লাভ:
- AI-সহায়তা ইমেজ প্রাক-শ্রেণিকরণ (পেরিফেরাল স্মিয়ার, ইউরিন সেডিমেন্ট, কলোনি) কীভাবে কাজ করে এবং এটি কী ত্বরান্বিত করে তা বুঝুন
- AI প্রাক-শ্রেণীবিভাগকে শুধুমাত্র স্ক্রীনিং হিসাবে ব্যবহার করার ক্ষমতা এবং অস্বাভাবিক এবং জটিল কোষ/অণুজীবের নির্ণয় বিশেষজ্ঞ যাচাইয়ের উপর ছেড়ে দেয়
- ইমেজ মডেলের সীমা চিনতে সক্ষমতা (বিরল কোষ, শিল্পকর্ম, দাগের গুণমান, বিতরণ স্থানান্তর) এবং মিথ্যা নেতিবাচক ঝুঁকি পরিচালনা
অণুবীক্ষণ যন্ত্র চিকিৎসা পরীক্ষাগারের প্রাচীনতম কিন্তু এখনও সবচেয়ে শক্তিশালী হাতিয়ার। রক্তের স্মিয়ারে কোষের আকৃতি, প্রস্রাবের পলিতে স্ফটিক, গ্রাম দাগে ব্যাকটেরিয়ার রঙ এবং বিন্যাস—সবই এমন নমুনা যা একজন প্রশিক্ষিত চোখ সেকেন্ডের মধ্যে পড়তে পারে কিন্তু শুরু করার জন্য বছরের অভিজ্ঞতার প্রয়োজন। সাম্প্রতিক বছরগুলিতে, এআই-সহায়ক চিত্র বিশ্লেষণ এই মাইক্রোস্কোপিক জগতে প্রবেশ করেছে: এটি স্বয়ংক্রিয়ভাবে ডিজিটালভাবে স্ক্যান করা প্রস্তুতিগুলিকে প্রাক-শ্রেণিবদ্ধ করে, যা স্বাভাবিক বলে মনে হয় সেগুলিকে বাদ দেয় এবং প্রকৃতপক্ষে পরীক্ষার প্রয়োজন হয় এমন ক্ষেত্রে বিশেষজ্ঞের দৃষ্টি আকর্ষণ করে। এটি একটি বিশাল গতি লাভ — তবে এটি এমন একটি ক্ষেত্র যেখানে সবচেয়ে সতর্ক সীমানা টানা উচিত, কারণ একটি মিথ্যা নেতিবাচক (একটি সত্যিকারের অস্বাভাবিকতা অনুপস্থিত) মানে সরাসরি নির্ণয় মিস করা হয়েছে৷
কিভাবে AI-সমর্থিত ছবি প্রাক-শ্রেণীবিভাগ এই ইউনিটে কাজ করে; পেরিফেরাল স্মিয়ার, প্রস্রাবের পলল এবং কীভাবে এটি মাইক্রোবায়োলজিতে ব্যবহৃত হয়; এবং আমরা মডেল সীমানা কভার করব (বিরল সেল, আর্টিফ্যাক্ট, স্টেনিং কোয়ালিটি, ডিস্ট্রিবিউশন শিফট)। মৌলিক নীতি: এআই প্রাক-শ্রেণীবিভাগ একটি স্ক্রীনিং, রোগ নির্ণয় নয়; অস্বাভাবিক এবং সমালোচনামূলক ফলাফলগুলির নির্ণয় এবং চূড়ান্ত অনুমোদন বিশেষজ্ঞের অন্তর্গত।
ইমেজ প্রাক-শ্রেণীবিভাগ কিভাবে কাজ করে
AI ইমেজ মডেলগুলি প্রচুর সংখ্যক লেবেলযুক্ত উদাহরণের প্রশিক্ষণের মাধ্যমে একটি কোষ বা কাঠামোকে শ্রেণিবদ্ধ করতে শেখে। একটি ডিজিটাল হেমাটোলজি অ্যানালাইজারে, ডিভাইসটি রক্তের স্মিয়ার স্ক্যান করে, পৃথক কোষগুলিকে ক্যাপচার করে এবং প্যাটার্নটি প্রতিটিকে একটি শ্রেণিতে রাখে (নিউট্রোফিল, লিম্ফোসাইট, মনোসাইট, ইওসিনোফিল, বেসোফিল ইত্যাদি)। বিশেষজ্ঞ একটি গ্যালারি হিসাবে প্রাক-শ্রেণীবদ্ধ কোষ সঙ্গে উপস্থাপিত হয়; বিশেষজ্ঞ নিশ্চিত করে, সংশোধন করে বা পুনরায় শ্রেণীবদ্ধ করে। একইভাবে, প্রস্রাব পলল বিশ্লেষক এরিথ্রোসাইট, লিউকোসাইট, এপিথেলিয়াম, স্ফটিক এবং কাস্ট সনাক্ত করে; কিছু মাইক্রোবায়োলজি সিস্টেম কলোনির সংখ্যা এবং বৃদ্ধির ধরণগুলিকে প্রাক-মূল্যায়ন করে।
মডেলের আউটপুট দুটি উপাদান বহন করে: একটি শ্রেণী (এই কোষটি নিউট্রোফিল) এবং একটি আত্মবিশ্বাসের স্কোর (এই শ্রেণীবিভাগে এটি কতটা আত্মবিশ্বাসী)। কম আত্মবিশ্বাসের স্কোর সহ বা "অ্যাটিপিকাল/অপরিচিত" হিসাবে চিহ্নিত সেলগুলিকে অবশ্যই একজন বিশেষজ্ঞের কাছে উল্লেখ করা উচিত। নোট করুন যে মডেলটি উচ্চ আত্মবিশ্বাসের সাথে একটি ঘরকে ভুল শ্রেণিবদ্ধ করতে পারে; আত্মবিশ্বাসের স্কোর নির্ভুলতার গ্যারান্টি নয়।
আবেদন
এআই প্রাক কাজ
বিশেষজ্ঞের কাজ
পেরিফেরাল স্মিয়ার
সেল প্রাক-বাছাই, গ্যালারি পরিবেশন
অস্বাভাবিক/বিস্ফোরণ/আটিপিকাল নিশ্চিতকরণ, রূপবিদ্যা ব্যাখ্যা
প্রস্রাব পলল
উপাদান প্রাক-স্বীকৃতি এবং গণনা
ক্রিস্টাল/কাস্ট/প্যাথলজিকাল সেল নিশ্চিতকরণ
মাইক্রোবায়োলজি (কলোনি)
কলোনি গণনা, বৃদ্ধি প্রাক-মূল্যায়ন
প্রকার পার্থক্য, ক্লিনিকাল তাত্পর্য
অস্থি মজ্জা / প্যাথলজি
ক্ষেত্র/সেল চিহ্নিতকরণ
ডায়গনিস্টিক ব্যাখ্যা, চিকিত্সকের অনুমোদন
কেন মডেল একটি "স্ক্রীনিং", একটি নির্ণয়ের নয়
ইমেজ মডেলগুলির সবচেয়ে মূল্যবান অবদান হল যে তারা দ্রুত স্বাভাবিক এবং সাধারণ নিদর্শনগুলি অতিক্রম করে বিশেষজ্ঞের সময় বাঁচায়। কিন্তু ডায়াগনস্টিক সিদ্ধান্ত গ্রহণের জন্য মডেলের উপর নির্ভর করা তিনটি কারণে বিপজ্জনক:
- বিরল আবিষ্কার। মডেলটি একটি বিরল কোষ (যেমন একটি বিস্ফোরণ, একটি পরজীবী, একটি অ্যাটিপিকাল লিম্ফোসাইট) চিনতে পারে না যা এটি প্রশিক্ষণের ডেটাতে খুব কমই দেখে। সবচেয়ে সমালোচনামূলক ফলাফল প্রায়ই বিরল হয়; এখানেই একটি মিথ্যা নেতিবাচক সবচেয়ে বিপজ্জনক।
- শিল্পকর্ম এবং পেইন্টিং। দাগের গুণমান, প্রস্তুতির পুরুত্ব, এবং শুকানোর শিল্পকর্ম মডেলটিকে বিভ্রান্ত করতে পারে। একটি খারাপভাবে দাগযুক্ত প্রস্তুতিতে, মডেলটি নিরাপদে ভুল শ্রেণিবদ্ধ করতে পারে।
- বিতরণ স্থানান্তর। যদি মডেলটিকে একটি পরীক্ষাগারের ডিভাইস এবং স্টেনিং প্রোটোকলের সাথে প্রশিক্ষিত করা হয়, তবে এটির কার্যকারিতা একটি ভিন্ন ডিভাইস/স্টেইনিংয়ের সাথে হ্রাস পেতে পারে। যদি আপনার জনসংখ্যা প্রশিক্ষণ জনসংখ্যা থেকে পৃথক হয়, মডেলটি প্রত্যাশার চেয়ে খারাপ কাজ করবে।
সতর্কতা: "মডেল বলেছিল এটা স্বাভাবিক, আমি দেখিনি" মিথ্যা নেতিবাচক মিস করার সবচেয়ে সাধারণ উপায়। যদি একটি অস্বাভাবিক ক্লিনিকাল সন্দেহ থাকে (উদাহরণস্বরূপ, লিউকেমিয়ার একটি প্রাথমিক নির্ণয়), স্মিয়ারটি বিশেষজ্ঞের দ্বারা পরীক্ষা করা হয়, মডেল যা বলে তা নির্বিশেষে।
ধাপে ধাপে: সুরক্ষিত ছবি প্রাক-মূল্যায়ন প্রবাহ
- স্টেনিং এবং প্রস্তুতির মান পরীক্ষা করুন। দুর্বল প্রস্তুতি মডেল এবং চোখ উভয়কেই বিভ্রান্ত করে; আগে গুণমান নিশ্চিত করুন।
- গ্যালারি হিসাবে মডেল প্রাক-শ্রেণীবিভাগ পান। দ্রুত স্বাভাবিক, উচ্চ নিরাপত্তা ক্লাস পর্যালোচনা করুন।
- চিহ্নিত কম আত্মবিশ্বাস এবং "অ্যাটিপিকাল" প্রথমে পরীক্ষা করুন। মডেল অস্পষ্ট হলে, সিদ্ধান্ত আপনার.
- মডেলের উপরে ক্লিনিকাল সন্দেহ রাখুন। একটি কেস যেখানে একটি অস্বাভাবিকতা প্রত্যাশিত একটি সম্পূর্ণ ম্যানুয়াল পর্যালোচনা সম্পাদন করুন.
- যাচাই এবং সমালোচনামূলক ফলাফল রিপোর্ট. বিস্ফোরণ, পরজীবী এবং ম্যালিগন্যান্ট কোষের মতো অনুসন্ধানগুলি একজন বিশেষজ্ঞ দ্বারা নিশ্চিত করা হয়; প্রয়োজনে চিকিৎসকের সাথে শেয়ার করা হয়।
দ্রষ্টব্য: এই ইউনিটে একটি ইমেজিং ডিভাইসের একটি উপাদান হিসাবে AI ব্যবহার করার পাশাপাশি, একটি ভাষা মডেলের সাথে কাজ করার সময়ও একটি সীমা রয়েছে: একটি সর্বজনীনভাবে উপলব্ধ ভাষা সরঞ্জামে রোগীর প্রস্তুতির ছবি আপলোড করা একটি গোপনীয়তার ঝুঁকি, এবং ক্লিনিকাল রোগ নির্ণয়ের জন্য একটি অপ্রমাণিত সরঞ্জামের উপর নির্ভর করা ভুল। চিত্র নির্ণয় বৈধ ক্লিনিকাল সিস্টেম এবং বিশেষজ্ঞ চোখ ব্যবহার করে সঞ্চালিত হয়.
