Umetna inteligenca je lahko močan nadomestni učitelj za naslednjo generacijo študentov medicine

Umetna inteligenca je lahko močan nadomestni učitelj za naslednjo generacijo študentov medicine

Ob vse večjem pomanjkanju kirurgov bi lahko umetna inteligenca pomagala zapolniti to vrzel z usposabljanjem študentov medicine za vadbo kirurških tehnik.

Novo orodje, ki temelji na videoposnetkih izkušenih kirurgov pri delu, ponuja študentom prilagojene nasvete v realnem času, medtem ko vadijo šivanje. Začetni poskusi kažejo, da je umetna inteligenca lahko močan nadomestni učitelj za bolj izkušene učence.

"Smo v ključnem času. Pomanjkanje ponudnikov je vedno hujše in poiskati moramo nove načine za zagotavljanje več in boljših priložnosti za prakso. Trenutno mora lečeči kirurg, ki mu že tako primanjkuje časa, vstopiti in opazovati študente pri vadbi, jih oceniti in jim dati podrobne povratne informacije - tega preprosto ni mogoče razširiti," je povedal glavni avtor Mathias Unberath, strokovnjak za medicino s pomočjo umetne inteligence, ki se osredotoča na interakcijo ljudi z umetno inteligenco. "Naslednja najboljša stvar bi lahko bila naša razložljiva umetna inteligenca, ki študentom pokaže, kako se njihovo delo razlikuje od dela izkušenih kirurgov."

Revolucionarna tehnologija, razvita na univerzi Johns Hopkins, je bila nedavno predstavljena in priznana na mednarodni konferenci o računalniškem računalniškem zdravljenju s slikami in računalniško podprti intervenciji.

Trenutno veliko študentov medicine gleda videoposnetke strokovnjakov, ki izvajajo operacije, in poskušajo posnemati, kar vidijo. Obstajajo celo obstoječi modeli umetne inteligence, ki ocenjujejo učence, vendar Unberath pravi, da ne uspejo, ker učencem ne povedo, kaj delajo prav ali narobe.

"Ti modeli vam lahko povedo, ali imate visoke ali nizke sposobnosti, vendar vam težko povedo, zakaj," je dejal. "Če želimo omogočiti smiselno samousposabljanje, moramo učencem pomagati razumeti, na kaj se morajo osredotočiti in zakaj."

Model ekipe vključuje tako imenovano "razložljivo umetno inteligenco", pristop umetne inteligence, ki - v tem primeru - oceni, kako dobro študent zapre rano, in jim nato natančno pove, kako se lahko izboljšajo.

Ekipa je svoj model usposobila tako, da je sledila gibom rok izkušenih kirurgov med zapiranjem rezov. Ko učenci poskušajo opraviti isto nalogo, jim umetna inteligenca nemudoma pošlje sporočilo, da jim sporoči, kako so se odrezali v primerjavi s strokovnjakom in kako lahko izboljšajo svojo tehniko.

Učenci želijo, da jim nekdo objektivno pove, kako so to storili. Izračunamo lahko njihovo delovanje pred in po posegu ter ugotovimo, ali se približujejo strokovni praksi.«

Catalina Gomez, glavna avtorica, doktorska študentka računalništva na univerzi Johns Hopkins

Ekipa je izvedla prvo študijo te vrste, da bi ugotovila, ali se učenci bolje učijo z umetno inteligenco ali z gledanjem videoposnetkov. Naključno so dodelili dvanajst študentov medicine z izkušnjami pri šivanju z uporabo ene od obeh metod.

Vsi udeleženci so vadili zapiranje reza s šivi. Nekateri so takoj prejeli povratne informacije z umetno inteligenco, medtem ko so drugi poskušali svoje delo primerjati s kirurgom v videoposnetku. Potem so vsi spet poskusili šivati.

V primerjavi s študenti, ki so gledali videoposnetke, so se nekateri učenci, usposobljeni za AI, z več izkušnjami učili veliko hitreje.

"Za nekatere ljudi imajo povratne informacije AI velik učinek," je dejal Unberath. "Začetniki so imeli še vedno težave z nalogo, toda študenti s solidnim kirurškim znanjem, ki so na točki, ko lahko uresničijo nasvet, so imeli velik vpliv."

Nato ekipa namerava izboljšati model, da bo lažji za uporabo. Upajo, da bodo sčasoma ustvarili različico, ki jo bodo učenci lahko uporabljali doma.

"Želimo zagotoviti računalniški vid in tehnologijo umetne inteligence, ki nekomu omogoča vadbo iz udobja lastnega doma s šivalnim priborom in pametnim telefonom," je dejal Unberath. "To nam bo pomagalo razširiti izobraževanje na medicinskem področju. V resnici gre za to, kako lahko to tehnologijo uporabimo za reševanje težav."

Avtorji vključujejo Lalithkumar Seenivasan, Xinrui Zou; Jeewoo Yoon; Sirui Chu; Ariel Leon; Patrick Kramer; Ju Čun Ku; Jose L. Porras; in Masaru Ishii, vsi z Johns Hopkins, in Alejandro Martin-Gomez z Univerze v Arkansasu.

Viri: