ஆதாயங்கள்:
- தொகுதி முழுவதும் கற்றுக்கொண்ட அனைத்து பகுதிகளையும் (வரிசை, மாறுபாடு, கட்டமைப்பு, இலக்கியம், மருத்துவம்) ஒற்றை இறுதி முதல் இறுதி வரை AI-ஆதரவு பணிப்பாய்வுகளில் இணைக்கும் திறன்
- 'செயற்கை நுண்ணறிவு உற்பத்தி, மனித சரிபார்ப்பு மற்றும் உறுதிமொழி' மற்றும் ஒவ்வொரு அடியிலும் முதன்மை ஆதார சரிபார்ப்பு ஆகியவற்றின் கொள்கையைப் பயன்படுத்துவதற்கான திறன்
- ரகசியத்தன்மை மற்றும் இறுதி நிபுணரின் ஒப்புதலை ஆவணப்படுத்துவதன் மூலம் சரிபார்ப்பு சங்கிலியை நிர்வகிக்கும் திறன்
இந்த தொகுதியில், வரிசை பகுப்பாய்வு முதல் புரத அமைப்பு வரை, CRISPR முதல் ஓமிக்ஸ் வரை, இலக்கியம் முதல் நெறிமுறைகள் மற்றும் ரகசியத்தன்மை வரை ஒவ்வொரு கட்டத்தையும் தனித்தனியாக விவாதித்தோம். இந்த இறுதிப் பிரிவில், அவை அனைத்தையும் ஒரு யதார்த்தமான பணிப்பாய்வுகளாக இணைக்கிறோம்: ஒரு நோயாளியில் காணப்படும் ஒரு மாறுபாட்டின் பயணம், மூல தரவு முதல் அங்கீகரிக்கப்பட்ட மருத்துவ அறிக்கை வரை. செயற்கை நுண்ணறிவை (AI) ஒரு இறுதி முதல் இறுதி உதவியாளராக எவ்வாறு நிலைநிறுத்துவது மற்றும் ஒவ்வொரு கட்டத்திலும் சரிபார்ப்பு மற்றும் மனித பொறுப்புக்கூறல் எவ்வாறு பின்னிப்பிணைந்துள்ளது என்பதை முழுமையாகப் பார்ப்பதே குறிக்கோள்.
எங்கள் காட்சி (கற்பனை): 34 வயதான பெண் நோயாளி, சிறு வயதிலேயே மார்பக புற்றுநோயின் குடும்ப வரலாற்றுடன் மரபணு மதிப்பீட்டிற்கு வருகிறார். குழு சோதனையில் BRCA1 மரபணுவில் ஒரு மாறுபாடு கண்டறியப்பட்டது. எங்கள் நோக்கம்: இந்த மாறுபாட்டை வகைப்படுத்தவும், புரதத்தில் அதன் சாத்தியமான தாக்கத்தை விளக்கவும், இலக்கியங்களை மதிப்பாய்வு செய்யவும் மற்றும் மருத்துவ அறிக்கையை வரைவு செய்யவும் - ஒவ்வொரு அடியிலும் AI ஐப் பயன்படுத்துதல் மற்றும் ஒவ்வொரு அடியிலும் அதை சரிபார்த்தல்.
கட்டம் 1: மாறுபாட்டை சரிசெய்தல் மற்றும் தனியுரிமைக் கட்டுப்பாடு
பணிப்பாய்வு ஆரம்பத்தில், நாங்கள் இரண்டு விஷயங்களைச் செய்கிறோம்: தரவைத் தரப்படுத்தவும் மற்றும் ரகசியத்தன்மையை உறுதிப்படுத்தவும்.
முதலில் தனியுரிமை: நோயாளியின் பெயர், அடையாள எண் மற்றும் பிறந்த தேதி ஆகியவை எந்த திறந்த AI கருவிகளிலும் (அலகு 10) உள்ளிடப்படாது. மாறுபாடு, மரபணு பதிப்பு மற்றும் டிரான்ஸ்கிரிப்ட் ஆகியவற்றுடன் மட்டுமே நாங்கள் வேலை செய்கிறோம் - மேலும் மாறுபாடு தனிநபரை அடையாளம் காணவில்லை என்றால் மட்டுமே. பின்னர் மாறுபாட்டை சரிசெய்கிறோம்: GRCh38, BRCA1, NM_007294.4, எடுத்துக்காட்டாக c.5266dupC (p.Gln1756fs). இதை ஒரு வேலிடேட்டர் (VariantValidator) மூலம் உறுதிப்படுத்துகிறோம்; முக மதிப்பில் AI வழங்கிய பிரதிநிதித்துவத்தை நாங்கள் ஏற்கவில்லை (அலகு 1, 3).
நிலை 2: ஆதாரங்களை சேகரித்தல் (அலகு 3)
எங்களிடம் AI ஆனது ACMG ப்ரூஃப் ஃப்ரேம்வொர்க்கை உருவாக்குகிறது - ஆனால் வகுப்பைச் சொல்லாமல். பின்னர் ஒவ்வொரு ஆதாரத்தையும் நாமே சரிபார்க்கிறோம்:
- gnomAD அதிர்வெண்: நாம் gnomAD இல் உள்ள மாறுபாட்டைத் தேடுகிறோம், அது மிகவும் அரிதானது/இல்லாதது (PM2 திசையில்).
- ClinVar: நாங்கள் பதிவைத் திறந்து, ஏற்கனவே உள்ள கருத்துகளையும் புத்துணர்ச்சியையும் சரிபார்க்கிறோம்.
- மாறுபாடு வகை: ஒரு பிரேம்ஷிஃப்ட் முன்கூட்டியே நிறுத்தப்படுவதற்கு வழிவகுத்தால், செயல்பாடு (PVS1) இழப்புக்கான வலுவான சான்றுகள் இருக்கலாம் - ஆனால் மரபணு மற்றும் டிரான்ஸ்கிரிப்ட்டின் பின்னணியில் இதை மதிப்பீடு செய்கிறோம்.
AI வழங்கிய எந்த அதிர்வெண் அல்லது குறிப்பையும் சரிபார்க்காமல் நாங்கள் பயன்படுத்த மாட்டோம் (அலகு 9).
நிலை 3: புரத-கட்டமைப்பு விளக்கம் (அலகு 4)
புரதத்தில் மாறுபாட்டின் விளைவைப் புரிந்து கொள்ள, நாங்கள் ஆல்பாஃபோல்ட் கட்டமைப்பைப் பதிவிறக்குகிறோம் (அதன் யூனிப்ரோட் எண்ணுடன்), பாதிக்கப்பட்ட பகுதியின் pLDDT நம்பிக்கை மதிப்பெண் மற்றும் UniProt செயல்பாட்டுக் குறிப்புகளைப் பார்க்கவும். ஒரு பிரேம்ஷிஃப்ட் புரதத்தின் பெரும்பகுதியை மாற்றுவதால், கட்டமைப்பு விளக்கம் இங்கே செயல்பாட்டு இழப்பு கருதுகோளை ஆதரிக்கலாம் - ஆனால் கட்டமைப்பு ஒரு யூகம், உறுதியான ஆதாரம் அல்ல. ஆயத்தொகுப்புகளை நாங்கள் AI யிடம் கேட்கவில்லை; கோப்பிலிருந்து படித்தோம்.
நிலை 4: இலக்கிய சரிபார்ப்பு (அலகு 7)
AI இலிருந்து தேடல் சொற்களைப் பெறுகிறோம், அதை PubMed இல் தேடுகிறோம், மேலும் மாறுபாடு மற்றும் மரபணு பற்றிய உண்மையான கட்டுரைகளைக் கண்டறியலாம். DOI/PMID உடன் AI "நினைவகத்திலிருந்து" சமர்ப்பிக்கும் மேற்கோள்களை நாங்கள் சரிபார்க்கிறோம். உறவிற்கும் காரணத்திற்கும் இடையிலான வேறுபாட்டை நாங்கள் மூலத்தில் பாதுகாக்கிறோம்.
நிலை 5: வகைப்பாடு மற்றும் மருத்துவ விளக்கம் (அலகுகள் 3, 8)
சரிபார்க்கப்பட்ட ஆதாரங்களை நாங்கள் இணைத்து, ACMGயின் கலவையுடன் சாத்தியமான வகுப்பை ஊகிக்கிறோம். பினோடைப் மற்றும் குடும்ப வரலாற்றுடன் மருத்துவ விளக்கத்தை இணைக்கிறோம்: நோயாளியின் படம் BRCA1 உடன் ஒத்துப்போகிறதா? நிச்சயமற்ற தன்மை இருந்தால், நாங்கள் அதை நேர்மையாகக் கூறுகிறோம்.
நிலை 6: அறிக்கை வரைவு மற்றும் ஒப்புதல் (அலகு 8)
AI உடன், மருத்துவர் மற்றும் நோயாளிக்கான வரைவு அறிக்கைகளை நாங்கள் தயார் செய்கிறோம்; காரணத்தை பெரிதுபடுத்தாத, நிச்சயமற்ற தன்மை பற்றி தெளிவாக, மரபணு ஆலோசனைக்கு வழிகாட்டும் மொழியில். நிபுணர் ஒவ்வொரு வாக்கியத்தையும் உறுதிப்படுத்துகிறார். வரம்புகள் பகுதியைச் சேர்க்கிறோம் (சோதனை உள்ளடக்காதவை, மறுமதிப்பீட்டு நிலைமைகள்).
உதவிக்குறிப்பு: ஒவ்வொரு கட்டத்தின் வெளியீட்டையும் அடுத்த கட்டத்திற்கு ஒரு முடிவு-இறுதி ஓட்டத்தில் உள்ளிடும்போது, வெளியீடு சரிபார்க்கப்பட்டதா என்பதை உறுதிப்படுத்தவும். சரிபார்க்கப்படாத அதிர்வெண் அல்லது பண்புக்கூறு அனைத்து அடுத்தடுத்த நிலைகளுக்கும் தவறாக முன்னோக்கி கொண்டு செல்லப்படுகிறது (சங்கிலி மாயத்தோற்றம்-அலகு 9).
பணிப்பாய்வு அட்டவணை
மேடை
AI இன் பங்கு
கட்டாய சரிபார்ப்பு
முடிவெடுப்பவர்
சரிசெய்தல்
டெமோ ஸ்கெட்ச்
வேரியன்ட் வலிடேட்டர்
நிபுணர்
தனியுரிமை
அநாமதேய கட்டுப்பாடு
மனித கட்டுப்பாடு
நிபுணர்
ஆதாரம்
ஒரு கட்டமைப்பை அமைத்தல்
gnomAD, ClinVar
நிபுணர்
கட்டமைப்பு
கருத்து
pLDDT, கோப்பு
நிபுணர்
இலக்கியம்
தேடல் சொல், சுருக்கம்
DOI/PMID
நிபுணர்
வகுப்பு
சேர்க்கை வரைவு
ACMG விதிகள்
நிபுணர்
அறிக்கை
மொழி வரைவு
வாக்கியத்தின் மூலம் ஒப்புதல் வாக்கியம்
நிபுணர்/ஆலோசகர்
மூன்று சிறிய வழக்குகள் (ஓட்டத்தில் முறிவு புள்ளிகள்)
வழக்கு 1 - தவறான டிரான்ஸ்கிரிப்ட். ஸ்ட்ரீமின் தொடக்கத்தில் AI வழங்கிய டிரான்ஸ்கிரிப்டுடன் ஒரு குழு வேலை செய்தது; குழு வேறு டிரான்ஸ்கிரிப்டைப் பயன்படுத்தியதை அவர் பின்னர் உணர்ந்தார். c. அவர்களின் நிலைகள் மாறிவிட்டன. VariantValidator மூலம் ஆரம்பத்தில் இருந்தே பிழை சரி செய்யப்பட்டது. பாடம்: சரிசெய்தல் கட்டத்தில் பிழை முழு ஓட்டத்தையும் சீர்குலைக்கிறது.
வழக்கு 2 - போலி ஆதரவு கட்டுரை. இலக்கிய கட்டத்தில், வகைப்பாட்டை ஆதரிக்கும் ஒரு வற்புறுத்தும் காகிதத்தை AI முன்மொழிந்தது. PMID சோதனை கட்டுரை இல்லை என்று காட்டியது; ஆதாரச் சங்கிலியிலிருந்து நீக்கப்பட்டது. உண்மையான சான்றுகள் போதுமானதாக இருந்தன, ஆனால் தவறான பண்புக்கூறு அறிக்கையில் இருந்திருந்தால் கல்வி/மருத்துவ நம்பிக்கை சேதமடைந்திருக்கும்.
வழக்கு 3 - உறுதிப்படுத்தல் கிடைத்தது. அறிக்கையிடல் கட்டத்தில், AI வரைவில் "இந்த மாறுபாடு நிச்சயமாக புற்றுநோயை ஏற்படுத்தும்" என்ற அறிக்கையை உள்ளடக்கியது. "இந்த மாறுபாடு மார்பக/கருப்பை புற்றுநோயின் அபாயத்தை கணிசமாக அதிகரிக்கிறது, ஆனால் உறுதியான நோயைக் குறிக்கவில்லை" என்று ஆலோசகர் இதைச் சரிசெய்து, மரபணு ஆலோசனைக்கான பரிந்துரையைச் சேர்த்தார். தொனியும் துல்லியமும் நிபுணர்களின் கைகளில் வடிவமைக்கப்பட்டுள்ளன.
இரண்டு நகலெடுக்கக்கூடிய வார்ப்புருக்கள் (முடிவிலிருந்து முடிவு வரை)
1) ஓட்டம் திட்டமிடுபவர்:
உங்கள் பங்கு: மருத்துவ மரபியல் பணிப்பாய்வு உதவியாளர். பின்வரும் மாறுபாட்டிற்கான அறிக்கைக்கு கண்டுபிடிப்பிலிருந்து இறுதி முதல் இறுதி சரிபார்ப்பு பட்டியலை உருவாக்கவும்: [ஜீனோம் பதிப்பு, மரபணு, டிரான்ஸ்கிரிப்ட், HGVS]. ஒவ்வொரு கட்டத்திலும் (நிர்ணயம், தனியுரிமை, சான்றுகள், கட்டமைப்பு, இலக்கியம், வகுப்பு, அறிக்கை) "AI என்ன செய்கிறது / நான் என்ன சரிபார்க்கிறேன் / யார் முடிவு செய்கிறார்கள்" என்ற நெடுவரிசைகளுடன் எழுதவும். நீங்கள் வகுப்பு மற்றும் மருத்துவ முடிவை எடுக்கிறீர்கள்.
2) இறுதி ஆய்வு:
சமர்ப்பிக்கும் முன் பின்வரும் பூர்த்தி செய்யப்பட்ட மாறுபாடு கருத்து மற்றும் அறிக்கை வரைவை முன்கூட்டியே சரிபார்க்கவும்: [உள்ளடக்கம்]. சரிபார்க்கவும்: உறுதிப்படுத்தப்படாத அதிர்வெண்/பண்புக்கூறு, மிகைப்படுத்தப்பட்ட காரணம்/துல்லியமான அறிக்கை, விடுபட்ட தெளிவின்மை எச்சரிக்கை, விடுபட்ட எல்லைப் பிரிவு, தனியுரிமை பாதிப்பு. ஒவ்வொரு பிரச்சனையையும் அதை சரிசெய்வதற்கான பரிந்துரைகளையும் பட்டியலிடுங்கள்.
பலவீனமான வரியில் / வலுவான வரியில்
பலவீனமானது: "இந்த BRCA1 மாறுபாட்டிற்கான முழுமையான மருத்துவ அறிக்கையை எழுதுங்கள்."
சிக்கல்: AI அனைத்து நிலைகளையும் ஒரே நேரத்தில் பொருத்துவதன் மூலம் "அறிக்கையை" உருவாக்குகிறது; அதிர்வெண், பண்புக்கூறு, வகுப்பு, மருத்துவத் தீர்ப்பு அனைத்தும் உறுதிப்படுத்தப்படவில்லை.
வலிமையானது: "இந்த BRCA1 மாறுபாட்டைப் புகாரளிக்க கண்டுபிடிப்பிலிருந்து ஒரு சரிபார்ப்புப் பட்டியலை உருவாக்கவும்; ஒவ்வொரு கட்டத்திலும் நீங்கள் என்ன செய்வீர்கள், நான் என்ன சரிபார்க்கிறேன், யார் முடிவு எடுப்பார்கள் என்பதைத் தனித்தனியாகப் பிரிக்கவும். ஆதாரங்களை உறுதிப்படுத்திய பிறகு நான் வகுப்பு மற்றும் மருத்துவ முடிவை எடுப்பேன்."
இது ஏன் சக்தி வாய்ந்தது: ஓட்டம் கட்டமைக்கப்பட்டுள்ளது, ஒவ்வொரு கட்டமும் சரிபார்ப்புடன் பிணைக்கப்பட்டுள்ளது, மேலும் முடிவும் பொறுப்பும் மனிதனிடம் இருக்கும்.
பொதுவான தவறுகள்
- ஒரு வரியில் "முடிக்கப்பட்ட அறிக்கையை" கேட்கிறது. சரிபார்ப்பு இல்லாமல் நிலைகள் இணைக்கப்படுகின்றன; பிழை கூடுகிறது.
- சரிசெய்தல் கட்டத்தை புறக்கணித்தல். தவறான பதிப்பு/டிரான்ஸ்கிரிப்ட் முழு ஸ்ட்ரீமையும் மறுக்கிறது.
- வெளியீட்டை சரிபார்க்காமல் நிலைகளுக்கு இடையில் நகர்த்துதல். ஒரு சங்கிலி மாயத்தோற்றம் எழுகிறது.
- ஓட்டத்தின் "முடிவில்" தனியுரிமையைப் பற்றி சிந்திப்பது. முதல் இடத்தில், தரவு உள்ளீட்டில் ரகசியத்தன்மை நிறுவப்பட வேண்டும்.
- முடிவையும் தொனியையும் AIக்கு விட்டுவிடுங்கள். வகுப்பறை மற்றும் மருத்துவச் செய்தி அனுப்புதல் நிபுணரால் அங்கீகரிக்கப்பட வேண்டும்.
எச்சரிக்கை: எண்ட்-டு-எண்ட் AI ஐப் பயன்படுத்துவது நிறைய நேரத்தை மிச்சப்படுத்துகிறது ஆனால் பொறுப்பைக் குறைக்காது; மாறாக, ஒவ்வொரு கட்டத்திலும் சரிபார்ப்பு ஒழுக்கத்தை இன்னும் முக்கியமானதாக ஆக்குகிறது. AI ஓட்டத்தை வேகப்படுத்துகிறது; மனித உத்தரவாதங்கள் துல்லியம், பாதுகாப்பு மற்றும் நெறிமுறை இணக்கம்.
ஆழம்: பணிப்பாய்வு நேர சேமிப்பு, பலவீனம் மற்றும் தணிக்கை பாதை
எண்ட்-டு-எண்ட் ஓட்டத்தின் உண்மையான மதிப்பு, "AI அனைத்தையும் செய்யட்டும்" அல்ல, ஆனால் சரியான இடங்களில் நேரத்தைப் பெறுவதும், சரியான இடங்களில் மெதுவாகச் செல்வதும் ஆகும். இந்த சூழ்நிலையில் ஆதாயத்தை கணக்கிடுவோம்: சான்று கட்டமைப்பை அமைத்தல், தேடல் சொற்களை உருவாக்குதல், அறிக்கை மொழியை எளிமையாக்குதல் மற்றும் தணிக்கைக்கு பிந்தைய சரிபார்ப்பு பட்டியலைக் கொண்டு வருவது பாரம்பரியமாக பல மணிநேர வரைவு வேலைகளை பத்து நிமிடங்களாக குறைக்கலாம். இதற்கு நேர்மாறாக, gnomAD/ClinVar சரிபார்ப்பு, வேரியன்ட் வாலிடேட்டர் பின்னிங், DOI சரிபார்ப்பு மற்றும் நிபுணர் தீர்ப்பு ஆகியவற்றைச் சுருக்க முடியாது - அவை ஸ்ட்ரீமின் பாதுகாப்பு முதுகெலும்பு. சரியான மனநிலை: "AI வரைவை உருவாக்குகிறது, மனிதர்கள் உத்தரவாதமாக செயல்படுகிறார்கள்." லாபம் வரைவில் உள்ளது, பொறுப்பு முடிவில் உள்ளது.
ஓட்டத்தில் மிகவும் உடையக்கூடிய இணைப்பு எப்போதும் முதன்மையானது: நங்கூரமிடுதல். தவறான மரபணு பதிப்பு அல்லது தவறான டிரான்ஸ்கிரிப்ட் ஒவ்வொரு அடுத்த கட்டத்திலும் அமைதியாகப் பரவுகிறது, இறுதியில் முற்றிலும் தவறான அறிக்கையை உருவாக்குகிறது. எனவே ஒரே ஒரு தனியான கருவி (VariantValidator போன்றவை) மூலம் நங்கூரத்தை சரிபார்க்காமல் அடுத்த கட்டத்திற்கு செல்ல வேண்டாம். இரண்டாவது மிகவும் பாதிக்கப்படக்கூடிய புள்ளி நிலைகளுக்கு இடையே வெளியீடு கேரிஓவர் ஆகும்: ஒரு கட்டத்தின் சரிபார்க்கப்படாத வெளியீட்டை அடுத்த கட்டத்திற்கு உள்ளீடாக மாற்றுவது சங்கிலி மாயத்தோற்றத்தை அழைக்கிறது.
இறுதியாக, மருத்துவச் சூழலில், தணிக்கைச் சுவடு ஓட்டத்திற்கு ஒருங்கிணைந்ததாகும்: எந்தத் தேதியில் எந்த ஆதாரம் சரிபார்க்கப்பட்டது, எந்த ClinVar பதிப்பு பார்த்தது, எந்த முடிவை ஏற்றுக்கொண்டது என்பதை ஆவணப்படுத்த வேண்டும். ClinVar மதிப்புரைகள் காலப்போக்கில் மாறுகின்றன; "இன்று நோய்க்கிருமியாக" இருக்கும் ஒரு பதிவு ஒரு வருடம் கழித்து VUS க்கு திரும்பியிருக்கலாம். தணிக்கைப் பாதை மறு மதிப்பீடு மற்றும் சட்ட/நெறிமுறை பொறுப்பு இரண்டையும் செயல்படுத்துகிறது.
ஸ்ட்ரீமிங் அம்சம்
கொள்கை
விண்ணப்பம்
நேரம் சேமிப்பு
வரைவில் வேகம் பெறுங்கள்
AI இலிருந்து கட்டமைப்பு, மொழி, சரிபார்ப்பு பட்டியல்
உடையக்கூடிய தன்மை
முதல் வளையத்தை பாதுகாக்கவும்
சுயாதீன கருவி மூலம் சரிசெய்தலை உறுதிப்படுத்தவும்
வெளியீடு போக்குவரத்து
சரிபார்ப்பு இல்லாமல் நகர்த்தவும்
ஒவ்வொரு கட்டமும் மூலத்தில் அங்கீகரிக்கப்பட்டுள்ளது
தணிக்கை பாதை
ஒவ்வொரு முடிவையும் ஆவணப்படுத்தவும்
ஆதாரம், தேதி, பதிவு மூலம் அங்கீகரிக்கப்பட்டது
சுருக்கமாக
- கண்டுபிடிப்பிலிருந்து அறிக்கை வரை ஒரு மாறுபாட்டின் பயணம்; இது நிர்ணயம், ரகசியத்தன்மை, சான்றுகள், கட்டமைப்பு, இலக்கியம், வகுப்பு மற்றும் அறிக்கையின் நிலைகளை உள்ளடக்கியது.
- AI ஒவ்வொரு கட்டத்திலும் வரைவு/குறியீடு/சுருக்கத்தை உருவாக்குகிறது; ஒவ்வொரு கட்டத்திலும், நிபுணர் சரிபார்த்து முடிவு செய்கிறார்.
- நிலைகளுக்கு இடையே உள்ள வெளியீடு சரிபார்த்த பின்னரே அடுத்த நிலைக்கு நகர்த்தப்பட வேண்டும்.
- இரகசியத்தன்மை ஆரம்பத்திலிருந்தே நிறுவப்பட்டது; வகுப்பு மற்றும் மருத்துவ முடிவு இறுதியாக நிபுணர் ஒப்புதலுடன் எடுக்கப்படுகிறது.
விண்ணப்ப பணி
கற்பனையான மாறுபாட்டைத் தேர்ந்தெடுக்கவும் (எ.கா. நன்கு அறியப்பட்ட BRCA1 பதிவு). 1. டெம்ப்ளேட்டுடன் ஒரு எண்ட்-டு-எண்ட் சரிபார்ப்பு பட்டியலை உருவாக்கி, இந்த தொகுதியில் உள்ள யூனிட்டின் முறையின்படி ஒவ்வொரு கட்டத்தையும் நீங்களே செயல்படுத்தவும்: மாறுபாட்டை சரிசெய்யவும், gnomAD/ClinVar ஐ சரிபார்க்கவும், AlphaFold கட்டமைப்பைப் பார்க்கவும், உண்மையான கட்டுரையைக் கண்டறியவும், சாத்தியமான வகுப்பை நியாயப்படுத்தவும் மற்றும் அறிக்கையின் பத்தியை வரைந்து அதை ஒரு நிபுணரின் பார்வையுடன் சரிபார்க்கவும். குறைந்தது இரண்டு நிலைகளில் AIக்கும் மூலத்திற்கும் இடையே உள்ள வித்தியாசத்தைக் கண்டறிய முயற்சிக்கவும்.
சரிபார்ப்பு பட்டியல்
- [ ] நான் ஆரம்பத்தில் இருந்தே தனியுரிமையை அமைத்தேன்; அடையாளம் காணும் தரவு எதையும் நான் மாற்றவில்லை.
- [ ] நான் பதிப்பு/டிரான்ஸ்கிரிப்ட் மூலம் மாறுபாட்டை சரிசெய்து அதை வேலிடேட்டருடன் உறுதிப்படுத்தினேன்.
- [ ] நான் ஒவ்வொரு ஆதாரத்தையும் (அதிர்வெண், கிளினிவர், இலக்கியம்) முதன்மை மூலத்தில் சரிபார்த்தேன்.
- [ ] நான் கான்ஃபிடன்ட் ஸ்கோர் மற்றும் கோப்பில் இருந்து கட்டமைப்புக் கருத்தைச் செய்தேன்.
- [ ] நான் தனிப்பட்ட முறையில் வகுப்பு மற்றும் மருத்துவ விளக்கத்தை சான்றுகளின் அடிப்படையில் சரிபார்த்துள்ளேன்.
- [ ] நான் அறிக்கை மொழியில் காரணத்தை/துல்லியத்தை சரிபார்த்து வரம்புகளைச் சேர்த்தேன்.
தொகுதி தேர்வு
1. மூலக்கூறு உயிரியல் மற்றும் மரபியல் ஆகியவற்றில் செயற்கை நுண்ணறிவுக்கு (குறிப்பாக பெரிய மொழி மாதிரி) பின்வருவனவற்றில் எது மிகவும் துல்லியமானது?
- A) இது குறியீட்டை எழுதும் ஒரு உதவியாளர், வரைவுகள் மற்றும் கருத்துகளை உருவாக்குகிறார்; ஒவ்வொரு உயிரியல் நிகழ்வும் முதன்மை மூலத்தில் சரிபார்க்கப்பட வேண்டும், இறுதி விளக்கம் நிபுணருக்கு சொந்தமானது ✔
- B) இது நம்பகமான மரபணு தரவுத்தளமாகும்; கொடுக்கப்பட்ட வரிசைகள் மற்றும் மாறுபாடுகள் நேரடியாக அறிக்கைக்கு எழுதப்படலாம்.
- C) இது ஒரு ஆய்வகக் கருவியைப் போல அளவிடுவதால், அதன் வெளியீடுகள் சோதனைச் சான்றுகளாகக் கருதப்படுகின்றன.
- D) மனித அனுமதியின்றி மருத்துவ நோய்க்கிருமித்தன்மை முடிவை இறுதி செய்வது தகுதியானது.
விளக்கம்: பெரிய மொழி மாதிரி ஒரு மரபணு தரவுத்தளம் அல்லது ஆய்வக கருவி அல்ல; இது ஒரு உரை ஜெனரேட்டராகும், இது பயிற்சி தரவுகளில் உள்ள உரைகளை புள்ளிவிவர ரீதியாகப் பின்பற்றுகிறது. வரிசை/மாறுபாடு/ஜீன் போன்ற உயிரியல் உண்மைகள் எப்போதும் NCBI, Ensembl, ClinVar, gnomAD போன்ற முதன்மை ஆதாரங்களில் இருந்து சரிபார்க்கப்பட வேண்டும்; இறுதி மருத்துவ மற்றும் அறிவியல் விளக்கம் திறமையான நிபுணரிடம் இருக்க வேண்டும்.
2. AI இலிருந்து ஒரு மாறுபாட்டின் மரபணு ஒருங்கிணைப்பை நீங்கள் பெற்றுள்ளீர்கள், ஆனால் உங்கள் திட்டம் GRCh38 (hg38) ஐப் பயன்படுத்துகிறது. செயற்கை நுண்ணறிவு hg19 ஒருங்கிணைப்பை வழங்கியிருக்கலாம். சரியான அணுகுமுறை என்ன?
- A) ஒருங்கிணைப்பை நேரடியாகப் பயன்படுத்துதல், ஏனெனில் அது நியாயமானது
- B) செயற்கை நுண்ணறிவு எப்போதும் மிகவும் தற்போதைய பதிப்பைக் கொடுப்பதால் பதிப்பைக் கேட்க வேண்டிய அவசியமில்லை.
- C) மரபணு பதிப்பை வெளிப்படையாக உறுதிசெய்து, அதிகாரப்பூர்வ லிஃப்ட் ஓவர் கருவி மூலம் ஒருங்கிணைப்பை சரிபார்க்கவும் ✔
- D) hg19 மற்றும் hg38 இடையே உள்ள வேறுபாடு முக்கியமற்றதாக இருப்பதால், ஒன்றைத் தேர்ந்தெடுத்து தொடரவும்
விளக்கம்: ஜீனோம் பதிப்புகளுக்கு இடையே ஆய மாற்றம் (GRCh37/hg19 மற்றும் GRCh38/hg38). பதிப்பு இல்லாமல் கொடுக்கப்பட்ட அனைத்து ஆயங்களும் சந்தேகத்திற்குரியவை. அதிகாரப்பூர்வ லிஃப்ட்ஓவர் கருவி மூலம் ஒருங்கிணைப்புகள் மாற்றப்பட வேண்டும்/சரிபார்க்கப்பட வேண்டும் மற்றும் பயன்படுத்தப்படும் மரபணு பதிப்பு தெளிவாக உறுதிப்படுத்தப்பட வேண்டும்; இல்லையெனில் முழு சீரமைப்பு மற்றும் கருத்து தவறான இடத்தை சுட்டிக்காட்டும்.
3. HGVS குறியீட்டில் 'c.', 'p.' மற்றும் 'ஜி.' முன்னொட்டுகள் எதைக் குறிக்கின்றன, அவை ஏன் குழப்பமடையக்கூடாது?
- அ) மூன்றும் ஒரே பொருளைக் குறிக்கின்றன, எது பயன்படுத்தப்படுகிறது என்பது முக்கியமல்ல.
- B) 'c.' குறியீட்டு DNA/டிரான்ஸ்கிரிப்ட், 'p.' புரதம், 'ஜி.' மரபணு நிலை; குழப்பம் ஏற்பட்டால், அது வேறு இடத்தைக் குறிக்கலாம் ✔
- C) 'p.' எப்போதும் 'சி.' அதன் மதிப்பில் மூன்று மடங்கு அதிகமாகும், மாற்றம் தானியங்கி மற்றும் பிழையற்றது
- D) முன்னொட்டுகள் சாதாரணமானவை; டிரான்ஸ்கிரிப்ட் பதிப்பைக் குறிப்பிட வேண்டிய அவசியமில்லை
விளக்கம்: HGVS என்பது மாறுபாடுகளுடன் கூடிய நிலையான எழுத்து வடிவமாகும்: 'c.' குறியீட்டு DNA (டிரான்ஸ்கிரிப்ட்) நிலை, 'p.' புரத அளவு, 'ஜி.' மரபணு அளவைக் குறிக்கிறது. இவற்றைக் கலப்பது அல்லது தவறான டிரான்ஸ்கிரிப்ட் பதிப்பைப் பயன்படுத்துவது முற்றிலும் வேறுபட்ட இடம்/மாறுபாட்டைக் குறிக்கலாம்; எனவே டிரான்ஸ்கிரிப்ட் பதிப்புடன் சரியான முன்னொட்டு பயன்படுத்தப்பட வேண்டும் (எ.கா. NM_007294.4).
4. மாறுபாட்டின் நோய்க்கிருமித்தன்மையை மதிப்பிடுவதற்கு ACMG அளவுகோல்களைப் பயன்படுத்தும் போது AI இன் பங்கு என்னவாக இருக்க வேண்டும்?
- A) செயற்கை நுண்ணறிவு சான்றுகள் மற்றும் வகுப்பை இறுதி செய்கிறது; நிபுணர் மேற்பார்வை தேவையில்லை
- B) செயற்கை நுண்ணறிவு அதன் நினைவகத்திலிருந்து மக்கள்தொகை அதிர்வெண்ணைக் கொடுப்பதால் GnomAD கட்டுப்பாடு தேவையற்றது.
- C) ACMG அளவுகோல்கள் கண்டிப்பாக இருப்பதால், AI வெளியீடு தானாகவே சரியானதாகக் கருதப்படுகிறது
- D) செயற்கை நுண்ணறிவு வரைவு சான்றுகளை உருவாக்க முடியும்; ஒவ்வொரு ஆதாரமும் முதன்மை ஆதாரத்தில் சரிபார்க்கப்பட வேண்டும், இறுதி வகைப்பாடு நிபுணரால் செய்யப்பட வேண்டும் ✔
விளக்கம்: ACMG என்பது மாறுபட்ட நோய்க்கிருமித்தன்மையை சான்றுகளின் வகைகளால் வகைப்படுத்துகிறது (மக்கள்தொகை அதிர்வெண், சிலிகோ கணிப்பு, பிரித்தல், செயல்பாட்டு ஆய்வு, இலக்கியம்). AI வரைவு ஆதாரத்தை உருவாக்க முடியும்; இருப்பினும், ஒவ்வொரு ஆதாரமும் ClinVar, gnomAD மற்றும் இலக்கியங்களில் தனிப்பட்ட முறையில் சரிபார்க்கப்பட வேண்டும், மேலும் இறுதி வகைப்பாடு (நோய்க்கிருமி/நோய்க்கிருமி/VUS...) திறமையான நிபுணரால் செய்யப்பட வேண்டும்.
5. செயற்கை நுண்ணறிவு மூலம் கொடுக்கப்பட்ட டிஎன்ஏ வரிசையுடன் நீங்கள் வேலை செய்வீர்கள். சிறந்த முதல் படி எது?
- A) NCBI/Ensembl போன்ற முதன்மை மூலத்திலிருந்து அதைப் பெறுவதன் மூலம் வரிசையைப் பயன்படுத்துதல் அல்லது அங்குள்ள குறிப்புடன் அதை உறுதிப்படுத்துதல் ✔
- B) வரிசையை நேரடியாக பகுப்பாய்வில் செருகுதல், ஏனெனில் அது சரியான நீளமாகத் தோன்றுகிறது
- C) எழுத்துக்கள் செல்லுபடியாகும் நியூக்ளியோடைடுகளைக் கொண்டிருந்தால், வரிசை சரியாக இருக்கும் என்று வைத்துக்கொள்வோம்
- D) செயற்கை நுண்ணறிவிடம் மீண்டும் ஒருமுறை வரிசையைக் கேட்டு, இரண்டு வெளியீடுகளும் ஒரே மாதிரியாக இருந்தால் அதைச் சரியாகக் கணக்கிடுங்கள்.
விளக்கம்: AI ஆனது நம்பத்தகுந்த தோற்றமுடைய எழுத்துக்களால் நினைவில் இல்லாத சரத்தை 'நிரப்ப' முடியும்; நீளம் மற்றும் எழுத்துக்கள் சரியாகத் தோன்றினாலும், அவை உண்மையான குறிப்புடன் பொருந்தாமல் போகலாம். எனவே, தலையில் இருந்து செயற்கை நுண்ணறிவால் வழங்கப்படும் எந்த வரிசையும் நேரடியாகப் பயன்படுத்தப்படாது; வரிசையானது NCBI/Ensembl போன்ற முதன்மை மூலத்திலிருந்து எடுக்கப்பட்டது அல்லது அதில் உள்ள குறிப்பு மூலம் உறுதிப்படுத்தப்பட்டது.
6. ஆல்பாஃபோல்ட் போன்ற கருவியில் இருந்து புரதக் கட்டமைப்புக் கணிப்பதில் pLDDT மதிப்பெண் என்ன?
- A) கட்டமைப்பு சோதனை ரீதியாக நிரூபிக்கப்பட்டதற்கான சான்றிதழ் இது
- B) இது புரதத்தின் செயல்பாட்டு செயல்பாட்டு அளவை அளவிடும் ஒரு ஆய்வக மதிப்பு.
- C) இது ஒவ்வொரு எச்சத்திற்கும் உள்ளூர் கட்டமைப்பு முன்கணிப்பில் மாதிரியின் நம்பிக்கையைக் குறிக்கும் மதிப்பெண்; குறைந்த மதிப்பு நெகிழ்வான/நம்பகமற்ற மண்டலம் ✔
- D) இது மக்கள்தொகையில் உள்ள புரதத்தின் மாறுபாடு அதிர்வெண்ணைக் காட்டும் விகிதமாகும்.
விளக்கம்: pLDDT (0-100) என்பது ஒவ்வொரு எச்சத்திற்கும் (அமினோ அமிலம்) அதன் உள்ளூர் கட்டமைப்பு கணிப்புகளில் ஆல்பாஃபோல்ட் எவ்வளவு நம்பிக்கையுடன் உள்ளது என்பதைக் குறிக்கும் நம்பிக்கை மதிப்பெண் ஆகும். உயர் pLDDT என்பது நம்பகமான உள்ளூர் அமைப்பு, குறைந்த pLDDT என்றால் நெகிழ்வான/சீர்குலைந்த அல்லது நம்பமுடியாத பகுதி. அமைப்பு ஒரு யூகம்; குறைந்த நம்பிக்கைப் பகுதிகள் அதிகமாக விளக்கப்படக் கூடாது மற்றும் செயல்பாட்டுக் கூற்றுகள் சோதனைச் சான்றுகளால் ஆதரிக்கப்பட வேண்டும்.
7. ஆல்ஃபாஃபோல்ட் கட்டமைப்பு முன்கணிப்பின் அடிப்படையில் ஒரு பிறழ்வு புரதத்தை 'முற்றிலும் முடக்குகிறது' என்று கூறுவது ஏன் ஆபத்தானது?
- A) AlphaFold கட்டமைப்புகளை எந்த நோக்கத்திற்காகவும் பயன்படுத்த முடியாது, ஏனெனில் அவை எப்போதும் தவறாக இருக்கும்
- B) கட்டமைப்பு ஒரு யூகம்; செயல்பாட்டு உரிமைகோரல்கள் கருதுகோள்களின் மட்டத்தில் உள்ளன மற்றும் சோதனை சரிபார்ப்பு தேவை ✔
- சி) ஆபத்து இல்லை; ஆல்ஃபாஃபோல்ட் வெளியீடு சோதனை உருவாக்கம் போலவே துல்லியமானது
- D) pLDDT குறைவாக இருந்தால் மட்டுமே ஆபத்து உள்ளது; அது அதிகமாக இருந்தால், உரிமைகோரல் தானாகவே நிரூபிக்கப்பட்டதாகக் கருதப்படுகிறது.
வெளிப்படுத்தல்: ஆல்பாஃபோல்ட் என்பது ஒரு கட்டமைப்பு முன்கணிப்பு, சோதனை ஆதாரம் அல்ல; இது குறிப்பாக நெகிழ்வான/சீர்குலைந்த பகுதிகள் மற்றும் மாடலிங் பிறழ்வு விளைவுகளில் வரையறுக்கப்பட்டுள்ளது. கட்டமைப்பின் அடிப்படையிலான செயல்பாட்டு உரிமைகோரல்கள் கருதுகோள் மட்டத்தில் உள்ளன மற்றும் சோதனை சரிபார்ப்பு (எ.கா., செயல்பாட்டு ஆய்வு) தேவைப்படுகிறது. இல்லையெனில், கணிப்பு ஆதாரமாக முன்வைக்கப்படுகிறது.
8. செயற்கை நுண்ணறிவால் பரிந்துரைக்கப்பட்ட CRISPR gRNA (வழிகாட்டி RNA) வேட்பாளர்கள் தொடர்பான மிக முக்கியமான சரிபார்ப்பு படி என்ன?
- A) gRNAயின் நீளம் சரியாக இருந்தால், மேலும் சோதனைகள் தேவையில்லை
- B) செயற்கை நுண்ணறிவு 'இலக்கு விளைவு குறைவாக உள்ளது' என்று கூறினால், நேரடியாக பரிசோதனைக்கு செல்லவும்
- C) gRNA வரிசையானது செல்லுபடியாகும் நியூக்ளியோடைடுகளைக் கொண்டுள்ளது என்பது போதுமான உறுதி
- D) உண்மையான மரபணு சீரமைப்பு மற்றும் நிபுணத்துவம் இல்லாத இலக்கு பகுப்பாய்வுக் கருவிகளைக் கொண்ட வேட்பாளர்களைச் சரிபார்த்து, ஆய்வகத்தில் உறுதிப்படுத்தவும் ✔
விளக்கம்: gRNA என்பது காஸ் நொதியை இலக்குக்கு வழிநடத்தும் வழிகாட்டி RNA ஆகும்; தவறான வடிவமைப்புடன், இது இலக்கு பகுதிகளை வெட்டலாம். AI ஆல் திரும்பிய விண்ணப்பதாரர்கள் உண்மையான மரபணு சீரமைப்பு மற்றும் நிபுணரான ஆஃப்-இலக்கு பகுப்பாய்வு கருவிகள் மூலம் சரிபார்க்கப்பட வேண்டும், பின்னர் ஆய்வக பரிசோதனை மூலம் உறுதிப்படுத்தப்பட வேண்டும். செயற்கை நுண்ணறிவு 'பாதுகாப்பானது' என்று கூறுவதால் சரிபார்ப்புக்கு மாற்றாக இல்லை.
9. RNA-seq உடன் ஆயிரக்கணக்கான மரபணுக்களின் வெளிப்பாட்டின் வேறுபாடுகளை சோதிக்கும் போது பல சோதனை திருத்தம் (எ.கா. FDR/Benjamini-Hochberg) ஏன் அவசியம்?
- A) ஒரே நேரத்தில் ஆயிரக்கணக்கான சோதனைகள் தவறான நேர்மறைகளை அதிகரிக்கின்றன; FDR திருத்தம் இவற்றைக் கட்டுப்படுத்துகிறது, மூல p-மதிப்பு தவறாக வழிநடத்துகிறது ✔
- பி) மாதிரிகளின் எண்ணிக்கை சிறியதாக இருந்தால் மட்டுமே திருத்தம் அவசியம்; இதற்கும் மரபணுக்களின் எண்ணிக்கைக்கும் எந்த சம்பந்தமும் இல்லை
- சி) பல சோதனை திருத்தம் முடிவை மாற்றாது, அது முறையானது மட்டுமே
- D) கச்சா p<0.05 எப்போதும் போதுமானது; திருத்தம் புள்ளிவிவரங்களை தேவையில்லாமல் கடினமாக்குகிறது
விளக்கம்: ஆயிரக்கணக்கான மரபணுக்கள் ஒரே நேரத்தில் சோதிக்கப்படும்போது, பல மரபணுக்கள் வாய்ப்பு காரணமாக p<0.05 (தவறான நேர்மறை) உடன் வருகின்றன. பல சோதனை திருத்தம் (FDR - தவறான கண்டுபிடிப்பு விகிதம் கட்டுப்பாடு) இந்த தவறான நேர்மறைகளை கட்டுப்படுத்துகிறது. திருத்தப்படாத p-மதிப்புகளுடன் 'குறிப்பிடத்தக்கது' என்று அறிவிக்கப்பட்ட மரபணுக்களின் பட்டியல்கள் தவறானவை; சரிசெய்யப்பட்ட மதிப்பு (q-மதிப்பு) பயன்படுத்தப்பட வேண்டும்.
10. பாதை செறிவூட்டல் பகுப்பாய்வில் ஒரு பாதை 'குறிப்பிடத்தக்க வகையில் செறிவூட்டப்பட்டதாக' கண்டறியப்பட்டால், அதை எவ்வாறு விளக்க வேண்டும்?
- A) பாதை நோய்க்கான உறுதியான காரணம் என்பதை நிரூபிக்கிறது
- B) செல்லில் பாதை செயலில் உள்ளது என்பதற்கான சோதனை ஆதாரம்
- C) பாதை மரபணுக்கள் எதிர்பார்த்ததை விட அதிகமாகப் பிரதிநிதித்துவம் செய்யப்படுகின்றன என்பதைக் குறிக்கும் புள்ளியியல் சமிக்ஞையாகும்; விமர்சன விளக்கம் தேவை, காரணமல்ல ✔
- D) இது சொந்தமாக போதுமான முடிவு, பின்னணி மற்றும் பல சோதனை திருத்தம் ஆகியவற்றிலிருந்து சுயாதீனமாக உள்ளது
விளக்கம்: செறிவூட்டல் என்பது ஒரு புள்ளியியல் சமிக்ஞையாகும், இது ஒரு குறிப்பிட்ட பாதையின் வெளிப்பாடு மாறும் மரபணுக்களில் அதிகமாகப் பிரதிநிதித்துவம் செய்யப்படுகிறது என்பதைக் குறிக்கிறது; இது காரணத்திற்கான ஆதாரம் அல்லது பாதை உண்மையில் செயலில் உள்ளது என்பதற்கான ஆதாரம் அல்ல. முடிவுரை; பயன்படுத்தப்படும் மரபணு தொகுப்பு பின்னணி தேர்வு மற்றும் பல சோதனை திருத்தம் மற்றும் உயிரியல் நம்பகத்தன்மையுடன் விமர்சன ரீதியாக விளக்கப்பட வேண்டும்.
11. இலக்கியச் சுருக்கத்தைக் கொடுக்கும்போது, AI உண்மையானதாகத் தோன்றும் ஆனால் இல்லாத ஒரு கட்டுரையை மேற்கோள் காட்டலாம் (போலி மேற்கோள்). சரியான அணுகுமுறை என்ன?
- A) ஆசிரியர் மற்றும் பத்திரிகையின் பெயர் யதார்த்தமாக இருந்தால், மேற்கோள் ஒருவேளை சரியாக இருக்கலாம், சரிபார்ப்பு தேவையற்றது
- B) DOI/PubMed மூலம் முதன்மை மூலத்தில் உள்ள ஒவ்வொரு மேற்கோளையும் சரிபார்க்கவும்; ✔ கண்டுபிடிக்க முடியாததை பயன்படுத்தாமல் இருப்பது
- சி) செயற்கை நுண்ணறிவு பண்புக்கூறை உருவாக்காது; இவருடைய குறிப்புகளை நேரடியாக நூலியலில் சேர்க்கலாம்
- D) பல மேற்கோள்கள் இருந்தால், அவற்றில் சில தவறாக இருந்தால் பிரச்சனை இல்லை.
விளக்கம்: AI ஆனது ஒரு உண்மையான இதழில் நிஜமாக ஒலிக்கும் ஆசிரியர் பெயர்களுடன் முற்றிலும் தயாரிக்கப்பட்ட கட்டுரையை (மற்றும் போலி DOI) உருவாக்க முடியும். ஒவ்வொரு மேற்கோளும் தனிப்பட்ட முறையில் DOI/PubMed மூலம் முதன்மை மூலத்தில் சரிபார்க்கப்பட வேண்டும்; கண்டுபிடிக்க முடியாத குறிப்புகளைப் பயன்படுத்தக் கூடாது. அறிவியல் பொறுப்பு ஆசிரியருக்குரியது; சரிபார்க்கப்படாத குறிப்புகள் எதுவும் உரையை உள்ளிடக்கூடாது.
12. AI-உருவாக்கப்பட்ட மருத்துவ மரபியல் அறிக்கையை உருவாக்குவது தொடர்பான மிகவும் துல்லியமான கொள்கை என்ன?
- A) வரைவு சரளமாக இருந்தால், அதை நேரடியாக நோயாளிக்கு கொடுக்கலாம்
- B) AI ஆதாரங்களையும் உருவாக்குவதால், தனி ஆதார சரிபார்ப்பு தேவையில்லை
- சி) அறிக்கையில் உள்ள நோய்க்கிருமித்தன்மை முடிவை செயற்கை நுண்ணறிவுக்கு விட்டுவிடலாம், நிபுணர் வடிவமைப்பை மட்டுமே சரிபார்க்கிறார்
- D) ஒவ்வொரு மருத்துவ உரிமைகோரலும் உறுதிப்படுத்தப்பட வேண்டும், இறுதி அறிக்கை தகுதிவாய்ந்த நிபுணரால் அங்கீகரிக்கப்பட வேண்டும், மேலும் சரிபார்ப்பு சங்கிலி ஆவணப்படுத்தப்பட வேண்டும் ✔
விளக்கம்: செயற்கை நுண்ணறிவு அறிக்கை வரைவுகள் மற்றும் சுருக்கங்களை தயாரிப்பதில் நேரத்தை மிச்சப்படுத்துகிறது; இருப்பினும், ஒவ்வொரு மருத்துவ உரிமைகோரலும் ஆதாரங்கள் மற்றும் முதன்மை ஆதாரங்களுடன் இணைக்கப்பட வேண்டும், மேலும் இறுதி அறிக்கை அங்கீகரிக்கப்பட்ட நிபுணரால் அங்கீகரிக்கப்பட வேண்டும். AI வெளியீட்டை நேரடியாக நோயாளியின் முடிவாக மொழிபெயர்க்க முடியாது; சரிபார்ப்பு சங்கிலி ஆவணப்படுத்தப்பட வேண்டும்.
13. AI இன் வெளியீடு மிகவும் திரவமாகவும் 'நம்பிக்கையாகவும்' இருந்தால் என்ன அர்த்தம்?
- A) நம்பிக்கையான தொனி துல்லியத்திற்கான ஆதாரம் அல்ல; சரிபார்ப்பு தேவை அதிகரிக்கிறது, குறையவில்லை ✔
- B) ஒரு சரளமான மற்றும் தீர்க்கமான பதில் பெரும்பாலும் உண்மை, உறுதிப்படுத்தல் தேவையற்றது
- C) நம்பிக்கையான தொனியானது, மாடல் நினைவகத்திலிருந்து நேரடியாக தரவைப் படிப்பதைக் குறிக்கிறது
- D) தொனி என்பது நம்பிக்கையின் அளவுகோலாகும், ஏனெனில் தயக்கமான பதில்கள் தவறானவை மற்றும் நம்பிக்கையான பதில்கள் சரியானவை.
விளக்கம்: AI இன் நம்பிக்கையான தொனி துல்லியத்திற்கான ஆதாரம் அல்ல; மிகவும் ஆபத்தான பிரமைகள் மிகவும் சரளமான மற்றும் உறுதியான வாக்கியங்களுடன் வருகின்றன. நம்பிக்கையான தொனியைக் காணும்போது, சரிபார்ப்புக்கான தேவை அதிகரிக்கிறது, குறையாது. ஒவ்வொரு உண்மையும் (வரிசை, மாறுபாடு, மரபணு, குறிப்பு) ஒரு சுயாதீனமான முதன்மை மூலத்துடன் குறுக்கு சரிபார்க்கப்பட வேண்டும்.
14. நோயாளியின் மரபணு தரவுகளை பொதுவில் கிடைக்கும் AI கருவிக்கு பகுப்பாய்வு செய்வதற்காக வழங்குவதற்கு முன் மிக முக்கியமான தனியுரிமை முன்னெச்சரிக்கை என்ன?
- A) தரவு அடிப்படை64 இல் குறியாக்கம் செய்யப்பட்டிருந்தால், அதை பாதுகாப்பாக ஒட்டலாம்
- B) நோயாளியின் பெயர் மட்டும் நீக்கப்பட்டால், எந்த நடவடிக்கையும் தேவையில்லை
- C) தனிப்பட்ட முறையில் அடையாளம் காணக்கூடிய தரவை வழங்கவில்லை; அநாமதேயமாக்கல், தரவு குறைத்தல் மற்றும் ஒப்புதல்/சட்ட கட்டமைப்பை கடைபிடித்தல் ✔
- D) தனிப்பட்ட தரவுகளாக கருதப்படாததால், மரபணு தரவுகளை சுதந்திரமாக பகிர முடியும்.
விளக்கம்: மரபியல் தரவு என்பது தனிப்பட்ட தரவுகளின் ஒரு சிறப்பு வகை மற்றும் ஒரு தனிநபரை அரிதான வகைகளின் சேர்க்கைகள் மூலம் மீண்டும் அடையாளம் காண முடியும். அடையாளம் காணக்கூடிய மரபணு தரவு ஒருபோதும் திறந்த கருவிகளுக்கு வழங்கப்படாது; தரவு அநாமதேயமாக்கப்பட வேண்டும், குறைந்தபட்ச தேவையான தகவல்கள் மட்டுமே பகிரப்பட வேண்டும் (தரவு குறைத்தல்) மற்றும் ஒப்புதல்/சட்ட கட்டமைப்பை (KVKK/GDPR) கவனிக்க வேண்டும்.