AI gali būti galingas naujos kartos medicinos studentų pakaitalas

AI gali būti galingas naujos kartos medicinos studentų pakaitalas

Vis labiau trūkstant chirurgų, dirbtinis intelektas galėtų padėti užpildyti šią spragą, mokydamas medicinos studentus praktikuoti chirurginius metodus.

Naujas įrankis, pagrįstas patyrusių chirurgų darbo vaizdo įrašais, siūlo studentams asmeninius patarimus realiuoju laiku, kai jie praktikuojasi siuvimo pratimus. Pradiniai eksperimentai rodo, kad dirbtinis intelektas gali būti galingas mokytojo pakaitalas labiau patyrusiems studentams.

"Atėjome labai svarbiu metu. Teikėjų trūkumas didėja ir turime ieškoti naujų būdų, kaip suteikti daugiau ir geresnių galimybių praktikuotis. Šiuo metu gydantis chirurgas, kuriam ir taip trūksta laiko, turi ateiti ir stebėti studentų praktiką, įvertinti juos ir pateikti jiems išsamų grįžtamąjį ryšį – tai tiesiog nėra keičiama", - sakė pagrindinis autorius Mathiasas Unberathas, dirbtinio intelekto medicinos ekspertas, bendradarbiaujantis su AI. „Kitas geriausias dalykas gali būti mūsų paaiškinamas AI, parodantis studentams, kuo jų darbas skiriasi nuo patyrusių chirurgų darbo.

Johnso Hopkinso universitete sukurta novatoriška technologija neseniai buvo pristatyta ir pripažinta tarptautinėje medicinos vaizdo skaičiavimo ir kompiuterinės intervencijos konferencijoje.

Šiuo metu daugelis medicinos studentų žiūri vaizdo įrašus, kuriuose ekspertai atlieka operacijas, ir bando imituoti tai, ką mato. Yra net egzistuojantys AI modeliai, kuriuose vertinami studentai, tačiau Unberath teigia, kad jiems nepavyksta, nes jie nepasako studentams, ką jie daro gerai ar neteisingai.

„Šie modeliai gali pasakyti, ar turite aukštus ar žemus gebėjimus, tačiau jiems sunku pasakyti, kodėl“, - sakė jis. „Jei norime įgalinti prasmingą savarankišką mokymąsi, turime padėti besimokantiesiems suprasti, į ką jie turi sutelkti dėmesį ir kodėl.

Komandos modelis apima vadinamąjį „paaiškinamą AI“ – AI metodą, kuris šiame pavyzdyje įvertina, kaip gerai mokinys uždaro žaizdą, o tada tiksliai pasako, kaip gali tobulėti.

Komanda apmokė savo modelį, stebėdama patyrusių chirurgų rankų judesius, kai jie uždarė pjūvius. Kai mokiniai bando atlikti tą pačią užduotį, dirbtinis intelektas nedelsdamas išsiunčia jiems žinutes, kad sužinotų, kaip jiems sekėsi, palyginti su ekspertu, ir kaip jie gali patobulinti savo techniką.

Besimokantieji nori, kad kas nors objektyviai pasakytų, kaip jie tai padarė. Galime apskaičiuoti jų veiklą prieš ir po procedūros ir pamatyti, ar jie artėja prie ekspertų praktikos.

Catalina Gomez, pagrindinė autorė, Johnso Hopkinso universiteto kompiuterių mokslų doktorantė

Komanda atliko pirmąjį tokio pobūdžio tyrimą, siekdama išsiaiškinti, ar mokiniai geriau mokosi naudodamiesi dirbtiniu intelektu, ar žiūrėdami vaizdo įrašus. Jie atsitiktine tvarka paskyrė dvylika medicinos studentų, turinčių siuvimo patirties naudojant vieną iš dviejų metodų.

Visi dalyviai praktikavo pjūvio uždarymą siūlais. Kai kurie gavo tiesioginį AI atsiliepimą, o kiti bandė palyginti savo darbą su chirurgo darbu vaizdo įraše. Tada visi vėl bandė siūti.

Palyginti su mokiniais, kurie žiūrėjo vaizdo įrašus, kai kurie dirbtinio intelekto mokyti studentai išmoko daug greičiau, turėdami daugiau patirties.

„Kai kuriems žmonėms AI grįžtamasis ryšys turi didelį poveikį“, - sakė Unberath. „Pradedantiesiems vis dar buvo sunku atlikti šią užduotį, tačiau didelę įtaką turėjo studentai, turintys tvirtų chirurginių žinių, kurie jau gali įgyvendinti patarimus.

Tada komanda planuoja patobulinti modelį, kad jį būtų lengviau naudoti. Jie tikisi galiausiai sukurti versiją, kurią mokiniai galės naudoti namuose.

„Norime pateikti kompiuterinio matymo ir dirbtinio intelekto technologiją, kuri leistų kam nors patogiai treniruotis namuose su siuvimo rinkiniu ir išmaniuoju telefonu“, – sakė Unberathas. "Tai padės mums išplėsti išsilavinimą medicinos srityje. Tai tikrai apie tai, kaip mes galime naudoti šią technologiją problemoms spręsti."

Tarp autorių yra Lalithkumar Seenivasan, Xinrui Zou; Jeewoo Yoon; Sirui Chu; Arielis Leonas; Patrickas Krameris; Yu Chun Ku; Jose L. Porras; ir Masaru Ishii, visi iš Johnso Hopkinso, ir Alejandro Martin-Gomez iš Arkanzaso universiteto.

Šaltiniai: