AI kan være en kraftig erstatningslærer for neste generasjon medisinstudenter

AI kan være en kraftig erstatningslærer for neste generasjon medisinstudenter

Med en stadig mer akutt mangel på kirurger, kan kunstig intelligens bidra til å fylle dette gapet ved å coache medisinstudenter til å praktisere kirurgiske teknikker.

Et nytt verktøy basert på videoer av erfarne kirurger på jobb gir studentene personlige råd i sanntid mens de øver på suturering. Innledende eksperimenter tyder på at AI kan være en kraftig erstatningslærer for mer erfarne elever.

"Vi er i en avgjørende tid. Mangelen på tilbydere blir verre og vi må finne nye måter å gi flere og bedre muligheter for praksis. Akkurat nå må en behandlende kirurg, som allerede har kort tid, komme inn og se studenter øve, evaluere dem og gi dem detaljerte tilbakemeldinger - det er rett og slett ikke skalerbart," sa hovedforfatter Mathias Unberath, en ekspert på hvordan interesert med medisiner. AI. "Det nest beste kan være vår forklarbare AI som viser elevene hvordan arbeidet deres skiller seg fra arbeidet til erfarne kirurger."

Den banebrytende teknologien utviklet ved Johns Hopkins University ble nylig presentert og anerkjent på den internasjonale konferansen om medisinsk bildeberegning og datamaskinassistert intervensjon.

For tiden ser mange medisinstudenter på videoer av eksperter som utfører operasjoner og prøver å etterligne det de ser. Det finnes til og med eksisterende AI-modeller som evaluerer studenter, men Unberath sier at de kommer til kort fordi de ikke forteller elevene hva de gjør rett eller galt.

"Disse modellene kan fortelle deg om du har høy eller lav evne, men de har problemer med å fortelle deg hvorfor," sa han. "Hvis vi ønsker å muliggjøre meningsfull egentrening, må vi hjelpe elevene å forstå hva de trenger å fokusere på og hvorfor."

Teamets modell involverer såkalt «explainable AI», en AI-tilnærming som – i dette eksemplet – vurderer hvor godt en elev lukker et sår og deretter forteller dem nøyaktig hvordan de kan forbedre seg.

Teamet trente modellen sin ved å spore håndbevegelsene til erfarne kirurger mens de lukket snitt. Når elevene prøver den samme oppgaven, sender AI umiddelbart tekstmeldinger til dem for å fortelle dem hvordan de gjorde det sammenlignet med en ekspert og hvordan de kan avgrense teknikken sin.

Elevene vil at noen objektivt skal fortelle dem hvordan de gjorde det. Vi kan beregne ytelsen deres før og etter prosedyren og se om de nærmer seg ekspertpraksis.»

Catalina Gomez, hovedforfatter, doktorgradsstudent i informatikk ved Johns Hopkins University

Teamet gjennomførte en første i sitt slag studie for å finne ut om studenter lærer bedre gjennom AI eller ved å se videoer. De tilfeldig tildelte tolv medisinstudenter med erfaring i suturering ved hjelp av en av de to metodene.

Alle deltakerne øvde på å lukke et snitt med suturer. Noen fikk umiddelbar AI-tilbakemelding, mens andre prøvde å sammenligne arbeidet med en kirurg i en video. Så prøvde alle å sy igjen.

Sammenlignet med studenter som så på videoer, lærte noen AI-trente elever mye raskere med mer erfaring.

"For noen mennesker har AI-tilbakemeldinger en stor effekt," sa Unberath. "Nybegynnere hadde fortsatt problemer med oppgaven, men studenter med solid kirurgisk kunnskap som er på det punktet hvor de kan implementere rådene, hadde stor innvirkning."

Deretter planlegger teamet å avgrense modellen for å gjøre den enklere å bruke. De håper på sikt å lage en versjon som elevene kan bruke hjemme.

"Vi ønsker å tilby datasyn og AI-teknologi som lar noen øve fra komforten av sitt eget hjem med et sysett og en smarttelefon," sa Unberath. "Dette vil hjelpe oss å utvide utdanningen innen det medisinske feltet. Det handler egentlig om hvordan vi kan bruke denne teknologien til å løse problemer."

Forfattere inkluderer 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: