අන්තයේ සිට අවසානය දක්වා නඩුව: සොයාගැනීමේ සිට සායනික වාර්තාව දක්වා ප්‍රභේදයක ගමනක්

ලාභ:

• මොඩියුලය පුරා ඉගෙන ගත් සියලුම කොටස් (අනුක්‍රමය, ප්‍රභේදය, ව්‍යුහය, සාහිත්‍යය, සායනික) තනි අන්තයේ සිට අවසානය දක්වා AI-සහාය දක්වන කාර්ය ප්‍රවාහයක් තුළ ඒකාබද්ධ කිරීමේ හැකියාව
• සෑම පියවරකදීම 'කෘතිම බුද්ධිය නිපදවීම, මානව සත්‍යාපනය සහ සහතික' සහ ප්‍රාථමික මූලාශ්‍ර සත්‍යාපනය යන මූලධර්මය යෙදීමේ හැකියාව
• රහස්‍යභාවය ලේඛනගත කිරීමෙන් සත්‍යාපන දාමය කළමනාකරණය කිරීමේ හැකියාව සහ අන්තයේ සිට අවසානය දක්වා වූ අවස්ථාවක අවසාන විශේෂඥ අනුමැතිය

මෙම මොඩියුලය තුළ, අපි අනුක්‍රමික විශ්ලේෂණයේ සිට ප්‍රෝටීන් ව්‍යුහය දක්වා, CRISPR සිට omics දක්වා, සාහිත්‍යයේ සිට ආචාර ධර්ම සහ රහස්‍යභාවය දක්වා එක් එක් අදියර වෙන වෙනම සාකච්ඡා කළෙමු. මෙම අවසාන ඒකකය තුළ, අපි ඒවා සියල්ලම එක් යථාර්ථවාදී කාර්ය ප්‍රවාහයකට ඒකාබද්ධ කරමු: අමු දත්තවල සිට අනුමත සායනික වාර්තාවක් දක්වා රෝගියෙකු තුළ සොයාගත් ප්‍රභේදයක ගමන. ඉලක්කය වන්නේ කෘත්‍රිම බුද්ධිය (AI) අන්තයේ සිට අන්තයේ සහායකයෙකු ලෙස ස්ථානගත කරන්නේ කෙසේද යන්න සහ සෑම අදියරකදීම සත්‍යාපනය සහ මානව වගවීම බද්ධ වී ඇති ආකාරය පරිපූර්ණ ලෙස බැලීමයි.

අපගේ දර්ශනය (ප්‍රබන්ධ): 34 හැවිරිදි කාන්තා රෝගියෙකු අඩු වයසින් පියයුරු පිළිකා පිළිබඳ පවුල් ඉතිහාසයක් සමඟ ජාන ඇගයීම සඳහා පැමිණේ. BRCA1 ජානයේ ප්‍රභේදයක් පැනල් පරීක්ෂණයේදී සොයා ගන්නා ලදී. අපගේ මෙහෙවර: මෙම ප්‍රභේදය වර්ගීකරණය කිරීම, ප්‍රෝටීන් කෙරෙහි එහි ඇති විය හැකි බලපෑම අර්ථ නිරූපණය කිරීම, සාහිත්‍යය සමාලෝචනය කිරීම සහ සායනික වාර්තාවක් කෙටුම්පත් කිරීම - සෑම පියවරකදීම AI භාවිතා කිරීම සහ සෑම පියවරකදීම එය වලංගු කිරීම.

අදියර 1: ප්‍රභේදය සවි කිරීම සහ පෞද්ගලිකත්ව පාලනය

වැඩ ප්‍රවාහයේ ආරම්භයේදීම, අපි කරුණු දෙකක් කරන්නෙමු: දත්ත ප්‍රමිතිකරණය සහ රහස්‍යභාවය සහතික කිරීම.

පෞද්ගලිකත්වය පළමුව: රෝගියාගේ නම, හඳුනාගැනීමේ අංකය සහ උපන් දිනය විවෘත AI මෙවලම් කිසිවක් ඇතුළත් නොකරයි (ඒකක 10). අපි වැඩ කරන්නේ ප්‍රභේදය, ජෙනෝම අනුවාදය සහ පිටපත සමඟ පමණි - සහ ප්‍රභේදය පුද්ගලයා හඳුනා නොගන්නේ නම් පමණි. ඉන්පසුව අපි ප්රභේදය සවි කරමු: GRCh38, BRCA1, NM_007294.4, උදාහරණයක් ලෙස c.5266dupC (p.Gln1756fs). අපි මෙය වලංගුකාරකයක් (VariantValidator) සමඟ තහවුරු කරමු; AI විසින් මුහුණත වටිනාකමින් ලබා දෙන නියෝජනය අපි පිළිගන්නේ නැත (ඒකක 1, 3).

අදියර 2: සාක්ෂි එකතු කිරීම (ඒකකය 3)

අපි සතුව ACMG සාධන රාමුව ගොඩනඟා ගැනීමට AI ඇත - නමුත් එය පන්තියට නොකියයි. එවිට අපි සෑම සාක්ෂියක්ම අප විසින්ම තහවුරු කරමු:

• gnomAD සංඛ්‍යාතය: අපි gnomAD හි ප්‍රභේදය සොයන අතර එය ඉතා දුර්ලභ/නොමැති බව දකිමු (PM2 දිශාවට).
• ClinVar: අපි වාර්තාව විවෘත කර පවතින අදහස් සහ නැවුම් බව පරීක්ෂා කරන්න.
• විචල්‍ය වර්ගය: රාමු මාරුවක් නොමේරූ විරාමයකට තුඩු දෙන්නේ නම්, ක්‍රියාකාරීත්වය නැති වීම (PVS1) පිළිබඳ ප්‍රබල සාක්ෂි තිබිය හැකිය - නමුත් අපි මෙය ජානයේ සහ පිටපතේ සන්දර්භය තුළ ඇගයීමට ලක් කරමු.

අපි එය සත්‍යාපනය නොකර AI විසින් ලබා දෙන කිසිදු සංඛ්‍යාතයක් හෝ යොමු කිරීමක් භාවිතා නොකරමු (ඒකක 9).

අදියර 3: ප්‍රෝටීන් ව්‍යුහ අර්ථ නිරූපණය (ඒකක 4)

ප්‍රෝටීන් මත ප්‍රභේදයේ බලපෑම තේරුම් ගැනීමට, අපි AlphaFold ව්‍යුහය (එහි UniProt අංකය සමඟ) බාගන්නෙමු, බලපෑමට ලක් වූ කලාපයේ pLDDT විශ්වාසනීය ලකුණු සහ UniProt ක්‍රියාකාරී විවරණ දෙස බලන්න. රාමු මාරුවකින් ප්‍රෝටීන් විශාල ප්‍රමාණයක් වෙනස් කරන නිසා, ව්‍යුහය අර්ථ නිරූපණය මෙහි ක්‍රියාකාරීත්වය නැතිවීමේ කල්පිතයට සහාය විය හැක - නමුත් ව්‍යුහය අනුමානයක් මිස නිශ්චිත සාක්ෂියක් නොවේ. අපි ඛණ්ඩාංක සඳහා AI ගෙන් ඉල්ලන්නේ නැත; අපි ගොනුවෙන් කියවමු.

අදියර 4: සාහිත්‍ය සත්‍යාපනය (ඒකක 7)

අපි AI වෙතින් සෙවුම් වචන ලබා ගනිමු, එය PubMed මතම සොයන්න, සහ ප්‍රභේදය සහ ජානය පිළිබඳ සත්‍ය ලිපි සොයා ගනිමු. AI විසින් DOI/PMID සමඟින් "මතකයෙන්" ඉදිරිපත් කරන උපුටා දැක්වීම් අපි තහවුරු කරමු. ප්‍රභවයේ ඇති සම්බන්ධය සහ හේතුඵලය අතර වෙනස අපි ආරක්ෂා කරමු.

අදියර 5: වර්ගීකරණය සහ සායනික අර්ථ නිරූපණය (ඒකක 3, 8)

අපි ACMG සංකලනය සමග සම්භාවිතා පන්තිය අනුමාන කරමින්, වලංගු සාක්ෂි ඒකාබද්ධ (මෙම උදාහරණයේ දී, ප්රබල ක්රියාකාරිත්වය අහිමි වීම සහ දුර්ලභ සාක්ෂි "රෝගකාරක/සමහරවිට ව්යාධිජනක" දිශාවට විය හැක - නමුත් විශේෂඥයා අවසාන ප්රකාශය ඇත). අපි ෆීනෝටයිප් සහ පවුල් ඉතිහාසය සමඟ සායනික අර්ථ නිරූපණය ඒකාබද්ධ කරමු: රෝගියාගේ පින්තූරය BRCA1 සමඟ අනුකූලද? අවිනිශ්චිතතාවයක් තිබේ නම්, අපි එය අවංකව ප්රකාශ කරමු.

අදියර 6: වාර්තා කෙටුම්පත සහ අනුමැතිය (ඒකක 8)

AI සමඟ, අපි වෛද්‍යවරයා සහ රෝගියා සඳහා කෙටුම්පත් වාර්තා සකස් කරමු; හේතු කාරකය අතිශයෝක්තියට පත් නොකරන, අවිනිශ්චිතභාවය පිළිබඳ පැහැදිලි සහ ජාන උපදේශනයට යොමු කරන භාෂාවකින්. විශේෂඥයා සෑම වාක්‍යයක්ම තහවුරු කරයි. අපි සීමාවන් කොටස එකතු කරන්නෙමු (පරීක්ෂණය ආවරණය නොකරන දේ, නැවත ඇගයීමේ කොන්දේසි).

ඉඟිය: එක් එක් අදියරෙහි ප්‍රතිදානය ඊළඟට අන්තයේ සිට අග ප්‍රවාහයක් තුළට ඇතුළු කරන විට, ප්‍රතිදානය වලංගු බව සහතික කර ගන්න. සත්‍යාපනය නොකළ සංඛ්‍යාතයක් හෝ ආරෝපණයක් සියලු පසු අවධීන් වෙත වැරදි ලෙස ඉදිරියට ගෙන යනු ලැබේ (දම්වැල් සහිත මායාව - ඒකක 9).

කාර්ය ප්රවාහ වගුව

වේදිකාව

AI හි කාර්යභාරය

අනිවාර්ය සත්යාපනය

තීරණ ගන්නෙක්

සවි කිරීම

demo sketch

VariantValidator

විශේෂඥ

පෞද්ගලිකත්වය

නිර්නාමිකකරණය පාලනය

මානව පාලනය

විශේෂඥ

සාක්ෂි

රාමුවක් සැකසීම

gnomAD, ClinVar

විශේෂඥ

ව්යුහය

අදහස් දක්වන්න

pLDDT, ගොනුව

විශේෂඥ

සාහිත්යය

සෙවුම් පදය, සාරාංශය

DOI/PMID

විශේෂඥ

පන්තිය

සංයෝජන කෙටුම්පත

ACMG නීති

විශේෂඥ

වාර්තා කරන්න

භාෂා කෙටුම්පත

වාක්‍යයෙන් අනුමත වාක්‍යය

විශේෂඥ / උපදේශක

කුඩා අවස්ථා තුනක් (ප්‍රවාහයේ බිඳුම් ලක්ෂ්‍ය)

නඩුව 1 - වැරදි පිටපත. එක් කණ්ඩායමක් ප්‍රවාහයේ ආරම්භයේ දී AI විසින් ලබා දුන් පිටපත සමඟ වැඩ කළේය; මණ්ඩලය වෙනත් පිටපතක් භාවිතා කර ඇති බව පසුව ඔහුට වැටහුණි. c. ඔවුන්ගේ ස්ථාන මාරු විය. VariantValidator සමඟ මුල සිටම නිවැරදි කිරීමෙන් දෝෂය විසඳා ඇත. පාඩම: සවි කිරීමේ අදියරේ දෝෂය සම්පූර්ණ ප්රවාහයට බාධා කරයි.

නඩුව 2 - ව්යාජ ආධාරක ලිපියක්. සාහිත්‍ය අවධියේදී, AI විසින් වර්ගීකරණයට අනුබල දෙන ඒත්තු ගැන්වීමේ පත්‍රිකාවක් යෝජනා කරන ලදී. PMID චෙක්පත පෙන්නුම් කළේ ලිපිය නොපවතින බවයි; සාක්ෂි දාමයෙන් ඉවත් කර ඇත. සත්‍ය සාක්ෂි ප්‍රමාණවත් විය, නමුත් සාවද්‍ය ආරෝපණය වාර්තාවේ පැවතුනේ නම් ශාස්ත්‍රීය/සායනික විශ්වාසය පළුදු වනු ඇත.

3 වන අවස්ථාව - තහවුරු කර ගැනීම. වාර්තා කිරීමේ අදියරේදී, AI කෙටුම්පතෙහි "මෙම ප්‍රභේදය නියත වශයෙන්ම පිළිකා ඇති කරයි" යන ප්‍රකාශය ඇතුළත් විය. උපදේශකයා මෙය නිවැරදි කළේ "මෙම ප්‍රභේදය පියයුරු/ඩිම්බකෝෂ පිළිකා ඇතිවීමේ අවදානම සැලකිය යුතු ලෙස වැඩි කරයි, නමුත් නිශ්චිත රෝගයක් පෙන්නුම් නොකරයි" සහ ජාන උපදේශනය සඳහා නිර්දේශයක් එක් කළේය. විශේෂඥ අත්වල ස්වරය සහ නිරවද්යතාව හැඩගස්වා ඇත.

පිටපත් කළ හැකි සැකිලි දෙකක් (අවසානයේ සිට අවසානය දක්වා)

1) ප්‍රවාහ සැලසුම්කරු:

ඔබේ කාර්යභාරය: සායනික ජාන කාර්ය ප්‍රවාහ සහකාර. පහත ප්‍රභේදය සඳහා වාර්තා කිරීමට සොයාගැනීමේ සිට අවසානය දක්වා පිරික්සුම් ලැයිස්තුවක් සාදන්න: [genome අනුවාදය, ජානය, පිටපත, HGVS]. "AI කරන්නේ කුමක්ද / මා සත්‍යාපනය කරන්නේ කුමක්ද / තීරණය කරන්නේ කවුද" යන තීරු සමඟ එක් එක් අදියරේදී (ස්ථාවර කිරීම, පෞද්ගලිකත්වය, සාක්ෂි, ව්‍යුහය, සාහිත්‍යය, පන්තිය, වාර්තාව) ලියන්න. ඔබ පන්තිය සහ සායනික තීරණය ගන්න.

2) අවසාන පරීක්ෂාව:

ඉදිරිපත් කිරීමට පෙර පහත සම්පුර්ණ කරන ලද ප්‍රභේද අදහස සහ වාර්තා කෙටුම්පත පූර්ව පරීක්ෂා කරන්න: [අන්තර්ගතය]. පරීක්ෂා කරන්න: තහවුරු නොකළ සංඛ්‍යාත/ආරෝපණය, අතිශයෝක්තියට පත් වූ හේතුකාරක/නිරවද්‍ය ප්‍රකාශය, නොපැහැදිලි අනතුරු ඇඟවීම, නැතිවූ මායිම් බෙදීම, රහස්‍යතා අවදානම. එක් එක් ගැටළුව සහ එය විසඳීම සඳහා යෝජනා ලැයිස්තුගත කරන්න.

දුර්වල ක්ෂණික / ශක්තිමත් විමසුම

දුර්වල: "මෙම BRCA1 ප්රභේදය සඳහා සම්පූර්ණ සායනික වාර්තාවක් ලියන්න."

ගැටලුව: AI විසින් සියලු අදියරයන් එකවර සවි කිරීම මගින් "වාර්තාව" නිෂ්පාදනය කරයි; සංඛ්‍යාතය, ආරෝපණය, පන්තිය, සායනික විනිශ්චය සියල්ල තහවුරු කර නොමැත.

ශක්තිමත්: "මෙම BRCA1 ප්‍රභේදය සඳහා වාර්තා කිරීම සඳහා සොයාගැනීමේ සිට පිරික්සුම් ලැයිස්තුවක් සාදන්න; එක් එක් අදියරේදී ඔබ කරන්නේ කුමක්ද, මම සත්‍යාපනය කරන්නේ කුමක්ද සහ තීරණය කරන්නේ කවුරුන්ද යන්න වෙන් කරන්න. සාක්ෂි තහවුරු කිරීමෙන් පසු මම පන්තිය සහ සායනික තීරණය ගන්නෙමි."

එය ප්‍රබල වන්නේ ඇයි: ප්‍රවාහය ව්‍යුහගත වී ඇත, සෑම අදියරක්ම වලංගු කිරීම සමඟ බැඳී ඇත, සහ තීරණය සහ වගකීම මිනිසා සතුව පවතී.

පොදු වැරදි

• එක් විමසුමකින් "නිමි වාර්තාවක්" ඉල්ලා සිටීම. තහවුරු කිරීමකින් තොරව අදියර ඒකාබද්ධ වේ; දෝෂය එකතු වේ.
• සවි කිරීමේ අදියර නොසලකා හැරීම. වැරදි අනුවාදය/පිටපත සම්පූර්ණ ප්‍රවාහයම ප්‍රතික්ෂේප කරයි.
• ප්‍රතිදානය වලංගු කිරීමකින් තොරව අදියර අතර ගමන් කිරීම. දාම මායාව ඇතිවේ.
• ප්‍රවාහයේ "අවසානයේ" පුද්ගලිකත්වය ගැන සිතීම. දත්ත ඇතුළත් කිරීමේදී රහස්‍යභාවය ප්‍රථමයෙන්ම තහවුරු කළ යුතුය.
• තීරණය සහ ස්වරය AI වෙත පැවරීම. පන්තිකාමර සහ සායනික පණිවිඩ යැවීම විශේෂඥයා විසින් අනුමත කළ යුතුය.

අවවාදයයි: අන්තයේ සිට අවසානය දක්වා AI භාවිතා කිරීම බොහෝ කාලයක් ඉතිරි කරන නමුත් වගකීම අඩු නොකරයි; ඊට පටහැනිව, එය එක් එක් අදියරේදී තහවුරු කිරීමේ විනය වඩාත් වැදගත් කරයි. AI ප්රවාහය වේගවත් කරයි; මානව සහතික නිරවද්‍යතාවය, ආරක්ෂාව සහ සදාචාරාත්මක අනුකූලතාවය.

ගැඹුර: වැඩ ප්‍රවාහ කාලය ඉතිරි කිරීම, බිඳෙනසුලු බව සහ විගණන මංපෙත්

අන්තයේ සිට අවසානය දක්වා ප්‍රවාහයේ සැබෑ වටිනාකම වන්නේ “AIට සියල්ල කිරීමට ඉඩ දෙන්න” නොව නිවැරදි ස්ථානවල කාලය ලබා ගැනීම සහ නිවැරදි ස්ථානවල වේගය අඩු කිරීමයි. මෙම අවස්ථාවෙහි ලාභය ගණනය කරමු: සාක්ෂි රාමුව සැකසීම, සෙවුම් පද ජනනය කිරීම, වාර්තා භාෂාව සරල කිරීම සහ පශ්චාත් විගණන පිරික්සුම් ලැයිස්තුවක් සමඟ පැමිණීම සම්ප්‍රදායිකව පැය කිහිපයක් කෙටුම්පත් කිරීමේ කාර්යය විනාඩි දස ගණනකට කපා ගත හැකිය. ඊට වෙනස්ව, gnomAD/ClinVar වලංගුකරණය, VariantValidator පින් කිරීම, DOI පරීක්ෂා කිරීම සහ විශේෂඥ විනිශ්චය කෙටි කළ නොහැක - ඒවා ප්‍රවාහයේ ආරක්ෂක කොඳු නාරටිය වේ. නිවැරදි මානසිකත්වය: "AI කෙටුම්පතක් නිෂ්පාදනය කරයි, ඇපකරුවෙකු ලෙස මානව ක්රියා කරයි." ලාභය කෙටුම්පතේ ඇත, වගකීම තීරණයේ ඇත.

ප්රවාහයේ වඩාත්ම බිඳෙනසුලු සබැඳිය සෑම විටම පළමු වේ: නැංගුරම් දැමීම. වැරදි ජෙනෝම අනුවාදය හෝ වැරදි පිටපත සෑම ඊළඟ අදියරකටම නිශ්ශබ්දව ප්‍රචාරණය කරයි, අවසානයේ සම්පූර්ණයෙන්ම වලංගු නොවන වාර්තාවක් නිපදවයි. එබැවින් තනි තනි මෙවලමකින් (VariantValidator වැනි) නැංගුරම වලංගු නොකර ඊළඟ පියවරට නොයන්න. දෙවන වඩාත් අවදානමට ලක්විය හැකි ලක්ෂ්‍යය වන්නේ අදියර අතර ප්‍රතිදානය රැගෙන යාමයි: එක් අදියරක සත්‍යාපනය නොකළ ප්‍රතිදානය ඊළඟට ආදානය බවට පත් කිරීම දාම මායාවට ආරාධනා කරයි.

අවසාන වශයෙන්, සායනික සන්දර්භය තුළ, විගණන මාර්ගය ප්‍රවාහයට අත්‍යවශ්‍ය වේ: එය කුමන දිනයක පරීක්ෂා කළේද, කුමන ClinVar අනුවාදය දුටුවේද, කුමන තීරණය අනුමත කළේද යන්න ලේඛනගත කළ යුතුය. ClinVar සමාලෝචන කාලයත් සමඟ වෙනස් වේ; "අද ව්යාධිජනක" වාර්තාවක් වසරකට පසුව VUS වෙත ආපසු හැරෙන්නට ඇත. විගණන මාවත නැවත ඇගයීම සහ නෛතික/ආචාරධාර්මික වගවීම යන දෙකම සක්‍රීය කරයි.

streaming විශේෂාංගය

මූලධර්මය

යෙදුම

කාලය ඉතිරි කිරීම

කෙටුම්පතේ වේගය ලබා ගන්න

AI වෙතින් රාමුව, භාෂාව, පිරික්සුම් ලැයිස්තුව

බිඳෙනසුලු බව

පළමු වළල්ල සුරක්ෂිත කරන්න

ස්වාධීන මෙවලමක් සමඟ සවි කිරීම තහවුරු කරන්න

ප්රතිදාන ප්රවාහනය

තහවුරු කිරීමකින් තොරව ගමන් කරන්න

සෑම අදියරක්ම මූලාශ්රයෙහි අනුමත කර ඇත

විගණන මාර්ගය

සෑම තීරණයක්ම ලේඛනගත කරන්න

මූලාශ්රය, දිනය, ලියාපදිංචි විසින් අනුමත කරන ලදී

සාරාංශයක් ලෙස

• සොයාගැනීමේ සිට වාර්තාව දක්වා ප්‍රභේදයක ගමන; එය සවි කිරීම්, රහස්‍යභාවය, සාක්ෂි, ව්‍යුහය, සාහිත්‍යය, පන්තිය සහ වාර්තාව යන අදියර ආවරණය කරයි.
• AI සෑම අදියරකදීම කෙටුම්පත/කේතය/සාරාංශය නිෂ්පාදනය කරයි; සෑම අදියරකදීම විශේෂඥයා සත්යාපනය කර තීරණය කරයි.
• අදියර අතර ප්‍රතිදානය ඊළඟට ගෙන යා යුත්තේ සත්‍යාපනය කිරීමෙන් පසුව පමණි.
• රහස්යභාවය ආරම්භයේ සිටම ස්ථාපිත කර ඇත; පන්තියේ සහ සායනික තීරණය අවසානයේ විශේෂඥ අනුමැතිය ඇතිව සිදු කෙරේ.

යෙදුම් කාර්යය

ප්‍රබන්ධ ප්‍රභේදයක් තෝරන්න (උදා: සුප්‍රසිද්ධ BRCA1 වාර්තාවක්). 1. අච්චුව සමඟ අග සිට අගට පිරික්සුම් ලැයිස්තුවක් සාදා මෙම මොඩියුලයේ අනුරූප ඒකකයේ ක්‍රමයට එක් එක් අදියර ඔබම සිදු කරන්න: ප්‍රභේදය සවි කරන්න, gnomAD/ClinVar පරීක්ෂා කරන්න, AlphaFold ව්‍යුහය දෙස බලන්න, සැබෑ ලිපියක් සොයා ගන්න, හැකි පන්තිය සාධාරණීකරණය කර වාර්තා ඡේදයක් කෙටුම්පත් කර ප්‍රවීණ ඇසකින් එය සෝදුපත් කරන්න. අවම වශයෙන් අදියර දෙකකින් AI සහ මූලාශ්‍රය අතර වෙනසක් සොයා ගැනීමට උත්සාහ කරන්න.

පිරික්සුම් ලැයිස්තුව

• [ ] මම මුල සිටම පෞද්ගලිකත්වය පිහිටුවමි; මම හඳුනාගැනීමේ දත්ත කිසිවක් මාරු කළේ නැත.
• [ ] මම අනුවාදය/පිටපත සමඟ ප්‍රභේදය සවි කර එය වලංගුකාරකය සමඟ තහවුරු කළෙමි.
• [ ] මම ප්‍රාථමික මූලාශ්‍රයේ එක් එක් සාක්ෂි (සංඛ්‍යාත, ClinVar, සාහිත්‍යය) සත්‍යාපනය කළෙමි.
• [ ] මම ව්‍යුහය අදහස් දැක්වීම විශ්වාස ලකුණු සහිතව සහ ගොනුවෙන් සිදු කළෙමි.
• [ ] මම සාක්ෂි මත පදනම්ව පන්තිය සහ සායනික අර්ථ නිරූපණය පුද්ගලිකව වලංගු කර ඇත.
• [ ] මම වාර්තා භාෂාවෙන් හේතුකාරකය/නිශ්චිතභාවය පරීක්ෂා කර සීමාවන් එකතු කළෙමි.

මොඩියුල විභාගය

1. අණුක ජීව විද්‍යාව සහ ජාන විද්‍යාවේ කෘත්‍රිම බුද්ධිය (විශේෂයෙන් විශාල භාෂා ආකෘතිය) සඳහා වඩාත් නිවැරදි ස්ථානගත කිරීම පහත සඳහන් මොනවාද?

• A) එය කේතය ලියන, කෙටුම්පත් සහ අදහස් ඉදිරිපත් කරන සහායකයෙකි; සෑම ජීව විද්‍යාත්මක සංසිද්ධියක්ම ප්‍රාථමික මූලාශ්‍රයෙන් සත්‍යාපනය කළ යුතුය, අවසාන අර්ථකථනය විශේෂඥයා සතුය ✔
• B) එය විශ්වසනීය ජෙනෝම දත්ත ගබඩාවකි; ලබා දී ඇති අනුපිළිවෙල සහ ප්‍රභේද සෘජුවම වාර්තාවට ලිවිය හැකිය.
• C) එය රසායනාගාර උපකරණයක් මෙන් මනිනු ලබන බැවින්, එහි නිමැවුම් පර්යේෂණාත්මක සාක්ෂි ලෙස සැලකේ.
• D) මානව අනුමැතියකින් තොරව සායනික ව්යාධිජනක තීරණය අවසන් කිරීමට හැකියාව ඇත.

පැහැදිලි කිරීම: විශාල භාෂා ආකෘතිය ජෙනෝම දත්ත ගබඩාවක් හෝ රසායනාගාර මෙවලමක් නොවේ; එය පුහුණු දත්තවල පාඨ සංඛ්‍යානමය වශයෙන් අනුකරණය කරන පෙළ උත්පාදක යන්ත්‍රයකි. අනුක්‍රමය/විචල්‍යය/ජාන වැනි ජීව විද්‍යාත්මක කරුණු සෑම විටම NCBI, Ensembl, ClinVar, gnomAD වැනි ප්‍රාථමික මූලාශ්‍රවලින් සත්‍යාපනය කළ යුතුය; අවසාන සායනික හා විද්‍යාත්මක අර්ථකථනය දක්ෂ විශේෂඥයා සතු විය යුතුය.

2. ඔබට AI වෙතින් ප්‍රභේදයක ජෙනෝම ඛණ්ඩාංකය ලැබී ඇත, නමුත් ඔබේ ව්‍යාපෘතිය GRCh38 (hg38) භාවිත කරයි. කෘතිම බුද්ධිය hg19 ඛණ්ඩාංකය ලබා දී ඇත. නිවැරදි ප්රවේශය කුමක්ද?

• A) ඛණ්ඩාංකය සාධාරණ ලෙස පෙනෙන නිසා සෘජුවම භාවිතා කිරීම
• B) කෘත්‍රිම බුද්ධිය සෑම විටම වඩාත්ම වත්මන් අනුවාදය ලබා දෙන බැවින් අනුවාදය ඉල්ලා සිටීම අවශ්‍ය නොවේ.
• C) ජෙනෝම අනුවාදය පැහැදිලිව තහවුරු කර නිල liftOver මෙවලමක් සමඟ සම්බන්ධීකරණය සත්‍යාපනය කරන්න ✔
• D) hg19 සහ hg38 අතර වෙනස නොවැදගත් බැවින්, එකක් තෝරා දිගටම කරගෙන යන්න

විස්තරය: ජෙනෝම අනුවාද (GRCh37/hg19 සහ GRCh38/hg38) අතර ඛණ්ඩාංක මාරු වීම. අනුවාදයක් නොමැතිව ලබා දී ඇති ඕනෑම ඛණ්ඩාංක සැක සහිත වේ. ඛණ්ඩාංක නිල liftOver මෙවලමක් සමඟින් පරිවර්තනය/සත්‍යාපනය කළ යුතු අතර භාවිතා කරන ලද ජෙනෝම අනුවාදය පැහැදිලිව තහවුරු කළ යුතුය; එසේ නොමැති නම් සම්පූර්ණ පෙළගැස්ම සහ විවරණ වැරදි ස්ථානයට යොමු කරනු ඇත.

3. HGVS අංකනයෙහි 'c.', 'p.' සහ 'ජී.' උපසර්ග වලින් අදහස් කරන්නේ කුමක්ද සහ ඒවා ව්‍යාකූල නොවිය යුත්තේ ඇයි?

• A) තුනම අදහස් කරන්නේ එකම දෙයයි, කුමන එකක් භාවිතා කළත් කමක් නැත.
• B) 'c.' DNA/පිටපත, 'p.' ප්‍රෝටීන්, 'g.' ජානමය මට්ටම වේ; ව්‍යාකූල නම්, එය වෙනත් ස්ථානයක් දැක්විය හැක ✔
• C) 'p.' සෑම විටම 'ඇ.' එහි අගය තුන් ගුණයක් වේ, පරිවර්තනය ස්වයංක්‍රීය සහ දෝෂ රහිත වේ
• D) උපසර්ග හුදෙක් විධිමත් ය; පිටපත අනුවාදය සඳහන් කිරීමට අවශ්ය නැත

විස්තරය: HGVS යනු ප්‍රභේද සහිත සම්මත අක්ෂර වින්‍යාස ආකෘතියයි: 'c.' කේතීකරණ DNA (පිටපත) මට්ටම, 'p.' ප්‍රෝටීන් මට්ටම, 'g.' ජානමය මට්ටමට යොමු වේ. මේවා මිශ්‍ර කිරීම හෝ වැරදි පිටපත් අනුවාදය භාවිතා කිරීම සම්පූර්ණයෙන්ම වෙනස් ස්ථාන/විචල්‍යයක් පෙන්නුම් කරයි; එබැවින් පිටපත් අනුවාදය සමඟ නිවැරදි උපසර්ගය භාවිතා කළ යුතුය (උදා. NM_007294.4).

4. ප්‍රභේදයක ව්යාධිජනක බව තක්සේරු කිරීම සඳහා ACMG නිර්ණායක භාවිතා කරන විට AI හි කාර්යභාරය කුමක් විය යුතුද?

• A) කෘතිම බුද්ධිය සාක්ෂි සහ පන්තිය අවසන් කරයි; විශේෂඥ අධීක්ෂණය අවශ්ය නොවේ
• B) කෘතිම බුද්ධිය එහි මතකයෙන් ජනගහන සංඛ්‍යාතය ලබා දෙන බැවින් GnomAD පාලනය අනවශ්‍යයි.
• C) ACMG නිර්ණායක දැඩි බැවින්, AI ප්‍රතිදානය ස්වයංක්‍රීයව නිවැරදි යැයි සැලකේ
• D) කෘතිම බුද්ධියට කෙටුම්පත් සාක්ෂි ඉදිරිපත් කළ හැකිය; සෑම සාක්ෂියක්ම ප්‍රාථමික මූලාශ්‍රය තුළ සත්‍යාපනය කළ යුතුය, අවසාන වර්ගීකරණය විශේෂඥයා විසින් සිදු කළ යුතුය ✔

විස්තරය: ACMG යනු සාක්ෂි වර්ග (ජනගහන සංඛ්‍යාතය, සිලිකෝ පුරෝකථනය, වෙන් කිරීම, ක්‍රියාකාරී අධ්‍යයනය, සාහිත්‍යය) අනුව විචල්‍ය ව්‍යාධිජනකත්වය වර්ග කරන රාමුවකි. AI හට කෙටුම්පත් සාක්ෂි ඉදිරිපත් කළ හැක; කෙසේ වෙතත්, සෑම සාක්ෂියක්ම ClinVar, gnomAD සහ සාහිත්‍යය තුළ පුද්ගලිකව සත්‍යාපනය කළ යුතු අතර, අවසාන වර්ගීකරණය (ව්‍යාධිජනක/විය හැකි ව්‍යාධිජනක/VUS...) දක්ෂ විශේෂඥයා විසින් සිදු කළ යුතුය.

5. ඔබ කෘත්‍රිම බුද්ධිය මඟින් ලබා දෙන DNA අනුපිළිවෙලක් සමඟ වැඩ කරනු ඇත. හොඳම පළමු පියවර කුමක්ද?

• A) NCBI/Ensembl වැනි ප්‍රාථමික මූලාශ්‍රයකින් එය ලබා ගැනීමෙන් හෝ එහි ඇති යොමුව සමඟ එය තහවුරු කිරීමෙන් අනුපිළිවෙල භාවිතා කිරීම ✔
• B) එය නිවැරදි දිග බව පෙනෙන නිසා සෘජුවම විශ්ලේෂණයට අනුපිළිවෙල ඇතුළත් කිරීම
• C) අකුරු වලංගු නියුක්ලියෝටයිඩ වලින් සමන්විත නම් අනුපිළිවෙල නිවැරදි යැයි උපකල්පනය කිරීම
• D) කෘත්‍රිම බුද්ධියෙන් නැවත වරක් අනුපිළිවෙල ගැන විමසා ප්‍රතිදානයන් දෙක සමාන නම් එය නිවැරදි ලෙස ගණන් කරන්න.

පැහැදිලි කිරීම: AI හට තමන්ට මතක නැති තන්තුවක් පිළිගත හැකි අකුරු වලින් 'පුරවන්න' හැක; දිග සහ අකුරු නිවැරදිව පෙනුනද, ඒවා සැබෑ යොමුව සමඟ නොගැලපේ. එබැවින්, හිසෙන් කෘතිම බුද්ධිය මගින් ලබා දෙන ඕනෑම අනුපිළිවෙලක් සෘජුවම භාවිතා නොකෙරේ; අනුපිළිවෙල NCBI/Ensembl වැනි ප්‍රාථමික මූලාශ්‍රයකින් ලබාගෙන හෝ එහි යොමුව මගින් තහවුරු කර ඇත.

6. AlphaFold වැනි මෙවලමකින් ප්‍රෝටීන ව්‍යුහය පුරෝකථනය කිරීමේදී pLDDT ලකුණු අදහස් කරන්නේ කුමක්ද?

• A) එය ව්‍යුහය පර්යේෂණාත්මකව ඔප්පු කර ඇති බවට පෙන්වන සහතිකයකි
• B) එය ප්‍රෝටීනයේ ක්‍රියාකාරී ක්‍රියාකාරකම් මට්ටම මනිනු ලබන රසායනාගාර අගයකි.
• C) එය එක් එක් අවශේෂ සඳහා දේශීය ව්‍යුහය පුරෝකථනය කිරීමේදී ආකෘතියේ විශ්වාසය පෙන්නුම් කරන ලකුණු වේ; අඩු අගය නම්‍යශීලී/විශ්වාස කළ නොහැකි කලාපය ✔ වේ
• D) එය ජනගහනයේ ප්‍රෝටීනයේ විචල්‍ය සංඛ්‍යාතය පෙන්වන අනුපාතයකි.

විස්තරය: pLDDT (0-100) යනු එක් එක් අපද්‍රව්‍ය (ඇමයිනෝ අම්ලය) සඳහා එහි දේශීය ව්‍යුහය පුරෝකථනය කිරීමේදී ඇල්ෆාෆෝල්ඩ් කෙතරම් විශ්වාසද යන්න පෙන්නුම් කරන විශ්වාසනීය ලකුණු වේ. ඉහළ pLDDT යනු විශ්වසනීය දේශීය ව්‍යුහය, අඩු pLDDT යනු නම්‍යශීලී/අක්‍රමික හෝ විශ්වාස කළ නොහැකි කලාපයයි. ව්යුහය අනුමානයකි; අඩු-විශ්වාස කලාපයන් අධි-අර්ථකථනය නොකළ යුතු අතර ක්‍රියාකාරී හිමිකම් සඳහා පර්යේෂණාත්මක සාක්ෂි මගින් සහාය දැක්විය යුතුය.

7. AlphaFold ව්‍යුහ අනාවැකියක් මත පදනම්ව විකෘතියක් ප්‍රෝටීනය 'සම්පූර්ණයෙන්ම අක්‍රීය කරයි' යයි පැවසීම අවදානම් වන්නේ ඇයි?

• A) ඇල්ෆා ෆෝල්ඩ් ව්‍යුහයන් සෑම විටම වැරදි නිසා කිසිම අරමුණක් සඳහා භාවිතා කළ නොහැක
• B) ව්යුහය අනුමාන කිරීමකි; ක්‍රියාකාරී හිමිකම් උපකල්පන මට්ටමේ පවතින අතර පර්යේෂණාත්මක සත්‍යාපනය අවශ්‍ය වේ ✔
• ඇ) අවදානමක් නොමැත; ඇල්ෆාෆෝල්ඩ් ප්‍රතිදානය පර්යේෂණාත්මක ගොඩනැගීම තරම්ම නිවැරදිය
• D) අවදානමක් ඇත්තේ pLDDT අඩු නම් පමණි; එය ඉහළ නම්, හිමිකම් පෑම ස්වයංක්රීයව ඔප්පු වී ඇති බව සලකනු ලැබේ.

අනාවරණය: AlphaFold යනු ව්‍යුහාත්මක පුරෝකථනයකි, පර්යේෂණාත්මක සාක්ෂි නොවේ; එය විශේෂයෙන් නම්‍යශීලී/අක්‍රමිකතා සහිත කලාපවල සහ විකෘති බලපෑම් ආකෘති නිර්මාණය කිරීමේදී සීමා වේ. ඉදිකිරීම් මත පදනම් වූ ක්‍රියාකාරී හිමිකම් උපකල්පන මට්ටමේ පවතින අතර පර්යේෂණාත්මක සත්‍යාපනයක් අවශ්‍ය වේ (උදා: ක්‍රියාකාරී අධ්‍යයනය). එසේ නොමැති නම්, අනාවැකිය සාක්ෂි ලෙස ඉදිරිපත් කරයි.

8. කෘත්‍රිම බුද්ධිය විසින් යෝජනා කරන ලද CRISPR gRNA (මාර්ගෝපදේශ RNA) අපේක්ෂකයින් සම්බන්ධයෙන් වඩාත්ම තීරණාත්මක වලංගු කිරීමේ පියවර කුමක්ද?

• A) gRNA හි දිග නිවැරදි නම්, වැඩිදුර පරීක්ෂා කිරීම් අවශ්‍ය නොවේ
• B) කෘත්‍රිම බුද්ධිය 'ඉලක්කයෙන් බැහැර බලපෑම අඩු' යැයි පවසන්නේ නම්, කෙලින්ම අත්හදා බැලීම වෙත යන්න
• C) gRNA අනුක්‍රමය වලංගු නියුක්ලියෝටයිඩ වලින් සමන්විත බව ප්‍රමාණවත් සහතිකයකි
• D) සත්‍ය ප්‍රවේණි පෙළගැස්ම සහ විශේෂඥ ඉලක්කයෙන් බැහැර විශ්ලේෂණ මෙවලම් සහිත අපේක්ෂකයින් වලංගු කර රසායනාගාරයේදී තහවුරු කරන්න ✔

විස්තරය: gRNA යනු Cas එන්සයිමය ඉලක්කය වෙත යොමු කරන මාර්ගෝපදේශක RNA වේ; වැරදි සැලසුමක් සමඟ, එය ඉලක්කගත ප්‍රදේශ කපා හැරිය හැක. AI විසින් ආපසු ලබා දෙන අපේක්ෂකයින් සත්‍ය ප්‍රවේණි පෙළගැස්ම සහ විශේෂඥ ඉලක්කයෙන් බැහැර විශ්ලේෂණ මෙවලම් මගින් වලංගු කළ යුතුය, පසුව රසායනාගාර අත්හදා බැලීම් මගින් තහවුරු කළ යුතුය. කෘත්‍රිම බුද්ධිය 'ආරක්ෂිත' යැයි කී පමණින් සත්‍යාපනය සඳහා ආදේශකයක් නොවේ.

9. RNA-seq සමඟ ජාන දහස් ගණනක ප්‍රකාශනයේ වෙනස්කම් පරීක්ෂා කිරීමේදී බහු පරීක්ෂණ නිවැරදි කිරීම් (උදා: FDR/Benjamini-Hochberg) අවශ්‍ය වන්නේ ඇයි?

• A) එකවර පරීක්ෂණ දහස් ගණනක් ව්‍යාජ ධනාත්මක පුම්බනවා; FDR නිවැරදි කිරීම මේවා සීමා කරයි, අමු p-අගය නොමඟ යවන සුළුය ✔
• B) නිවැරදි කිරීම අවශ්ය වන්නේ සාම්පල සංඛ්යාව කුඩා නම් පමණි; එය ජාන ගණන සමඟ කිසිදු සම්බන්ධයක් නැත
• C) බහු පරීක්ෂණ නිවැරදි කිරීම ප්රතිඵලය වෙනස් නොවේ, එය විධිමත් පමණි
• D) බොරතෙල් p<0.05 සෑම විටම ප්රමාණවත් වේ; නිවැරදි කිරීම සංඛ්‍යාලේඛන අනවශ්‍ය ලෙස දුෂ්කර කරයි

පැහැදිලි කිරීම: ජාන දහස් ගණනක් එකවර පරීක්‍ෂා කරන විට, බොහෝ ජාන p<0.05 (ව්‍යාජ ධනාත්මක) සමඟ පැමිණෙන්නේ අහම්බෙන් පමණි. බහු පරීක්ෂණ නිවැරදි කිරීම් (FDR - වැරදි සොයාගැනීම් අනුපාත පාලනය) මෙම ව්‍යාජ ධනාත්මක සීමා කරයි. නිවැරදි නොකළ p-අගය සහිත 'වැදගත්' ලෙස ප්‍රකාශ කරන ලද ජාන ලැයිස්තුව නොමඟ යවන සුළු ය; සකස් කළ අගය (q-අගය) භාවිතා කළ යුතුය.

10. මාර්ග සුපෝෂන විශ්ලේෂණයක දී මාර්ගයක් 'සැලකිය යුතු ලෙස පොහොසත්' බව සොයා ගන්නේ නම් සහ එය අර්ථ දැක්විය යුත්තේ කෙසේද යන්නෙන් අදහස් කරන්නේ කුමක්ද?

• A) රෝගය සඳහා නිශ්චිත හේතුව මාර්ගය බව ඔප්පු කරයි
• B) සෛලය තුළ මාර්ගය සක්‍රීය බව පර්යේෂණාත්මක සාක්ෂියකි
• C) එය මාර්ග ජාන බලාපොරොත්තු වූවාට වඩා අධික ලෙස නිරූපණය වන බව පෙන්නුම් කරන සංඛ්‍යානමය සංඥාවකි; තීරනාත්මක අර්ථකථනය අවශ්‍ය වේ, හේතුකාරකය නොවේ ✔
• D) එය පසුබිමෙන් ස්වාධීනව සහ බහු පරීක්ෂණ නිවැරදි කිරීම් වලින් ස්වාධීනව ප්රමාණවත් ප්රතිඵලයකි

විස්තරය: සුපෝෂනය යනු ප්‍රකාශනය වෙනස් වන ජාන අතර විශේෂිත මාර්ගයක් වැඩිපුර නියෝජනය වන බව පෙන්නුම් කරන සංඛ්‍යානමය සංඥාවකි; එය හේතුකාරක බව හෝ මාර්ගය ඇත්ත වශයෙන්ම සක්‍රීය බව ඔප්පු නොවේ. නිගමනය; භාවිතා කරන ජාන කට්ටලය පසුබිම් තේරීමේ සහ බහු පරීක්ෂණ නිවැරදි කිරීමේ සන්දර්භය තුළ සහ ජීව විද්‍යාත්මක විශ්වසනීයත්වය සමඟ විවේචනාත්මකව අර්ථ දැක්විය යුතුය.

11. සාහිත්‍ය සාරාංශයක් ලබා දීමේදී, AI සැබෑ ලෙස පෙනෙන නමුත් නොපවතින ලිපියක් උපුටා දැක්විය හැක (ව්‍යාජ උපුටා දැක්වීම). නිවැරදි ප්රවේශය කුමක්ද?

• A) කර්තෘ සහ සඟරාවේ නම යථාර්ථවාදී නම්, උපුටා ගැනීම බොහෝ විට නිවැරදි විය හැකිය, පරීක්ෂා කිරීම අනවශ්‍ය වේ
• B) DOI/PubMed හරහා ප්‍රාථමික මූලාශ්‍රයේ එක් එක් උපුටා දැක්වීම තහවුරු කරන්න; ✔ සොයාගත නොහැකි දේ භාවිතා නොකිරීම
• C) කෘතිම බුද්ධිය ආරෝපණය නොකරයි; ඔහුගේ යොමු කිරීම් ග්‍රන්ථ නාමාවලියට කෙලින්ම එකතු කළ හැකිය
• D) උපුටා දැක්වීම් බොහොමයක් තිබේ නම්, ඒවායින් කිහිපයක් වැරදි නම් එය ගැටළුවක් නොවේ.

විස්තරය: සත්‍ය සඟරාවක සත්‍ය ශබ්ද කරන කර්තෘ නම් සහිත සම්පුර්ණයෙන්ම සාදන ලද ලිපියක් (සහ ව්‍යාජ DOI) AI හට නිපදවිය හැක. සෑම උපුටා දැක්වීමක්ම DOI/PubMed හරහා ප්‍රාථමික මූලාශ්‍රයෙන් පුද්ගලිකව සත්‍යාපනය කළ යුතුය; සොයාගත නොහැකි යොමු කිරීම් භාවිතා නොකළ යුතුය. විද්‍යාත්මක වගකීම කතුවරයා සතු ය; සත්‍යාපනය නොකළ යොමු කිසිවක් පෙළට ඇතුළත් නොකළ යුතුය.

12. AI-ජනනය කරන ලද සායනික ජාන වාර්තාවක් කෙටුම්පත් කිරීම සම්බන්ධයෙන් වඩාත්ම නිවැරදි මූලධර්මය කුමක්ද?

• A) කෙටුම්පත චතුර නම්, එය රෝගියාට කෙලින්ම ලබා දිය හැකිය
• B) AI සාක්ෂි ද ජනනය කරන බැවින් වෙනම මූලාශ්‍ර සත්‍යාපනයක් අවශ්‍ය නොවේ
• C) වාර්තාවේ ව්යාධිජනක තීරණය කෘතිම බුද්ධියට පැවරිය හැකිය, විශේෂඥයා ආකෘතිය පමණක් පරීක්ෂා කරයි
• D) සෑම සායනික හිමිකම් පෑමක්ම සනාථ කළ යුතුය, අවසන් වාර්තාව දක්ෂ විශේෂඥයා විසින් අනුමත කළ යුතුය, සහ සත්‍යාපන දාමය ලේඛනගත කළ යුතුය ✔

විස්තරය: කෘතිම බුද්ධිය වාර්තා කෙටුම්පත් සහ සාරාංශ නිෂ්පාදනය කිරීමේදී කාලය ඉතිරි කරයි; කෙසේ වෙතත්, සෑම සායනික හිමිකම් පෑමක්ම සාක්ෂි සහ ප්‍රාථමික මූලාශ්‍රවලට සම්බන්ධ කළ යුතු අතර, අවසාන වාර්තාව බලයලත් විශේෂඥයා විසින් අනුමත කළ යුතුය. AI ප්‍රතිදානය කෙලින්ම රෝගියාගේ තීරණයකට පරිවර්තනය කළ නොහැක; සත්‍යාපන දාමය ලේඛනගත කළ යුතුය.

13. AI හි ප්‍රතිදානය ඉතා තරල සහ 'විශ්වාස' ලෙස ශබ්ද කරන්නේ නම් එයින් අදහස් කරන්නේ කුමක්ද?

• A) විශ්වාසදායක ස්වරය නිරවද්‍යතාවය පිළිබඳ සාක්ෂි නොවේ; වලංගු කිරීමේ අවශ්‍යතාවය වැඩි වෙනවා මිස අඩු නොවේ ✔
• B) චතුර සහ තීරණාත්මක පිළිතුරක් බොහෝ දුරට සත්‍ය වේ, තහවුරු කිරීම අනවශ්‍යයි
• C) විශ්වාසනීය ස්වරය පෙන්නුම් කරන්නේ ආකෘතිය මතකයෙන් සෘජුවම දත්ත කියවන බවයි
• D) දෙගිඩියාවෙන් පිළිතුරු වැරදි වන අතර විශ්වාසදායක පිළිතුරු නිවැරදි බැවින් ස්වරය විශ්වාසයේ මිනුමක් වේ.

පැහැදිලි කිරීම: AI හි විශ්වාසදායක ස්වරය නිරවද්‍යතාව පිළිබඳ සාක්ෂි නොවේ; වඩාත්ම භයානක මායාවන් වඩාත් චතුර සහ ඒත්තු ගැන්වෙන වාක්‍ය සමඟ පැමිණේ. විශ්වාසනීය ස්වරය පෙනෙන විට, සත්යාපනය සඳහා අවශ්යතාවය වැඩි වේ, අඩු නොවේ. සෑම කරුණක්ම (අනුක්‍රමය, ප්‍රභේදය, ජානය, යොමුව) ස්වාධීන ප්‍රාථමික මූලාශ්‍රයක් සමඟ හරස් වලංගු කළ යුතුය.

14. විශ්ලේෂණය සඳහා ප්‍රසිද්ධියේ පවතින AI මෙවලමකට රෝගියෙකුගේ ජාන දත්ත ලබා දීමට පෙර වැදගත්ම රහස්‍යතා පූර්වාරක්ෂාව කුමක්ද?

• A) Base64 හි දත්ත සංකේතනය කර ඇත්නම්, එය ආරක්ෂිතව ඇලවිය හැක
• B) රෝගියාගේ නම පමණක් මකා දැමුවහොත්, වැඩිදුර ක්‍රියාමාර්ග අවශ්‍ය නොවේ
• C) පුද්ගලිකව හඳුනාගත හැකි දත්ත කිසිසේත් ලබා නොදීම; නිර්නාමිකකරණය, දත්ත අවම කිරීම සහ කැමැත්ත/නීතිමය රාමුව නිරීක්ෂණය කිරීම ✔
• D) පුද්ගලික දත්ත ලෙස නොසැලකීම නිසා ජානමය දත්ත නිදහසේ බෙදා ගත හැක.

විස්තරය: ජානමය දත්ත යනු පුද්ගලික දත්තවල විශේෂ කාණ්ඩයක් වන අතර, විචල්‍යයන්ගේ දුර්ලභ සංයෝජන සමඟින් පුද්ගලයෙකු නැවත හඳුනා ගත හැක. විවෘත මෙවලම් සඳහා හඳුනා ගත හැකි ජාන දත්ත කිසි විටෙක ලබා නොදේ; දත්ත නිර්නාමික කළ යුතුය, අවශ්‍ය අවම තොරතුරු පමණක් බෙදාගත යුතුය (දත්ත අවම කිරීම) සහ කැමැත්ත/නීති රාමුව (KVKK/GDPR) නිරීක්ෂණය කළ යුතුය.