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
টেক্সট সমর্থন হিসাবে AI ব্যবহার করার সময় নিম্নলিখিত তুলনা প্রযোজ্য (যেমন একটি রূপবিদ্যা নোট সম্পাদনা করতে বা একটি টিউটোরিয়াল বিবরণ প্রস্তুত করতে); ডায়গনিস্টিক ইমেজ সিদ্ধান্তের জন্য নয়।
দুর্বল প্রম্পট:
এই রক্তের স্মিয়ারে কী আছে তা নির্ণয় করুন। [ছবি]
এই প্রম্পটটি এআইকে রোগ নির্ণয়ের জন্য জিজ্ঞাসা করে; যদিও ভাষা টুলটি ক্লিনিকাল রোগ নির্ণয়ের জন্য বৈধ নয় এবং রোগীর ছবি গোপনীয়তার দিক থেকে ঝুঁকিপূর্ণ। এটি একটি ভুল এবং বিপজ্জনক ব্যবহার।
শক্তিশালী প্রম্পট:
আপনার ভূমিকা: ল্যাবরেটরি বিশেষজ্ঞের জন্য প্রশিক্ষণ/রিপোর্টের পাঠ্য প্রস্তুতকারী সহকারী। রোগ নির্ণয়; ইমেজ ব্যাখ্যা আমার কাজ. নীচে আমি আমার নিজস্ব রূপগত পর্যবেক্ষণ লিখছি (বেনামী); এগুলিকে একটি ঝরঝরে স্মিয়ার রিপোর্টের খসড়াতে পরিণত করুন এবং চিহ্নিত করুন যা অনুসন্ধানের জন্য বিশেষজ্ঞের নিশ্চিতকরণ প্রয়োজন৷ আমার পর্যবেক্ষণ: নিউট্রোফিল প্রাধান্য, বাম দিকে সামান্য স্থানান্তর, কয়েকটি অ্যাটিপিকাল লিম্ফোসাইট [বিশেষজ্ঞ নিশ্চিতকরণ], বিষাক্ত দানাদার ছাপ। নির্দিষ্ট রোগ নির্ণয় বোঝাবেন না।
দৃঢ় ইচ্ছাশক্তি বিশেষজ্ঞের সাথে রোগ নির্ণয় রাখে, শুধুমাত্র তার নিজস্ব পর্যবেক্ষণ সংগঠিত করার জন্য AI ব্যবহার করে এবং নিশ্চিতকরণের প্রয়োজন হয় এমন অনুসন্ধানকে ফ্ল্যাগ করে।
তিনটি মিনি কেস
কেস 1 - দক্ষ নির্মূল. একটি হেমাটোলজি ল্যাবরেটরিতে, একটি ডিজিটাল বিশ্লেষক প্রতিদিন 220টি রক্তের স্মিয়ার আগে থেকে সাজায়। এর মধ্যে 150 টির সম্পূর্ণ স্বাভাবিক নিদর্শন এবং উচ্চ আত্মবিশ্বাসের স্কোর রয়েছে; বিশেষজ্ঞ দ্রুত পর্যালোচনা এবং গ্যালারী মাধ্যমে তাদের অনুমোদন. অবশিষ্ট 70টি স্মিয়ার (নিম্ন আত্মবিশ্বাস বা পতাকাযুক্ত) সম্পূর্ণ ম্যানুয়াল পর্যালোচনার মধ্য দিয়ে যায়। ফলাফল: বিশেষজ্ঞের সময় এমন ক্ষেত্রে কেন্দ্রীভূত হয় যেগুলি আসলে পরীক্ষার প্রয়োজন হয়, মোট সময় উল্লেখযোগ্যভাবে হ্রাস পায়। মডেল নির্মূল, বিশেষজ্ঞ পরীক্ষা.
কেস 2 - বিস্ফোরণ থেকে রক্ষা পাওয়া। একটি ক্ষেত্রে, মডেলটি কম আত্মবিশ্বাসের সাথে "অ্যাটিপিকাল লিম্ফোসাইট" হিসাবে কয়েকটি কোষকে পতাকাঙ্কিত করেছে, তবে বিশেষজ্ঞ দ্রুত নিশ্চিত করেছেন এবং ঘনত্বের কারণে গ্যালারির মধ্য দিয়ে চলে গেছেন। পরে, রোগীর ক্লিনিকাল অবস্থা খারাপ হয়; স্মিয়ার আবার পরীক্ষা করলে দেখা যায় এই কোষগুলো আসলে ব্লাস্ট। পাঠ: মডেল যে কক্ষগুলিকে "নিম্ন আত্মবিশ্বাস/অসাধারণ" হিসাবে পতাকা দেয় সেগুলি কখনই দ্রুত যাচাই করা হয় না; সবচেয়ে সমালোচনামূলক অনুসন্ধান সেখানে লুকিয়ে থাকতে পারে। মিথ্যা নেতিবাচক সবচেয়ে ব্যয়বহুল ভুল।
কেস 3 - স্টেনিং আর্টিফ্যাক্ট। একটি প্রস্রাব পলল বিশ্লেষক, প্যাটার্নটি একটি খারাপ দাগযুক্ত প্রস্তুতিতে অসংখ্য "ক্রিস্টাল" চিহ্নিত করে। বিশেষজ্ঞ যখন প্রস্তুতি পরীক্ষা করেন, তখন তিনি দেখেন যে এগুলি স্টেনিং প্রিসিপিটেটস (আর্টিফ্যাক্ট); কোন বাস্তব স্ফটিক আছে. নতুন করে প্রস্তুতি নেওয়া হয়। পাঠ: মডেলটি বাস্তব কাঠামোর জন্য আর্টিফ্যাক্টটিকে ভুল করতে পারে; প্রস্তুতির গুণমান সর্বদা প্রথমে পরীক্ষা করা হয়।
অনুলিপিযোগ্য প্রম্পট টেমপ্লেট
রূপবিদ্যা রিপোর্ট খসড়া টেমপ্লেট আপনার ভূমিকা: সহকারী যিনি আমার (বিশেষজ্ঞ) দ্বারা লিখিত রূপবিদ্যা পর্যবেক্ষণকে একটি সংগঠিত প্রতিবেদনের খসড়াতে অনুবাদ করেন। রোগ নির্ণয় করবেন না। নিম্নে আমার পর্যবেক্ষণগুলিকে স্ট্যান্ডার্ড ডিসমিনিশান রিপোর্টের ভাষায় রাখুন; "[বিশেষজ্ঞ নিশ্চিতকরণ]" হিসাবে অনিশ্চিত/অসাধারণ অনুসন্ধানগুলি চিহ্নিত করুন; একটি সুনির্দিষ্ট নির্ণয়ের বোঝাবেন না। আমার পর্যবেক্ষণ: [পাঠ্য]।
ইমেজ মডেল ব্যতিক্রম নিয়ম টেমপ্লেট ইমেজ প্রাক-সর্টিং সিস্টেমের জন্য একটি চেকলিস্ট হিসাবে লিখুন যে ক্ষেত্রে অবশ্যই সম্পূর্ণ ম্যানুয়াল পর্যালোচনাতে যেতে হবে: কম আত্মবিশ্বাসের স্কোর, "অ্যাটিপিকাল/অপরিচিত" লেবেল, সন্দেহজনক ক্লিনিকাল অস্বাভাবিকতা, দুর্বল প্রস্তুতির গুণমান, সমালোচনামূলক অনুসন্ধান প্রার্থী। প্রতিটি আইটেমের জন্য যুক্তি যোগ করুন।
প্রিপারেশন কোয়ালিটি কন্ট্রোল টেমপ্লেট তালিকাভুক্ত করুন যে মানের আইটেমগুলি আমি একটি দাগ/পলির প্রস্তুতি মূল্যায়ন করার আগে পরীক্ষা করব: দাগের তীব্রতা, বিচ্ছুরণ/বেধ, আর্টিফ্যাক্ট, শুকানো, দূষণ। প্রতিটি আইটেমের জন্য "স্বীকার/পুনরায়করণ" মানদণ্ডের পরামর্শ দিন।
প্রশিক্ষণ বিবরণ টেমপ্লেট আপনার ভূমিকা: সহকারী ল্যাবরেটরি ইন্টার্নদের জন্য প্রশিক্ষণ পাঠ্য প্রস্তুত করছে। এই রূপতাত্ত্বিক ধারণাটি সহজভাবে এবং সঠিকভাবে ব্যাখ্যা করুন: [ধারণা]। একটি উদাহরণ দিন, অনুরূপ কাঠামোর মধ্যে পার্থক্য নির্দেশ করুন, তবে জোর দিন যে রোগ নির্ণয়ের সিদ্ধান্ত বিশেষজ্ঞের। ছবি আপলোড; শুধুমাত্র টেক্সট দিয়ে ব্যাখ্যা করুন।
সাধারণ ভুল
- স্বীকৃতির জন্য মডেলের শ্রেণীবিভাগ ভুল করা। প্রাক-বাছাই হল নির্মূল; অস্বাভাবিক/সমালোচনামূলক অনুসন্ধান বিশেষজ্ঞ দ্বারা নিশ্চিত করা হয়।
- দ্রুত কম নিরাপদ/অসাধারণ পতাকা অনুমোদন করুন। সবচেয়ে সমালোচনামূলক ফলাফল ঠিক আছে; এগুলি প্রথমে এবং সাবধানে পরীক্ষা করা হয়।
- এড়িয়ে যাচ্ছেন প্রস্তুতির মান। দরিদ্র পেইন্টিং মডেল এবং চোখ ফাঁকি; গুণমান প্রথমে আসে।
- ডিস্ট্রিবিউশন শিফট ভুলে যাওয়া। অন্য ডিভাইস/ডাই দিয়ে প্রশিক্ষিত একটি মডেল আপনার নমুনাগুলিতে খারাপভাবে কাজ করতে পারে।
- পাবলিক টুলে রোগীর ছবি আপলোড করা হচ্ছে। গোপনীয়তা লঙ্ঘন এবং অপ্রমাণিত নির্ণয়ের ঝুঁকি।
টিপ: ইমেজ মডেলের সাথে কাজ করার সময়, এটি আপনার নিয়ম হতে দিন: "মডেলটি সাধারণত আমার গতি বাড়াতে পারে, কিন্তু অস্বাভাবিকভাবে এটি কখনই আমাকে শিথিল করবে না।" যদি ক্লিনিকাল সন্দেহ থাকে বা প্যাটার্নটি অস্পষ্ট হয়, তবে সিদ্ধান্তটি মাইক্রোস্কোপের বিশেষজ্ঞের সাথে থাকে।
সংক্ষেপে
এআই-সহায়তা ইমেজ প্রাক-মূল্যায়ন রক্তের দাগ, প্রস্রাবের পলল এবং মাইক্রোবায়োলজিতে স্বাভাবিক প্যাটার্নগুলিকে সরিয়ে দেয়, যা প্রকৃতপক্ষে তদন্তের প্রয়োজন হয় এমন ক্ষেত্রে ফোকাস করার জন্য বিশেষজ্ঞের সময়কে মুক্ত করে। কিন্তু মডেলটি একটি স্ক্রীনিং টুল, একটি নির্ণয় নয়: এটি বিরল অনুসন্ধানগুলি মিস করতে পারে, বাস্তবের জন্য ভুল নিদর্শনগুলি মিস করতে পারে এবং বিভিন্ন জনসংখ্যার মধ্যে দুর্বল হতে পারে৷ রোগ নির্ণয় এবং অস্বাভাবিক এবং সমালোচনামূলক ফলাফলের চূড়ান্ত অনুমোদন বিশেষজ্ঞের অন্তর্গত; কম আত্মবিশ্বাস এবং অ্যাটিপিকাল মার্কারগুলি প্রথমে পরীক্ষা করা হয়; প্রস্তুতির গুণমান সর্বদা প্রথমে পরীক্ষা করা হয়। যেহেতু একটি মিথ্যা নেতিবাচক সবচেয়ে ব্যয়বহুল ত্রুটি, ক্লিনিকাল সন্দেহ মডেলটির আউটপুটকে তুচ্ছ করে।
আবেদন টাস্ক
আপনি ব্যবহার করেন এমন একটি চিত্র প্রাক-শ্রেণিকরণ সিস্টেমের জন্য একটি "ইমেজ মডেল ব্যতিক্রম নিয়ম" টেমপ্লেটের সাথে (বা একটি উদাহরণ), তালিকা করুন যে কেসগুলি অবশ্যই সম্পূর্ণ ম্যানুয়াল পর্যালোচনাতে যাবে৷ তারপরে "মরফোলজি রিপোর্ট ড্রাফ্ট" টেমপ্লেট সহ একটি নিয়মিত প্রতিবেদনে রূপতত্ত্ব পর্যবেক্ষণের একটি সেট পরিণত করুন এবং নিশ্চিতকরণের প্রয়োজন এমন ফলাফলগুলি চিহ্নিত করুন৷ অবশেষে, "প্রস্তুতি মান নিয়ন্ত্রণ" টেমপ্লেট সহ একটি গুণমানের চেকলিস্ট তৈরি করুন।
চেকলিস্ট
- [ ] আমি মডেল আউটপুট নির্মূল হিসাবে ব্যবহার করেছি, নির্ণয় নয়।
- [ ] আমি প্রথমে এবং সতর্কতার সাথে চিহ্নিত কম নিরাপদ/অসাধারণ পরীক্ষা করেছি।
- [ ] আমি এটি মূল্যায়ন করার আগে প্রস্তুতির গুণমান পরীক্ষা করেছিলাম।
- ক্লিনিকাল অস্বাভাবিকতার সন্দেহের ক্ষেত্রে, আমি একটি সম্পূর্ণ ম্যানুয়াল পরীক্ষা করেছি।
- [ ] আমি পাবলিক টুলে রোগীর ছবি আপলোড করিনি।
- [ ] আমি দক্ষতার সাথে সমালোচনামূলক ফলাফলগুলি নিশ্চিত করেছি এবং প্রয়োজনে সেগুলি চিকিত্সকের সাথে শেয়ার করেছি৷