Spas ji bo serdana Nature.com. Guhertoya geroka ku hûn bikar tînin piştgiriya CSS-ê bi sînor e. Ji bo encamên çêtirîn, em pêşniyar dikin ku guhertoyek nûtir a geroka xwe bikar bînin (an jî moda lihevhatinê di Internet Explorer-ê de vemirînin). Di vê navberê de, ji bo misogerkirina piştgiriya domdar, em malperê bêyî şêwazkirin an JavaScript nîşan didin.
Bikaranînên aqilê sûnî yê klînîkî (AI) bi lez mezin dibin, lê bernameyên heyî yên dibistanên bijîşkî hînkirinek sînorkirî pêşkêş dikin ku vê qadê vedihewîne. Li vir em qursek perwerdehiyê ya aqilê sûnî ku me pêşxistiye û pêşkêşî xwendekarên bijîşkî yên Kanadayî kiriye vedibêjin û ji bo perwerdehiya pêşerojê pêşniyaran dikin.
Zekaya sûnî (ZS) di bijîşkiyê de dikare karîgeriya cihê kar baştir bike û alîkariya biryardana klînîkî bike. Ji bo rêberiya ewle ya karanîna zekaya sûnî, divê bijîşk hin têgihîştina zekaya sûnî hebe. Gelek şîrove pêşniyar dikin ku têgehên ZS1 hîn bikin, wek mînak ravekirina modelên ZS û pêvajoyên verastkirinê2. Lêbelê, çend planên birêxistinkirî hatine bicîh kirin, nemaze di asta neteweyî de. Pinto dos Santos et al.3. 263 xwendekarên bijîşkî hatin anket kirin û %71 li hev kirin ku ew hewceyê perwerdehiyê di zekaya sûnî de ne. Hînkirina zekaya sûnî ji temaşevanên bijîşkî re sêwirana baldar hewce dike ku têgehên teknîkî û ne-teknîkî ji bo xwendekarên ku pir caran zanîna berê ya berfireh hene bi hev re dike yek. Em ezmûna xwe ya pêşkêşkirina rêze atolyeyên ZS ji sê komên xwendekarên bijîşkî re vedibêjin û ji bo perwerdehiya bijîşkî ya pêşerojê di ZS de pêşniyaran dikin.
Komxebata me ya pênc-hefteyî ya Danasîna Zekaya Sûni di Tibê de ji bo xwendekarên bijîşkî di navbera Sibata 2019 û Nîsana 2021an de sê caran hate lidarxistin. Bernameyek ji bo her komxebatê, bi ravekirinek kurt a guhertinên di qursê de, di Wêne 1 de tê nîşandan. Kursa me sê armancên sereke yên fêrbûnê hene: xwendekar fêm bikin ka daneyên di sepanên zekaya sûni de çawa têne pêvajo kirin, wêjeya zekaya sûni ji bo sepanên klînîkî analîz bikin, û ji derfetên hevkariyê bi endezyarên ku zekaya sûni pêş dixin sûd werbigirin.
Rengê şîn mijara dersê ye û şînê vekirî jî dema pirs û bersivan a înteraktîf e. Beşa gewr mijara nirxandina kurt a wêjeyê ye. Beşên porteqalî lêkolînên dozê yên bijartî ne ku model an teknîkên zekaya sûnî vedibêjin. Kesk dewreyeke bernamesaziyê ya rêberkirî ye ku ji bo hînkirina zekaya sûnî ji bo çareserkirina pirsgirêkên klînîkî û nirxandina modelan hatiye çêkirin. Naverok û dema atolyeyan li gorî nirxandina hewcedariyên xwendekaran diguhere.
Komxebata yekem ji Sibat heta Nîsana 2019an li Zanîngeha British Columbia hate lidarxistin, û her 8 beşdaran nirxandinên erênî dan4. Ji ber COVID-19, komxebata duyem di Cotmeh-Mijdara 2020an de bi awayekî virtual hate lidarxistin, ku 222 xwendekarên bijîşkî û 3 niştecîh ji 8 dibistanên bijîşkî yên Kanadayî qeyd bûn. Slaytên pêşkêşkirinê û kod li ser malperek gihîştina vekirî (http://ubcaimed.github.io) hatine barkirin. Nirxandina sereke ji dubarekirina yekem ew bû ku ders pir dijwar bûn û materyal jî pir teorîk bûn. Xizmetkirina şeş deverên demjimêr ên cûda yên Kanadayê dijwarîyên din derdixe holê. Bi vî awayî, komxebata duyem her rûniştinekê kurt kir bo 1 saetê, materyalê qursê hêsan kir, bêtir lêkolînên dozê lê zêde kir, û bernameyên boilerplate afirandin ku rê da beşdaran perçeyên kodê bi kêmtirîn debugging temam bikin (Qutiya 1). Nirxandina sereke ji dubarekirina duyem nirxandinên erênî li ser tetbîqatên bernamekirinê û daxwazek ji bo nîşandana plansaziyê ji bo projeyek fêrbûna makîneyê vedihewîne. Ji ber vê yekê, di komxebata me ya sêyemîn de, ku di Adar-Nîsana 2021-an de ji bo 126 xwendekarên bijîşkî bi awayekî virtual hate lidarxistin, me bêtir rahênanên kodkirinê yên înteraktîf û rûniştinên bersivdayîna projeyan zêde kirin da ku bandora karanîna têgehên komxebatê li ser projeyan nîşan bidin.
Analîza Daneyan: Qadeke lêkolînê di îstatîstîkê de ye ku bi rêya analîzkirin, pêvajokirin û ragihandina qalibên daneyan, qalibên watedar di daneyan de destnîşan dike.
Kolandina daneyan: pêvajoya destnîşankirin û derxistina daneyan. Di çarçoveya zekaya sûnî de, ev pir caran mezin e, ji bo her nimûneyek gelek guhêrbar hene.
Kêmkirina Pîvanê: Pêvajoya veguherandina daneyên bi gelek taybetmendiyên takekesî bo taybetmendiyên kêmtir di heman demê de parastina taybetmendiyên girîng ên koma daneyên orîjînal.
Taybetmendî (di çarçoveya zekaya sûnî de): taybetmendiyên pîvandî yên nimûneyekê. Pir caran bi "taybetmendî" an "guhêrbar" re bi hev re tê bikar anîn.
Nexşeya Aktîvasyona Gradientê: Teknîkek e ku ji bo şîrovekirina modelên zekaya sûnî (bi taybetî torên neural ên konvolusyonî) tê bikar anîn, ku pêvajoya çêtirkirina beşa dawîn a torê analîz dike da ku herêmên daneyan an wêneyan ên ku pir pêşbînîker in destnîşan bike.
Modela Standard: Modelek AI ya heyî ku ji bo pêkanîna karên wekhev pêşwext hatiye perwerdekirin.
Ceribandin (di çarçoveya aqilê sûnî de): çavdêrîkirina ka modelek çawa karekî bi karanîna daneyên ku berê rastî wan nehatiye pêk tîne.
Perwerde (di çarçoveya zekaya sûnî de): Pêşkêşkirina modelek bi daneyan û encaman da ku model parametreyên xwe yên navxweyî sererast bike da ku şiyana xwe ya pêkanîna peywirên bi karanîna daneyên nû baştir bike.
Vektor: rêza daneyan. Di fêrbûna makîneyê de, her hêmanek rêzê bi gelemperî taybetmendiyek bêhempa ya nimûneyê ye.
Tabloya 1 qursên herî dawî yên Nîsana 2021-an nîşan dide, tevî armancên fêrbûnê yên armanckirî ji bo her mijarê. Ev komxebat ji bo kesên ku di asta teknîkî de nû ne hatiye çêkirin û ji sala yekem a lîsansa bijîşkî pê ve ti zanîna matematîkî hewce nake. Qurs ji hêla 6 xwendekarên bijîşkî û 3 mamosteyên xwedî bawernameyên pêşkeftî di endezyariyê de hatiye pêşve xistin. Endezyar teoriya zekaya sûnî pêş dixin da ku hîn bikin, û xwendekarên bijîşkî materyalên klînîkî yên têkildar fêr dibin.
