AI kan være en stærk erstatningslærer for den næste generation af medicinstuderende

AI kan være en stærk erstatningslærer for den næste generation af medicinstuderende

Med en stadig mere akut mangel på kirurger kan kunstig intelligens hjælpe med at udfylde dette hul ved at coache medicinstuderende til at praktisere kirurgiske teknikker.

Et nyt værktøj baseret på videoer af erfarne kirurger på arbejde tilbyder eleverne personlig rådgivning i realtid, mens de øver sig i at suturere. Indledende eksperimenter tyder på, at kunstig intelligens kan være en stærk erstatningslærer for mere erfarne elever.

"Vi befinder os i et afgørende tidspunkt. Manglen på udbydere bliver værre, og vi er nødt til at finde nye måder at give flere og bedre muligheder for praksis. Lige nu skal en behandlende kirurg, som allerede har kort tid, komme ind og se eleverne øve sig, evaluere dem og give dem detaljeret feedback - det er simpelthen ikke skalerbart," siger hovedforfatter Mathias Unberath, der har fokus på human medicin, som er en ekspert i human medicin, der har fokus på human medicin. AI. "Det næstbedste kan være vores forklarlige AI, der viser eleverne, hvordan deres arbejde adskiller sig fra arbejdet hos erfarne kirurger."

Den banebrydende teknologi, der er udviklet på Johns Hopkins University, blev for nylig præsenteret og anerkendt på den internationale konference om medicinsk billedberegning og computerassisteret intervention.

I øjeblikket ser mange medicinstuderende videoer af eksperter, der udfører operationer, og forsøger at efterligne, hvad de ser. Der er endda eksisterende AI-modeller, der evaluerer elever, men Unberath siger, at de kommer til kort, fordi de ikke fortæller eleverne, hvad de gør rigtigt eller forkert.

"Disse modeller kan fortælle dig, om du har høj eller lav evne, men de har svært ved at fortælle dig hvorfor," sagde han. "Hvis vi ønsker at muliggøre meningsfuld selvtræning, er vi nødt til at hjælpe eleverne med at forstå, hvad de skal fokusere på og hvorfor."

Holdets model involverer såkaldt "forklarlig AI", en AI-tilgang, der - i dette eksempel - vurderer, hvor godt en elev lukker et sår og derefter fortæller dem præcis, hvordan de kan forbedre sig.

Holdet trænede deres model ved at spore erfarne kirurgers håndbevægelser, mens de lukkede snit. Når eleverne prøver den samme opgave, sender AI’en dem med det samme for at fortælle dem, hvordan de klarede sig sammenlignet med en ekspert, og hvordan de kan forfine deres teknik.

Eleverne ønsker, at nogen objektivt fortæller dem, hvordan de gjorde det. Vi kan beregne deres præstationer før og efter proceduren og se, om de nærmer sig ekspertpraksis.”

Catalina Gomez, hovedforfatter, ph.d.-studerende i datalogi ved Johns Hopkins University

Holdet gennemførte en første af sin slags undersøgelse for at finde ud af, om eleverne lærer bedre gennem AI eller ved at se videoer. De tilfældigt tildelte tolv medicinstuderende med erfaring i at suturere ved hjælp af en af ​​de to metoder.

Alle deltagere øvede sig i at lukke et snit med suturer. Nogle modtog øjeblikkelig AI-feedback, mens andre forsøgte at sammenligne deres arbejde med en kirurg i en video. Så forsøgte alle at sy igen.

Sammenlignet med elever, der så videoer, lærte nogle AI-trænede elever meget hurtigere med mere erfaring.

"For nogle mennesker har AI-feedback en stor effekt," sagde Unberath. "Begyndere havde stadig svært ved opgaven, men studerende med solid kirurgisk viden, som er på det punkt, hvor de kan implementere rådene, havde stor indflydelse."

Dernæst planlægger teamet at forfine modellen for at gøre den nemmere at bruge. De håber på sigt at skabe en version, som eleverne kan bruge derhjemme.

"Vi ønsker at levere computersyn og AI-teknologi, der giver nogen mulighed for at øve sig hjemmefra med et sysæt og en smartphone," sagde Unberath. "Dette vil hjælpe os med at udvide uddannelsen inden for det medicinske område. Det handler i virkeligheden om, hvordan vi kan bruge denne teknologi til at løse problemer."

Forfattere omfatter Lalithkumar Seenivasan, Xinrui Zou; Jeewoo Yoon; Sirui Chu; Ariel Leon; Patrick Kramer; Yu Chun Ku; Jose L. Porras; og Masaru Ishii, alle fra Johns Hopkins, og Alejandro Martin-Gomez fra University of Arkansas.

Kilder: