bijîjkî bi gelemperî xwe dispêre dubarekirina cihêreng da ku zanînê di dema zivirandinên pratîkî de xurt bike,9 ku dikare di perwerdehiya AI-ê de jî were sepandin.
Profesyonelîzm ji xwendin û nivîsandinê girîngtir e.Kûrahiya materyalê bêyî hişkiya matematîkî hatî sêwirandin, ku di dema destpêkirina qursên klînîkî de di îstîxbarata sûnî de pirsgirêkek bû.Di mînakên bernamekirinê de, em bernameyek şablonê bikar tînin ku destûrê dide beşdaran ku qadan tije bikin û nermalavê bimeşînin bêyî ku fêr bibin ka meriv çawa hawîrdorek bernamesaziyek bêkêmasî saz dike.
Xemgîniyên di derbarê îstîxbarata sûnî de hatine destnîşan kirin: Fikarek berbelav heye ku îstîxbarata sûnî dikare şûna hin peywirên klînîkî bigire3.Ji bo çareserkirina vê pirsgirêkê, em sînorên AI-ê rave dikin, tevî vê yekê ku hema hema hemî teknolojiyên AI-ê yên ku ji hêla sazûmanan ve hatine pejirandin hewceyê çavdêriya bijîjkî ne11.Em her weha girîngiya biasiyê tekez dikin ji ber ku algorîtma mêldarê biasê ne, nemaze heke berhevoka daneyan ne cihêreng be12.Di encamê de, dibe ku hin binkrûp bi xeletî were model kirin, ku bibe sedema biryarên klînîkî yên neheq.
Çavkanî bi gelemperî berdest in: Me çavkaniyên berdest ên gelemperî, tevî slaytên dersê û kod, afirandin.Her çend gihîştina naveroka hevdemî ji ber deverên demkî sînorkirî ye, naveroka çavkaniya vekirî ji bo fêrbûna asynchronous rêbazek hêsan e ji ber ku pisporiya AI-ê li hemî dibistanên bijîjkî peyda nabe.
Hevkariya Navbirî: Ev atolye veberhênanek hevbeş e ku ji hêla xwendekarên bijîjkî ve hatî destpêkirin da ku bi endezyaran re qursan plansaz bikin.Ev fersendên hevkariyê û kêmasiyên zanînê di her du deveran de destnîşan dike, ku rê dide beşdaran ku rola potansiyela ku ew dikarin di pêşerojê de beşdar bibin fam bikin.
Hêza bingehîn a AI-ê diyar bikin.Diyarkirina navnîşek jêhatîbûn avahiyek standardkirî peyda dike ku dikare di qursên bijîjkî yên li ser bingeha jêhatîbûna heyî de were yek kirin.Vê komxebatê niha Asta Fêrbûnê 2 (Fêmkirin), 3 (Serlêdan), û 4 (Analîz) Taxonomiya Bloom bikar tîne.Hebûna çavkaniyan di astên bilindtir ên senifandinê de, wek çêkirina projeyan, dikare zanînê bêtir xurt bike.Ev hewce dike ku bi pisporên klînîkî re bixebitin da ku diyar bikin ka mijarên AI-ê çawa dikarin li ser karûbarên klînîkî de werin sepandin û pêşî li hînkirina mijarên dubarekirî yên ku berê di qursên bijîjkî yên standard de hene werin girtin.
Bi karanîna AI-ê lêkolînên dozê biafirînin.Mîna mînakên klînîkî, fêrbûna-based doz dikare têgehên razber bi ronîkirina têkiliya wan bi pirsên klînîkî re xurt bike.Mînakî, lêkolînek atolyeyê pergala tespîtkirina retînopatiya diyabetê ya AI-ya Google-ê 13 analîz kir da ku kêşeyên li ser riya ji laboratûvarê berbi klînîkê ve nas bike, wek daxwazên pejirandina derveyî û rêyên pejirandina birêkûpêk.
Fêrbûna ezmûnî bikar bînin: Zehmetiyên teknîkî ji bo masterê pratîkek berbiçav û serîlêdana dubare hewce dike, mîna ezmûnên fêrbûna zivirî yên perwerdekarên klînîkî.Yek çareseriyek potansiyel modela pola ziravkirî ye, ku hate ragihandin ku di perwerdehiya endezyariyê de ragirtina zanînê baştir dike14.Di vê modelê de, xwendekar materyalên teorîk serbixwe dinirxînin û dema polê ji bo çareserkirina pirsgirêkan bi lêkolînên dozê ve tê veqetandin.
Scaling ji bo beşdarên pirzimanî: Em pejirandina AI-ê ya ku di nav gelek dîsîplînan de hevkariyê dike, di nav de bijîjk û pisporên tenduristiyê yên hevalbend ên bi astên cihêreng ên perwerdehiyê, pêşbînî dikin.Ji ber vê yekê, dibe ku pêdivî be ku bername bi şêwirmendiyê bi fakulteya ji beşên cihêreng re were pêşve xistin da ku naveroka wan li qadên cihêreng ên lênihêrîna tenduristiyê were guncan kirin.
Zehmetiya hunerî teknolojîya bilind e û têgehên wê yên bingehîn bi matematîk û zanista kompîturê ve girêdayî ne.Perwerdekirina personelên lênihêrîna tenduristî ji bo fêmkirina îstîxbarata sûnî de di hilbijartina naverokê, têkildariya klînîkî, û rêbazên radestkirinê de kêşeyên bêhempa pêşkêşî dike.Em hêvî dikin ku nihêrînên ku ji atolyeyên Perwerdehiyê yên AI-yê hatine bidestxistin dê ji mamosteyên pêşerojê re bibin alîkar ku rêyên nûjen ji bo entegrekirina AI-ê di perwerdehiya bijîjkî de bigirin.
Nivîsara Python a Hevkariya Google çavkaniyek vekirî ye û li ser heye: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG û Khan, S. Rethinking perwerdeya bijîjkî: banga ji bo çalakiyê.Akkad.derman.88, 1407–1410 (2013).
McCoy, LG hwd. Bi rastî divê xwendekarên bijîjkî derbarê îstîxbarata sûnî de çi zanibin?Hejmarên NPZh.Derman 3, 1–3 (2020).
Dos Santos, DP, et al.Helwestên xwendekarên bijîjkî li hember îstîxbarata sûnî: anketek pir navend.EURO.xûyankirinî.29, 1640–1646 (2019).
Fan, KY, Hu, R., and Singla, R. Destpêka fêrbûna makîneyê ji bo xwendekarên bijîjkî: projeyek pîlot.J. Med.hînkirin.54, 1042–1043 (2020).
Cooperman N, et al.Naskirina zarokên di xetereya pir kêm a birîna mêjî ya girîng a klînîkî de piştî birîna serê: lêkolînek hevrêzek paşerojê.Lancet 374, 1160–1170 (2009).
Kolan, WN, Wolberg, WH û Mangasarian, OL.Derxistina taybetmendiya navokî ji bo teşhîsa tumora pêsîrê.Biyomedical Science.Pêvajoya wêneyê.Biyomedical Science.Weiss.1905, 861–870 (1993).
Chen, PHC, Liu, Y. û Peng, L. Meriv çawa modelên fêrbûna makîneyê ji bo lênihêrîna tenduristiyê pêş dixe.Nat.Matt.18, 410–414 (2019).
Selvaraju, RR et al.Grad-cam: Şirovekirina dîtbar a torên kûr bi navgîniya cîhê-based gradient.Gotarên Konferansa Navneteweyî ya IEEE li ser Vision Computer, 618–626 (2017).
Kumaravel B, Stewart K û Ilic D. Pêşveçûn û nirxandina modelek spiral ji bo nirxandina behreyên derman-bingeha delîlan ku OSCE di perwerdehiya bijîjkî ya lîsansê de bikar tîne.BMK Medicine.hînkirin.21, 1–9 (2021).
Kolachalama VB û Garg PS Fêrbûna makîneyê û perwerdehiya bijîjkî.Hejmarên NPZh.derman.1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, S., Rutten, MJ, van Ginneken, B. and de Rooy, M. Di radyolojiyê de îstîxbarata artificial: 100 hilberên bazirganî û delîlên wan ên zanistî.EURO.xûyankirinî.31, 3797–3804 (2021).
Topol, EJ Dermanê performansa bilind: hevgirtina îstîxbarata mirovî û çêkirî.Nat.derman.25, 44–56 (2019).
Bede, E. et al.Nirxandina mirov-navendî ya pergalek fêrbûna kûr a ku li klînîkê ji bo tespîtkirina retînopatiya diyabetê hatî bicîh kirin.Daneyên Konferansa CHI ya 2020-an li ser Faktorên Mirovan ên Di Pergalên Hesabkirinê de (2020).
Kerr, B. Di perwerdehiya endezyariyê de sinifa şikestî: Vekolînek lêkolînê.Gotarên Konferansa Navnetewî ya 2015 li ser Fêrbûna Hevkarî ya Interaktîf (2015).
Nivîskar ji bo piştgirî û fonê spasiya Danielle Walker, Tim Salcudin, û Peter Zandstra ji Koma Lêkolînê ya Biyomedical Imaging and Artificial Intelligence Cluster li Zanîngeha British Columbia dikin.
RH, PP, ZH, RS û MA ji pêşxistina naveroka hînkirina atolyeyê berpirsiyar bûn.RH û PP ji bo pêşxistina nimûneyên bernamekirinê berpirsiyar bûn.KYF, OY, MT û PW ji organîzasyona lojîstîkî ya projeyê û analîzkirina atolyeyan berpirsiyar bûn.RH, OY, MT, RS ji çêkirina fîgur û tabloyan berpirsiyar bûn.RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ji amadekirin û sererastkirina belgeyê berpirsyar bûn.
Communication Medicine spasiya Carolyn McGregor, Fabio Moraes, û Aditya Borakati dike ji bo beşdariyên wan di vekolîna vê xebatê de.
Dema şandinê: Feb-19-2024