Kunne en hjernescanning være den bedste måde at fortælle det til en top-notch kirurg? Nå, sådan en. Forskere ved Rensselaer Polytechnic Institute og University at Buffalo har udviklet Brain-NET, et dyb læring A.I. værktøj, der nøjagtigt kan forudsige en kirurgs certificeringsscore baseret på deres neuroimaging-data.
Denne certificeringsscore, kendt som Fundamentals of Laparoscopic Surgery-programmet (FLS), beregnes i øjeblikket manuelt ved hjælp af en formel, der er ekstremt tids- og arbejdskrævende. Tanken bag det er at give en objektiv vurdering af kirurgiske færdigheder og derved demonstrere effektiv træning.
Anbefalede videoer
"The Fundamental of Laparoscopic Surgery-programmet er blevet vedtaget nationalt for kirurgiske beboere, stipendiater og praktiserende læger til at lære og praktisere laparoskopiske færdigheder for at have mulighed for definitivt at måle og dokumentere dem færdigheder," Xavier Intes, en professor i biomedicinsk teknik ved Rensselaer, fortalte Digital Trends. "Et nøgleaspekt ved et sådant [et] program er en scoringsmetrik, der beregnes baseret på tidspunktet for udførelsen af den kirurgiske opgave, såvel som fejlestimering."
Holdet af forskere på dette projekt ønskede at se, om de kunne forudsige FLS-score for kirurger ved at bruge optisk hjernebilleddannelse. Takket være et samtidig neuralt netværk demonstrerede de, at de var i stand til at gøre dette med en høj grad af nøjagtighed. Dette arbejde er baseret på tidligere forskning, hvor funktionel nær-infrarød spektroskopi (fNIRS) har vist sig at være effektiv til at klassificere forskellige motoriske opgavetyper og derved give et potentielt middel til manuel færdighedsudførelse niveau. I dette seneste projekt brugte forskerne de samme fNIRS-data til at forudsige ultimative præstationsscore, der blev brugt i kirurgisk certificering.
"Disse resultater er et springbræt i retning af at udnytte neuroimaging og dyb læring til neurofeedback for at forbedre erhvervelse af kirurgiske færdigheder, fastholdelse og certificeringsprocessen." Intes fortsatte. "Fordelen ved disse tilgange er, at de bør muliggøre en mere personlig træningsplan med feedback ved sengekanten for optimal tilegnelse af færdigheder. Nuværende tilgange fokuserer entydigt på opgavegentagelse uden potentiale for hurtig og objektiv feedback."
Dette arbejde er en del af en kontinuerlig indsats for at forbedre den måde, hvorpå kirurgiske færdigheder undervises og vurderes. I sig selv kommer dette seneste stykke forskning ikke til at ændre fundamentalt på det. Fremadrettet kan det imidlertid lægge grunden til nye måder at forbedre udførelsen af kirurgiske opgaver - og personlige tilgange til træning - ved at bruge neuroimaging vurdering.
"Vi bruger i øjeblikket FLS-scoren som middel til at vurdere kirurgiske færdigheder," sagde Intes. "Vi håber, at vi med yderligere undersøgelser også vil være i stand til at gå ud over denne metrik og opdage [a] nyt sæt neurobiomarkører, der vil give bedre indsigt i indlæring af kirurgiske færdigheder og udførelse."
Et papir, der beskriver forskningen er tilgængeligt for læst i tidsskriftet IEEE Transactions on Biomedical Engineering.
Redaktørens anbefalinger
- Du kan endelig flytte dine WhatsApp-chats fra Android til iOS
- Din iPhone kan nu guide dig til dine tabte AirPods Pro
- Hvordan Nintendo kunne bruge A.I. at bringe 4K-spil til Switch Pro
- Smart ny A.I. systemet lover at træne din hund, mens du er væk hjemmefra
- Forskere spurgte A.I. at analysere fossiloptegnelsen. Dette er hvad den fandt
Opgrader din livsstilDigital Trends hjælper læserne med at holde styr på den hurtige teknologiske verden med alle de seneste nyheder, sjove produktanmeldelser, indsigtsfulde redaktionelle artikler og enestående smugkig.