Komxebat ders, lêkolînên dozê û bernamekirina rêberkirî dihewîne. Di dersa yekem de, em têgehên bijartî yên analîza daneyan di biyoîstatîstîkê de, di nav de dîtbarîkirina daneyan, regresyona lojîstîkî, û berawirdkirina îstatîstîkên danasînî û enduksîyonî, dinirxînin. Her çend analîza daneyan bingeha zekaya sûnî ye jî, em mijarên wekî kolandina daneyan, ceribandina girîngiyê, an dîtbarîkirina înteraktîf derdixin. Ev ji ber sînorkirinên demê bû û her weha ji ber ku hin xwendekarên lîsansê perwerdehiya berê di biyoîstatîstîkê de hebûn û dixwestin mijarên fêrbûna makîneyê yên bêhempatir veşêrin. Dersa paşîn rêbazên nûjen dide nasîn û li ser formulasyona pirsgirêka AI, avantaj û sînorkirinên modelên AI, û ceribandina modelê nîqaş dike. Ders bi wêjeyê û lêkolînên pratîkî yên li ser cîhazên zekaya sûnî yên heyî têne temam kirin. Em tekez dikin li ser jêhatîbûnên ku ji bo nirxandina bandor û gengaziya modelek ji bo çareserkirina pirsên klînîkî, di nav de têgihîştina sînorkirinên cîhazên zekaya sûnî yên heyî, hewce ne. Mînakî, me ji xwendekaran xwest ku rêbernameyên birîndarbûna serê zarokan ên ku ji hêla Kupperman et al., 5 ve hatine pêşniyar kirin şîrove bikin, ku algorîtmayek dara biryara zekaya sûnî bicîh anî da ku diyar bike ka skankirina CT dê li gorî muayeneya bijîşk bikêr be. Em tekez dikin ku ev mînakek hevpar a AI ye ku analîtîkên pêşbînîkirinê ji bo bijîşkan peyda dike da ku şîrove bikin, li şûna ku bijîşkan biguhezînin.
Di mînakên bernamekirina bootstrap-a çavkaniya vekirî de (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), em nîşan didin ka meriv çawa analîza daneyên lêgerînê, kêmkirina pîvanan, barkirina modela standard, û perwerde û ceribandinê pêk tîne. Em defterên Google Colaboratory (Google LLC, Mountain View, CA) bikar tînin, ku dihêle koda Python ji gerokek webê were bicîhanîn. Di Şekil 2 de mînakek ji tetbîqatek bernamekirinê peyda dike. Ev tetbîqat pêşbînîkirina nexweşiyên xerab bi karanîna Wisconsin Open Breast Imaging Dataset6 û algorîtmayek dara biryarê vedihewîne.
Bernameyan di seranserê hefteyê de li ser mijarên têkildar pêşkêş bikin û mînakan ji sepanên AI yên weşandî hilbijêrin. Hêmanên bernamekirinê tenê têne nav kirin ger ku ew ji bo peydakirina têgihîştinê li ser pratîka klînîkî ya pêşerojê têkildar têne hesibandin, wek mînak çawa modelan binirxînin da ku diyar bikin ka ew ji bo karanîna di ceribandinên klînîkî de amade ne. Ev mînak di serîlêdanek tevahî ya serî-bi-serî de digihîjin encamê ku tumoran li gorî parametreyên wêneyên bijîşkî wekî benîgn an xedar dabeş dike.
Nehevsengiya zanîna berê. Beşdarên me di asta zanîna xwe ya matematîkî de ji hev cuda bûn. Bo nimûne, xwendekarên xwedî paşxaneyên endezyariyê yên pêşketî li materyalên kûrtir digerin, wek mînak çawa veguherînên xwe yên Fourier pêk bînin. Lêbelê, nîqaşkirina algorîtmaya Fourier di polê de ne mimkûn e ji ber ku ew zanîna kûr a pêvajoya sînyalê hewce dike.
Herikîna beşdarbûnê. Beşdarbûna civînên şopandinê kêm bû, nemaze di formatên serhêl de. Çareseriyek dibe ku şopandina beşdarbûnê û dayîna sertîfîkayek temamkirinê be. Dibistanên bijîşkî bi naskirina transkrîptên çalakiyên akademîk ên derveyî dibistanê yên xwendekaran têne zanîn, ku ev dikare xwendekaran teşwîq bike ku li pey bawernameyekê biçin.
Dizayna Dersê: Ji ber ku AI gelek jêr-qadan vedihewîne, hilbijartina têgehên bingehîn ên kûrahî û firehiya guncaw dikare dijwar be. Mînakî, berdewamiya karanîna amûrên AI ji laboratuwarê heya klînîkê mijarek girîng e. Her çend em pêş-pêvajoya daneyan, avakirina model û pejirandinê vedihewînin jî, em mijarên wekî analîtîkên daneyên mezin, dîtbarîkirina înteraktîf, an jî pêkanîna ceribandinên klînîkî yên AI nagirin nav xwe, li şûna wê em li ser têgehên AI yên herî bêhempa disekinin. Prensîba me ya rêberiyê baştirkirina xwendin û nivîsandinê ye, ne jêhatîbûnê. Mînakî, têgihîştina ka modelek çawa taybetmendiyên têketinê pêvajo dike ji bo şîrovekirinê girîng e. Rêyek ji bo vê yekê karanîna nexşeyên çalakkirina gradientê ye, ku dikarin nîşan bidin ka kîjan herêmên daneyan pêşbînîkirî ne. Lêbelê, ev hewceyê hesabkirina pirguherbar e û nayê destnîşan kirin8. Pêşxistina termînolojiyek hevpar dijwar bû ji ber ku em hewl didan rave bikin ka meriv çawa bi daneyan wekî vektor bêyî formalîzma matematîkî dixebite. Bala xwe bidinê ku têgehên cûda heman wateyê hene, mînakî, di epidemiolojiyê de, "taybetmendiyek" wekî "guhêrbar" an "taybetmendî" tê binav kirin.
Parastina zanînê. Ji ber ku sepandina AI bi sînor e, hîn nayê zanîn ka beşdar çiqas zanînê diparêzin. Mufredatên dibistana bijîşkî pir caran ji bo xurtkirina zanînê di dema rotasyonên pratîkî de, dubarekirina di navberan de dispêrin,9 ku ev yek dikare di perwerdehiya AI de jî were sepandin.
Pîşeyîbûn ji xwendin û nivîsandinê girîngtir e. Kûrahiya materyalê bêyî hişkbûna matematîkî hatiye sêwirandin, ku ev yek di dema destpêkirina qursên klînîkî yên di warê zekaya sûnî de pirsgirêkek bû. Di mînakên bernamesaziyê de, em bernameyek şablonê bikar tînin ku dihêle beşdarvan zeviyan tijî bikin û nermalavê bêyî ku hewce bikin ku fêm bikin ka meriv çawa hawîrdorek bernamesaziyê ya bêkêmasî saz dike, bimeşînin.
Nîgeraniyên li ser zekaya sûnî yên ku hatine çareserkirin: Nîgeraniyeke berfireh heye ku zekaya sûnî dikare hin erkên klînîkî biguhezîne3. Ji bo çareserkirina vê pirsgirêkê, em sînorkirinên AI-ê rave dikin, tevî rastiya ku hema hema hemî teknolojiyên AI-ê yên ku ji hêla sazûmankeran ve hatine pejirandin hewceyê çavdêriya bijîşk in11. Em her weha girîngiya xeletiyê tekez dikin ji ber ku algorîtma meyldarê xeletiyê ne, nemaze heke koma daneyan ne cihêreng be12. Di encamê de, dibe ku komek diyarkirî bi xeletî were model kirin, ku bibe sedema biryarên klînîkî yên neheq.
Çavkanî ji bo raya giştî hene: Me çavkaniyên ji bo raya giştî hene, di nav de slaytên dersê û kod. Her çend gihîştina naveroka senkron ji ber herêmên demjimêrî sînorkirî be jî, naveroka çavkaniya vekirî rêbazek hêsan e ji bo fêrbûna asenkron ji ber ku pisporiya AI li hemî dibistanên bijîşkî peyda nabe.
Hevkariya Navdîsîplînî: Ev komxebat projeyek hevbeş e ku ji hêla xwendekarên bijîşkî ve hatiye destpêkirin da ku qursan bi hev re bi endezyaran re plan bikin. Ev yek derfetên hevkariyê û kêmasiyên zanînê di her du waran de nîşan dide, û dihêle ku beşdar rola potansiyel a ku ew dikarin di pêşerojê de bikin fam bikin.
Jêhatîbûnên bingehîn ên AI pênase bikin. Diyar kirina navnîşek ji jêhatiyan avahiyek standardîzekirî peyda dike ku dikare di bernameyên bijîşkî yên heyî yên li ser bingeha jêhatiyan de were entegre kirin. Ev komxebat niha Astên Armanca Fêrbûnê 2 (Têgihîştin), 3 (Bikaranîn), û 4 (Analîz) yên Taksonomiya Bloom bikar tîne. Hebûna çavkaniyan di astên bilindtir ên dabeşkirinê de, wekî afirandina projeyan, dikare zanînê bêtir xurt bike. Ev yek hewceyê xebata bi pisporên klînîkî re dike da ku were destnîşankirin ka mijarên AI çawa dikarin li ser herikînên xebatê yên klînîkî werin sepandin û pêşî li hînkirina mijarên dubarekirî yên ku jixwe di bernameyên bijîşkî yên standard de hene bigire.
Lêkolînên dozê bi karanîna AI biafirînin. Mîna mînakên klînîkî, fêrbûna li ser bingeha dozê dikare têgehên abstrakt bi ronîkirina têkiliya wan bi pirsên klînîkî re xurt bike. Mînakî, lêkolînek atolyeyê pergala tespîtkirina retînopatiya diyabetîk a li ser bingeha AI ya Google 13 analîz kir da ku di rê de ji laboratûarê heya klînîkê, wekî hewcedariyên pejirandina derveyî û rêyên pejirandina rêziknameyî, zehmetiyan nas bike.
Fêrbûna ezmûnî bikar bînin: Jêhatîbûnên teknîkî ji bo serketinê pratîkek baldar û sepandina dubare hewce dikin, mîna ezmûnên fêrbûna dorveger a stajyerên klînîkî. Yek ji çareseriyên potansiyel modela pola zivirî ye, ku hatiye ragihandin ku parastina zanînê di perwerdehiya endezyariyê de baştir dike14. Di vê modelê de, xwendekar materyalên teorîk bi serbixwe dinirxînin û dema dersê ji bo çareserkirina pirsgirêkan bi rêya lêkolînên dozê tê veqetandin.
Pîvankirin ji bo beşdarên piralî: Em pêşbînî dikin ku pejirandina AI hevkariyê di navbera gelek dîsîplînan de, di nav de bijîşk û pisporên tenduristiyê yên hevkar ên bi astên perwerdehiyê yên cûda, dihewîne. Ji ber vê yekê, dibe ku pêdivî bi pêşxistina bernameyên xwendinê bi şêwirmendiya fakulteya ji beşên cûda hebe da ku naveroka wan li gorî warên cûda yên lênêrîna tenduristiyê were adaptekirin.
Zekaya sûnî teknolojiya bilind e û têgehên wê yên bingehîn bi matematîk û zanista komputerê ve girêdayî ne. Perwerdekirina karmendên tenduristiyê ji bo têgihîştina zekaya sûnî di hilbijartina naverokê, girîngiya klînîkî û rêbazên radestkirinê de dijwarîyên bêhempa derdixe holê. Em hêvî dikin ku têgihiştinên ku ji atolyeyên AI di Perwerdehiyê de hatine bidestxistin dê alîkariya perwerdekarên pêşerojê bikin ku rêbazên nûjen ji bo entegrekirina AI di perwerdehiya bijîşkî de bipejirînin.
Skrîpta Pythonê ya Google Colaboratory çavkaniya vekirî ye û li vir peyda dibe: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG û Khan, S. Ji nû ve fikirîna li ser perwerdehiya bijîşkî: bangek ji bo çalakiyê. Akkad. medicine. 88, 1407–1410 (2013).
McCoy, LG û hwd. Xwendekarên bijîşkî bi rastî hewce ne ku di derbarê zekaya sûnî de çi bizanibin? Hejmarên NPZh. Medicine 3, 1–3 (2020).
Dos Santos, DP, û yên din. Helwestên xwendekarên bijîşkî li hember zekaya sûnî: lêkolînek pirnavendî. EURO. radyasyon. 29, 1640–1646 (2019).
Fan, KY, Hu, R., û Singla, R. Danasîna fêrbûna makîneyê ji bo xwendekarên bijîşkî: projeyek pîlot. J. Med. teach. 54, 1042–1043 (2020).
Cooperman N, û yên din. Nasîna zarokên ku piştî birîndarbûna serî rîska wan a birîndarbûna mêjî ya klînîkî ya girîng pir kêm e: lêkolînek kohort a pêşerojî. Lancet 374, 1160–1170 (2009).
Street, WN, Wolberg, WH û Mangasarian, OL. Derxistina taybetmendiyên navokî ji bo teşhîsa tumora pêsîrê. Zanista Biyopizîşkî. Pêvajoya wêneyê. Zanista Biyopizîşkî. Weiss. 1905, 861–870 (1993).
Chen, PHC, Liu, Y. û Peng, L. Meriv çawa modelên fêrbûna makîneyê ji bo lênêrîna tenduristiyê pêş dixe. Nat. Matt. 18, 410–414 (2019).
Selvaraju, RR û yên din. Grad-cam: Şîrovekirina dîtbarî ya torên kûr bi rêya herêmîkirina li ser bingeha gradientê. Proceedings of the IEEE International Conference on Computer Vision, 618–626 (2017).
Kumaravel B, Stewart K û Ilic D. Pêşvebirin û nirxandina modelek spiral ji bo nirxandina jêhatîyên bijîşkî yên li ser bingeha delîlan bi karanîna OSCE di perwerdehiya bijîşkî ya lîsansê de. BMK Medicine. teach. 21, 1–9 (2021).
Kolachalama VB û Garg PS Fêrbûna makîneyê û perwerdehiya bijîşkî. Hejmarên NPZh. bijîşkî. 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 aqilê mirovî û yê sûnî. Nat. medicine. 25, 44–56 (2019).
Bede, E. û yên din. Nirxandina mirov-navendî ya pergaleke fêrbûna kûr a ku di klînîkê de ji bo tespîtkirina retînopatiya diyabetîk hatiye bicihkirin. Karûbarên Konferansa CHI ya 2020an li ser Faktorên Mirovan di Pergalên Hesabkirinê de (2020).
Kerr, B. Pola serûbinkirî di perwerdehiya endezyariyê de: Nirxandinek lêkolînê. Karûbarên Konferansa Navneteweyî ya 2015-an li ser Fêrbûna Hevkar a Înteraktîf (2015).
Nivîskar ji bo piştgirî û fînansekirinê spasiya Danielle Walker, Tim Salcudin, û Peter Zandstra yên ji Koma Lêkolînên Wênekirina Biyomedikal û Zekaya Sûni ya Zanîngeha British Columbia dikin.
RH, PP, ZH, RS û MA berpirsiyarê pêşxistina naveroka hînkirina komxebatê bûn. RH û PP berpirsiyarê pêşxistina mînakên bernamesaziyê bûn. KYF, OY, MT û PW berpirsiyarê rêxistina lojîstîkî ya projeyê û analîza komxebatan bûn. RH, OY, MT, RS berpirsiyarê çêkirina şekil û tabloyan bûn. RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS berpirsiyarê nivîsandin û sererastkirina belgeyê bûn.
Communication Medicine ji Carolyn McGregor, Fabio Moraes, û Aditya Borakati re spas dike ji bo beşdariyên wan di nirxandina vê xebatê de.
Dema weşandinê: 19ê Sibatê, 2024