创伤手术模拟的案例场景生成器使用自回归语言模型

科学领域:

• 医学教育 医学教育
• 医疗保健中的人工智能
• 创伤外科 手术 创伤外科

背景情况:

• 创伤是导致死亡的主要原因,需要先进的临床专业知识.
• 高级创伤生命支持 (ATLS) 协议需要广泛的临床经验,通常通过接触各种患者病例而获得.
• 目前用于创建培训案例情景的方法耗时,需要大量的领域专业知识.

研究的目的:

• 开发一种基于人工智能的工具,用于生成现实的创伤案例场景.
• 为实习生提供可访问的临床经验,而不会对患者造成伤害.
• 克服传统案例场景作者制的局限性.

主要方法:

• 开发了创伤AI,利用基于变压器架构的自回归生成模型 (GPT2).
• 在国家创伤数据库 (NTDB) 的110万个案例场景上训练模型.
• 集成了一个域外检测机制来过不切实际的场景,增强现实性.

主要成果:

• 创伤人工智能成功生成了编码ATLS协议的现实案例场景.
• 该模型创建了原始数据集中不存在的新奇场景.
• 对域外序列的无监督过显著提高了生成场景的真实性.

结论:

• 人工智能,特别是在大型数据集上训练的自回归模型,为生成多样化和现实的创伤案例场景提供了可行的解决方案.
• 创伤人工智能可以通过广泛接触伤害变换和罕见场景来增强临床培训.
• 开发的过方法有效地提高了人工智能生成的医学培训材料的质量和可信性.