Kan en hjärnskanning vara det bästa sättet att berätta för en förstklassig kirurg? Ungefär. Forskare vid Rensselaer Polytechnic Institute och University at Buffalo har utvecklat Brain-NET, ett djupinlärning A.I. verktyg som exakt kan förutsäga en kirurgs certifieringsresultat baserat på deras neuroavbildningsdata.
Denna certifieringspoäng, känd som Fundamentals of Laparoscopic Surgery-programmet (FLS), beräknas för närvarande manuellt med hjälp av en formel som är extremt tid- och arbetskrävande. Tanken bakom det är att ge en objektiv bedömning av kirurgiska färdigheter och därigenom visa effektiv träning.
Rekommenderade videor
"The Fundamental of Laparoscopic Surgery-programmet har antagits nationellt för kirurgiska invånare, stipendiater och praktiserande läkare att lära sig och träna laparoskopiska färdigheter för att få möjlighet att definitivt mäta och dokumentera dessa Kompetens," Xavier Intes, en professor i biomedicinsk teknik vid Rensselaer, berättade för Digital Trends. "En nyckelaspekt av ett sådant [ett] program är ett poängmått som beräknas baserat på tidpunkten för den kirurgiska uppgiftens utförande, såväl som feluppskattning."
Teamet av forskare i detta projekt ville se om de kunde förutsäga FLS-poängen hos kirurger genom att använda optisk hjärnavbildning. Tack vare ett samtidigt neuralt nätverk visade de att de kunde göra detta med en hög nivå av noggrannhet. Detta arbete är baserat på tidigare forskning där funktionell nära-infraröd spektroskopi (fNIRS) visat sig vara effektivt för att klassificera olika typer av motoriska uppgifter, vilket ger ett potentiellt sätt att utföra manuella färdigheter nivå. I det senaste projektet använde forskarna samma fNIRS-data för att förutsäga de slutliga prestationsresultaten som används vid kirurgisk certifiering.
"Dessa resultat är ett språngbräde mot att utnyttja neuroimaging och djupinlärning för neurofeedback för att förbättra förvärvande av kirurgisk färdighet, retention och certifieringsprocessen." Intes fortsatte. "Fördelen med dessa tillvägagångssätt är att de bör möjliggöra ett mer personligt träningsprogram med feedback vid sängkanten för optimal färdighetsförvärv. Nuvarande tillvägagångssätt fokuserar enskilt på uppgiftsupprepning utan potential för snabb och objektiv feedback."
Detta arbete är en del av ett kontinuerligt arbete för att förbättra sättet att lära ut och bedöma kirurgiska färdigheter. På egen hand kommer denna senaste forskning inte att förändra det i grunden. Men framöver kan det lägga grunden för nya sätt att förbättra utförandet av kirurgiska uppgifter - och personliga metoder för träning - genom att använda neuroimaging bedömning.
"Vi använder för närvarande FLS-poängen som ett sätt att bedöma kirurgiska färdigheter," sa Intes. "Vi hoppas att vi med ytterligare studier kommer att kunna gå bortom detta mått och upptäcka [a] ny uppsättning neurobiomarkörer som kommer att ge finare insikter om kirurgisk färdighetsinlärning och avrättning."
En artikel som beskriver forskningen finns tillgänglig för läst i tidskriften IEEE Transactions on Biomedical Engineering.
Redaktörens rekommendationer
- Du kan äntligen flytta dina WhatsApp-chattar från Android till iOS
- Din iPhone kan nu guida dig till dina förlorade AirPods Pro
- Hur Nintendo kunde använda A.I. för att få 4K-spel till Switch Pro
- Smart ny A.I. systemet lovar att träna din hund när du är borta från hemmet
- Forskare frågade A.I. att analysera fossilregistret. Detta är vad den hittade
Uppgradera din livsstilDigitala trender hjälper läsare att hålla koll på den snabba teknikvärlden med alla de senaste nyheterna, roliga produktrecensioner, insiktsfulla redaktioner och unika smygtittar.
