Η τεχνητή νοημοσύνη μπορεί να αποτελέσει ένα ισχυρό υποκατάστατο δάσκαλο για την επόμενη γενιά φοιτητών ιατρικής

Η τεχνητή νοημοσύνη μπορεί να αποτελέσει ένα ισχυρό υποκατάστατο δάσκαλο για την επόμενη γενιά φοιτητών ιατρικής

Με μια ολοένα και πιο έντονη έλλειψη χειρουργών, η τεχνητή νοημοσύνη θα μπορούσε να συμβάλει στην κάλυψη αυτού του κενού, καθοδηγώντας τους φοιτητές ιατρικής να εξασκούν χειρουργικές τεχνικές.

Ένα νέο εργαλείο που βασίζεται σε βίντεο έμπειρων χειρουργών στην εργασία προσφέρει στους μαθητές εξατομικευμένες συμβουλές σε πραγματικό χρόνο καθώς εξασκούν τη ραφή. Τα αρχικά πειράματα δείχνουν ότι η τεχνητή νοημοσύνη μπορεί να είναι ένας ισχυρός υποκατάστατος δάσκαλος για πιο έμπειρους μαθητές.

"Βρισκόμαστε σε μια κρίσιμη στιγμή. Η έλλειψη παρόχων επιδεινώνεται και πρέπει να βρούμε νέους τρόπους για να παρέχουμε περισσότερες και καλύτερες ευκαιρίες για εξάσκηση. Αυτή τη στιγμή, ένας θεράπων χειρουργός, ο οποίος έχει ήδη περιορισμένο χρόνο, πρέπει να έρθει και να παρακολουθήσει τους μαθητές να εξασκούνται, να τους αξιολογήσει και να τους δώσει λεπτομερή ανατροφοδότηση - αυτό απλά δεν είναι κλιμακωτό", δήλωσε ο κύριος συγγραφέας Mathias Unberath, ειδικός στην ανθρώπινη ιατρική που εστιάζει στο AI. «Το επόμενο καλύτερο πράγμα μπορεί να είναι η εξηγήσιμη τεχνητή νοημοσύνη μας που δείχνει στους μαθητές πώς διαφέρει η δουλειά τους από τη δουλειά έμπειρων χειρουργών».

Η πρωτοποριακή τεχνολογία που αναπτύχθηκε στο Πανεπιστήμιο Johns Hopkins παρουσιάστηκε πρόσφατα και αναγνωρίστηκε στο Διεθνές Συνέδριο για τον Υπολογισμό Ιατρικής Εικόνας και την Παρέμβαση με τη βοήθεια υπολογιστή.

Επί του παρόντος, πολλοί φοιτητές ιατρικής παρακολουθούν βίντεο με ειδικούς που κάνουν χειρουργικές επεμβάσεις και προσπαθούν να μιμηθούν αυτό που βλέπουν. Υπάρχουν ακόμη και υπάρχοντα μοντέλα τεχνητής νοημοσύνης που αξιολογούν τους μαθητές, αλλά ο Unberath λέει ότι υστερούν επειδή δεν λένε στους μαθητές τι κάνουν σωστά ή λάθος.

«Αυτά τα μοντέλα μπορούν να σας πουν εάν έχετε υψηλή ή χαμηλή ικανότητα, αλλά δυσκολεύονται να σας πουν γιατί», είπε. «Αν θέλουμε να επιτρέψουμε την ουσιαστική αυτοεκπαίδευση, πρέπει να βοηθήσουμε τους μαθητές να κατανοήσουν σε τι πρέπει να επικεντρωθούν και γιατί».

Το μοντέλο της ομάδας περιλαμβάνει τη λεγόμενη «εξηγήσιμη τεχνητή νοημοσύνη», μια προσέγγιση τεχνητής νοημοσύνης που - σε αυτό το παράδειγμα - αξιολογεί πόσο καλά ένας μαθητής κλείνει μια πληγή και στη συνέχεια του λέει ακριβώς πώς μπορεί να βελτιωθεί.

Η ομάδα εκπαίδευσε το μοντέλο της παρακολουθώντας τις κινήσεις των χεριών έμπειρων χειρουργών καθώς έκλεισαν τις τομές. Όταν οι μαθητές επιχειρούν την ίδια εργασία, η τεχνητή νοημοσύνη τους στέλνει αμέσως μηνύματα για να τους ενημερώσει πώς τα κατάφεραν σε σύγκριση με έναν ειδικό και πώς μπορούν να βελτιώσουν την τεχνική τους.

Οι μαθητές θέλουν κάποιος να τους πει αντικειμενικά πώς το έκαναν. Μπορούμε να υπολογίσουμε την απόδοσή τους πριν και μετά τη διαδικασία και να δούμε αν προσεγγίζουν την πρακτική των ειδικών».

Catalina Gomez, επικεφαλής συγγραφέας, φοιτήτρια διδάκτορα στην επιστήμη των υπολογιστών στο Πανεπιστήμιο Johns Hopkins

Η ομάδα πραγματοποίησε μια πρώτη στο είδος της μελέτη για να διαπιστώσει εάν οι μαθητές μαθαίνουν καλύτερα μέσω της τεχνητής νοημοσύνης ή παρακολουθώντας βίντεο. Ανέταξαν τυχαία δώδεκα φοιτητές ιατρικής με εμπειρία στη ραφή χρησιμοποιώντας μία από τις δύο μεθόδους.

Όλοι οι συμμετέχοντες εξασκήθηκαν στο κλείσιμο μιας τομής με ράμματα. Μερικοί έλαβαν άμεσα σχόλια τεχνητής νοημοσύνης, ενώ άλλοι προσπάθησαν να συγκρίνουν τη δουλειά τους με έναν χειρουργό σε ένα βίντεο. Μετά όλοι προσπάθησαν να ράψουν ξανά.

Σε σύγκριση με τους μαθητές που παρακολούθησαν βίντεο, ορισμένοι μαθητές που εκπαιδεύτηκαν σε τεχνητή νοημοσύνη έμαθαν πολύ πιο γρήγορα με περισσότερη εμπειρία.

«Για μερικούς ανθρώπους, η ανατροφοδότηση της τεχνητής νοημοσύνης έχει μεγάλη επίδραση», είπε ο Unberath. «Οι αρχάριοι εξακολουθούσαν να αντιμετωπίζουν δυσκολίες με το έργο, αλλά οι μαθητές με ισχυρές χειρουργικές γνώσεις που βρίσκονται στο σημείο όπου μπορούν να εφαρμόσουν τις συμβουλές είχαν μεγάλο αντίκτυπο».

Στη συνέχεια, η ομάδα σχεδιάζει να βελτιώσει το μοντέλο για να το κάνει πιο εύκολο στη χρήση. Ελπίζουν να δημιουργήσουν τελικά μια έκδοση που θα μπορούν να χρησιμοποιούν οι μαθητές στο σπίτι.

«Θέλουμε να παρέχουμε τεχνολογία όρασης υπολογιστή και τεχνητής νοημοσύνης που επιτρέπει σε κάποιον να εξασκείται από την άνεση του σπιτιού του με ένα κιτ ραπτικής και ένα smartphone», δήλωσε ο Unberath. "Αυτό θα μας βοηθήσει να επεκτείνουμε την εκπαίδευση στον ιατρικό τομέα. Το θέμα είναι πώς μπορούμε να χρησιμοποιήσουμε αυτήν την τεχνολογία για να λύσουμε προβλήματα."

Οι συγγραφείς περιλαμβάνουν τους Lalithkumar Seenivasan, Xinrui Zou; Jeewoo Yoon; Sirui Chu; Ariel Leon; Πάτρικ Κράμερ; Yu Chun Ku; Jose L. Porras; και ο Masaru Ishii, όλοι από το Johns Hopkins, και ο Alejandro Martin-Gomez από το Πανεπιστήμιο του Αρκάνσας.

Πηγές: