AI može biti moćan zamjenski učitelj za sljedeću generaciju studenata medicine

AI može biti moćan zamjenski učitelj za sljedeću generaciju studenata medicine

Uz sve veći nedostatak kirurga, umjetna inteligencija bi mogla pomoći popuniti ovu prazninu obučavanjem studenata medicine da prakticiraju kirurške tehnike.

Novi alat temeljen na videozapisima iskusnih kirurga na poslu nudi studentima personalizirane savjete u stvarnom vremenu dok vježbaju šivanje. Početni eksperimenti sugeriraju da umjetna inteligencija može biti moćan zamjenski učitelj za iskusnije učenike.

"U ključnom smo trenutku. Nedostatak pružatelja usluga postaje sve veći i moramo pronaći nove načine da pružimo više i bolje prilike za praksu. Upravo sada, liječnik koji liječi kirurg, koji ionako nema dovoljno vremena, mora doći i gledati studente kako vježbaju, ocjenjivati ​​ih i dati im detaljne povratne informacije - to jednostavno nije skalabilno", rekao je glavni autor Mathias Unberath, stručnjak za medicinu potpomognutu umjetnom inteligencijom koji se fokusira na način na koji ljudi komuniciraju s umjetnom inteligencijom. "Sljedeća najbolja stvar mogla bi biti naša objašnjiva umjetna inteligencija koja studentima pokazuje kako se njihov rad razlikuje od rada iskusnih kirurga."

Revolucionarna tehnologija razvijena na Sveučilištu Johns Hopkins nedavno je predstavljena i prepoznata na Međunarodnoj konferenciji o računalstvu medicinske slike i računalno potpomognutoj intervenciji.

Trenutno mnogi studenti medicine gledaju video snimke stručnjaka koji izvode operacije i pokušavaju oponašati ono što vide. Postoje čak i postojeći modeli umjetne inteligencije koji ocjenjuju učenike, ali Unberath kaže da ne uspijevaju jer učenicima ne govore što rade dobro ili krivo.

"Ovi vam modeli mogu reći imate li visoke ili niske sposobnosti, ali teško vam mogu reći zašto", rekao je. "Ako želimo omogućiti smislenu samoobuku, moramo pomoći učenicima da razumiju na što se trebaju usredotočiti i zašto."

Model tima uključuje takozvanu "objašnjivu umjetnu inteligenciju", pristup umjetne inteligencije koji - u ovom primjeru - procjenjuje koliko dobro učenik zatvara ranu i zatim im govori kako se točno mogu poboljšati.

Tim je trenirao svoj model prateći pokrete ruku iskusnih kirurga dok su zatvarali rezove. Kada učenici pokušaju izvršiti isti zadatak, AI im odmah šalje poruku kako bi ih obavijestio kako su prošli u usporedbi sa stručnjakom i kako mogu poboljšati svoju tehniku.

Učenici žele da im netko objektivno kaže kako su to učinili. Možemo izračunati njihov učinak prije i nakon zahvata i vidjeti približavaju li se stručnoj praksi.”

Catalina Gomez, glavna autorica, doktorandica računalnih znanosti na Sveučilištu Johns Hopkins

Tim je proveo prvu studiju te vrste kako bi otkrio uče li učenici bolje pomoću umjetne inteligencije ili gledajući videozapise. Nasumično su dodijelili dvanaest studenata medicine s iskustvom u šivanju pomoću jedne od dvije metode.

Svi sudionici vježbali su zatvaranje reza šavovima. Neki su odmah dobili povratne informacije AI-ja, dok su drugi pokušali usporediti svoj rad s kirurgom u videu. Zatim su svi ponovno pokušali šivati.

U usporedbi s učenicima koji su gledali videozapise, neki učenici obučeni umjetnom inteligencijom učili su mnogo brže s više iskustva.

“Za neke ljude povratne informacije umjetne inteligencije imaju veliki učinak”, rekao je Unberath. "Početnici su i dalje imali poteškoća sa zadatkom, ali studenti sa solidnim kirurškim znanjem koji su na točki u kojoj mogu primijeniti savjet imali su veliki učinak."

Zatim, tim planira poboljšati model kako bi ga učinio lakšim za korištenje. Nadaju se da će na kraju stvoriti verziju koju učenici mogu koristiti kod kuće.

"Želimo pružiti računalni vid i AI tehnologiju koja omogućuje nekome vježbanje iz udobnosti vlastitog doma s priborom za šivanje i pametnim telefonom", rekao je Unberath. "Ovo će nam pomoći da proširimo obrazovanje u području medicine. Stvarno se radi o tome kako ovu tehnologiju možemo koristiti za rješavanje problema."

Autori su Lalithkumar Seenivasan, Xinrui Zou; Jeewoo Yoon; Sirui Chu; Ariel Leon; Patrik Kramer; Yu Chun Ku; Jose L. Porras; i Masaru Ishii, svi sa Johns Hopkinsa, i Alejandro Martin-Gomez sa Sveučilišta Arkansas.

Izvori: