Sviluppo di uno strumento interattivo basato sull'intelligenza artificiale per supportare la formazione dei tecnici di radiologia nell'analisi radiologica del torace
Barra laterale dell'articolo
Contenuto principale dell'articolo
Abstract
La crescente domanda di esami radiografici del torace pone sfide nella formazione in radiologia, che richiedono soluzioni di apprendimento scalabili e interattive. Questo studio presenta uno strumento interattivo basato sull'intelligenza artificiale, progettato per migliorare la formazione dei tecnici di radiologia fornendo feedback in tempo reale, segmentazione anatomica e funzionalità di autovalutazione. Venticinque studenti di radiologia del terzo anno hanno valutato l'usabilità e la qualità percepita dello strumento utilizzando un framework di valutazione convalidato. I risultati indicano un'elevata facilità di apprendimento (3,12/4), tempi di risposta del sistema (3,54/4) e sicurezza (3,38/4), ma evidenziano aree di miglioramento in termini di stabilità (2,79/4) e prestazioni diagnostiche (2,79/4). Lo strumento è stato generalmente ben accolto, con punteggi moderati per il beneficio percepito (3,02/4) e l'intenzione d'uso (2,75/4). Sebbene lo strumento di intelligenza artificiale si dimostri promettente nel migliorare la formazione in radiologia attraverso l'apprendimento interattivo, sono necessari ulteriori miglioramenti nella stabilità e nel design dell'interfaccia utente per una più ampia adozione. Studi futuri ne valuteranno l'impatto sui risultati di apprendimento e sulle capacità decisionali cliniche.
Dettagli dell'articolo
Fascicolo
Sezione
Questo volume è pubblicato con la licenza Creative Commons Attribuzione 4.0 Internazionale.
Gli autori che pubblicano su questa rivista accettano le seguenti condizioni:
- Gli autori mantengono i diritti sulla loro opera e cedono alla rivista il diritto di prima pubblicazione dell'opera, contemporaneamente licenziata sotto una Licenza Creative Commons CC BY 4.0 Attribution 4.0 International License.
- Gli autori possono aderire ad altri accordi di licenza non esclusiva per la distribuzione della versione dell'opera pubblicata (es. depositarla in un archivio istituzionale o pubblicarla in una monografia), a patto di indicare che la prima pubblicazione è avvenuta su questa rivista.
- Gli autori possono diffondere la loro opera online (es. in repository istituzionali o nel loro sito web) prima e durante il processo di submission, poiché può portare a scambi produttivi e aumentare le citazioni dell'opera pubblicata (Vedi The effect of Open Access).
Riferimenti bibliografici
Abdellatif, H., Al Mushaiqri, M., Albalushi, H., Al-Zaabi, A. A., Roychoudhury, S., & Das, S. (2022). Teaching, Learning and Assessing Anatomy with Artificial Intelligence: The Road to a Better Future. International Journal of Environmental Research and Public Health, 19(21), 14209. https://doi.org/10.3390/ijerph192114209
Acosta, S., & López, D. (2024). RETRACTED: Enhancing radiography education through immersive virtual reality. Radiography, 30, 42–50. https://doi.org/10.1016/j.radi.2024.09.054
Amedu, C., & Ohene-Botwe, B. (2024). Harnessing the benefits of ChatGPT for radiography education: A discussion paper. Radiography, 30(1), 209–216. https://doi.org/10.1016/j.radi.2023.11.009
Chaka, B., & Hardy, M. (2021). Computer based simulation in CT and MRI radiography education: Current role and future opportunities. Radiography, 27(2), 733–739. https://doi.org/10.1016/j.radi.2020.11.010
Chen, Y., Wu, Z., Wang, P., Xie, L., Yan, M., Jiang, M., Yang, Z., Zheng, J., Zhang, J., & Zhu, J. (2023). Radiology Residents’ Perceptions of Artificial Intelligence: Nationwide Cross-Sectional Survey Study. Journal of Medical Internet Research, 25, e48249. https://doi.org/10.2196/48249
Chheang, V., Sharmin, S., Marquez-Hernandez, R., Patel, M., Rajasekaran, D., Caulfield, G., Kiafar, B., Li, J., Kullu, P., & Barmaki, R. L. (2024). Towards Anatomy Education with Generative AI-based Virtual Assistants in Immersive Virtual Reality Environments (arXiv:2306.17278). arXiv. https://doi.org/10.48550/arXiv.2306.17278
Cohen, J. P., Hashir, M., Brooks, R., & Bertrand, H. (2020). On the limits of cross-domain generalization in automated X-ray prediction. Proceedings of the Third Conference on Medical Imaging with Deep Learning, 136–155. https://proceedings.mlr.press/v121/cohen20a.html
Cohen, J. P., Viviano, J. D., Bertin, P., Morrison, P., Torabian, P., Guarrera, M., Lungren, M. P., Chaudhari, A., Brooks, R., Hashir, M., & Bertrand, H. (2022). TorchXRayVision: A library of chest X-ray datasets and models. Proceedings of The 5th International Conference on Medical Imaging with Deep Learning, 231–249. https://proceedings.mlr.press/v172/cohen22a.html
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field. International Journal of Educational Technology in Higher Education, 20(1), 22. https://doi.org/10.1186/s41239-023-00392-8
Crotty, E., Singh, A., Neligan, N., Chamunyonga, C., & Edwards, C. (2024). Artificial intelligence in medical imaging education: Recommendations for undergraduate curriculum development. Radiography, 30, 67–73. https://doi.org/10.1016/j.radi.2024.10.008
Domrös-Zoungrana, D., Rajaeean, N., Boie, S., Fröling, E., & Lenz, C. (2024). Medical Education: Considerations for a Successful Integration of Learning with and Learning about AI. Journal of Medical Education and Curricular Development, 11, 23821205241284719. https://doi.org/10.1177/23821205241284719
Duong, M. T., Rauschecker, A. M., Rudie, J. D., Chen, P.-H., Cook, T. S., Bryan, R. N., & Mohan, S. (2019). Artificial intelligence for precision education in radiology. The British Journal of Radiology, 92(1103), 20190389. https://doi.org/10.1259/bjr.20190389
Gligorea, I., Cioca, M., Oancea, R., Gorski, A.-T., Gorski, H., & Tudorache, P. (2023). Adaptive Learning Using Artificial Intelligence in e-Learning: A Literature Review. Education Sciences, 13(12), Article 12. https://doi.org/10.3390/educsci13121216
Goel, A. (2020). AI-Powered Learning: Making Education Accessible, Affordable, and Achievable (arXiv:2006.01908). arXiv. https://doi.org/10.48550/arXiv.2006.01908
Halkiopoulos, C., & Gkintoni, E. (2024). Leveraging AI in E-Learning: Personalized Learning and Adaptive Assessment through Cognitive Neuropsychology—A Systematic Analysis. Electronics, 13(18), Article 18. https://doi.org/10.3390/electronics13183762
Lazarus, M. D., Truong, M., Douglas, P., & Selwyn, N. (2024). Artificial intelligence and clinical anatomical education: Promises and perils. Anatomical Sciences Education, 17(2), 249–262. https://doi.org/10.1002/ase.2221
Li, M. D., & Little, B. P. (2023). Appropriate Reliance on Artificial Intelligence in Radiology Education. Journal of the American College of Radiology, 20(11), 1126–1130. https://doi.org/10.1016/j.jacr.2023.04.019
Li, X., Zhang, L., Yang, J., & Teng, F. (2024). Role of Artificial Intelligence in Medical Image Analysis: A Review of Current Trends and Future Directions. Journal of Medical and Biological Engineering, 44(2), 231–243. https://doi.org/10.1007/s40846-024-00863-x
Lian, J., Liu, J., Zhang, S., Gao, K., Liu, X., Zhang, D., & Yu, Y. (2021). A Structure-Aware Relation Network for Thoracic Diseases Detection and Segmentation (arXiv:2104.10326). arXiv. https://doi.org/10.48550/arXiv.2104.10326
Müssener, U., Thomas, K., Linderoth, C., Löf, M., Åsberg, K., Henriksson, P., & Bendtsen, M. (2020). Development of an Intervention Targeting Multiple Health Behaviors Among High School Students: Participatory Design Study Using Heuristic Evaluation and Usability Testing. JMIR mHealth and uHealth, 8(10), e17999. https://doi.org/10.2196/17999
Rubin, G. D., Ryerson, C. J., Haramati, L. B., Sverzellati, N., Kanne, J. P., Raoof, S., Schluger, N. W., Volpi, A., Yim, J.-J., Martin, I. B. K., Anderson, D. J., Kong, C., Altes, T., Bush, A., Desai, S. R., Goldin, J., Goo, J. M., Humbert, M., Inoue, Y., … Leung, A. N. (2020). The Role of Chest Imaging in Patient Management During the COVID-19 Pandemic: A Multinational Consensus Statement From the Fleischner Society. CHEST, 158(1), 106–116. https://doi.org/10.1016/j.chest.2020.04.003
Simpson, S. A., & Cook, T. S. (2020). Artificial Intelligence and the Trainee Experience in Radiology. Journal of the American College of Radiology, 17(11), 1388–1393. https://doi.org/10.1016/j.jacr.2020.09.028
Smith-Bindman, R., Kwan, M. L., Marlow, E. C., Theis, M. K., Bolch, W., Cheng, S. Y., Bowles, E. J. A., Duncan, J. R., Greenlee, R. T., Kushi, L. H., Pole, J. D., Rahm, A. K., Stout, N. K., Weinmann, S., & Miglioretti, D. L. (2019). Trends in Use of Medical Imaging in US Health Care Systems and in Ontario, Canada, 2000-2016. JAMA, 322(9), 843–856. https://doi.org/10.1001/jama.2019.11456
Tay, Y. X., & McNulty, J. P. (2023). Radiography education in 2022 and beyond - Writing the history of the present: A narrative review. Radiography, 29(2), 391–397. https://doi.org/10.1016/j.radi.2023.01.014
Yu, J. H., Chauhan, D., Iqbal, R. A., & Yeoh, E. (2024). Mapping academic perspectives on AI in education: Trends, challenges, and sentiments in educational research (2018–2024). Educational Technology Research and Development. https://doi.org/10.1007/s11423-024-10425-2