Explainable Artificial Intelligence (XAI) in Medical Education: A Multi- Modal Framework for Enhancing Human-AI Collaboration

Technische Samenvatting: Uitlegbare Kunstmatige Intelligentie (XAI) in het Medisch Onderwijs

Probleemstelling
De snelle integratie van Kunstmatige Intelligentie (AI) in klinische diagnostiek, met name in de radiologie, pathologie en neuroimaging, staat voor een aanzienlijke pedagogische barrière: het "black-box"-karakter van complexe machine learning-algoritmen. Hoewel AI-systemen de menselijke diagnostische nauwkeurigheid kunnen evenaren of overtreffen, ondermijnt hun ondoorzichtigheid het vertrouwen, beperkt het de interpreteerbaarheid en belemmert het substantiële pedagogische betrokkenheid in medische curricula. Medische studenten hebben niet alleen een correcte diagnose nodig, maar ook een begrip van waarom een AI tot een specifieke conclusie komt, om robuuste klinische redeneervaardigheden te ontwikkelen. De huidige literatuur mist empirisch onderzoek naar XAI als een specifieke educatieve interventie om deze kloof tussen algoritmische output en menselijk begrip te overbruggen.

Methodologie
Deze studie maakte gebruik van een prospectieve, mixed-methods gerandomiseerde gecontroleerde studie (RCT) met een tweefasig sequentieel verklarend ontwerp met 120 derdejaars medische studenten aan de Universiteit van Liberia.

• Technisch Fundament (Fase 1): De onderzoekers ontwikkelden het CerViD-MultiModal framework (Cognitive enhancement Random Forest met Visual Diagnostics). Dit systeem maakte gebruik van neuroimaging-data uit de Alzheimer's Disease Neuroimaging Initiative (ADNI) database (N=100), waarbij specifiek werd gefocust op fornix-atrofie als een vroege indicator voor de ziekte van Alzheimer. Het model gebruikte FreeSurfer v7.2.0 om de fornix te segmenteren en morfometrische kenmerken te extraheren (anterieure/posterieure volume, lichaamssfericiteit, totaal volume). Een Random Forest ensemble (100 beslissingsbomen) werd getraind om onderscheid te maken tussen Early Mild Cognitive Impairment (EMCI) en Late Mild Cognitive Impairment (LMCI).
• Educatieve Interventie (Fase 2): Deelnemers werden gerandomiseerd in twee groepen:
  • Controlegroep (n=60): Ontving standaard AI-instructie via statische tekst en typische staafdiagrammen.
  • XAI-verrijkte Groep (n=60): Ontving dezelfde kerninhoud, maar maakte gebruik van het CerViD-MultiModal framework geïntegreerd met interactieve SHAP (SHapley Additive exPlanations) en LIME (Local Interpretable Model-agnostic Explanations) visualisaties. Deze tools boden dynamische globale feature-rangschikkingen, patiëntspecifieke lokale verklaringen en interactieve force-graphs.
• Beoordeling: Na de interventie werden de deelnemers geëvalueerd met behulp van vier gestandaardiseerde instrumenten: AI-geletterdheidsscore (0-100), System Usability Scale (SUS, 0-100), NASA Task Load Index (NASA-TLX, 0-100) en Vertrouwen in AI-interpretatie (1-5). De statistische analyse maakte gebruik van onafhankelijke steekproeven t-testen en Cohen's d voor effectgroottes.

Belangrijkste Bijdragen
De primaire bijdrage van dit werk is de empirische validatie van XAI als een tweeledig instrument: een mechanisme voor diagnostische transparantie en een transformerend pedagogisch instrument. De studie introduceert de CerViD-MultiModal architectuur als een concrete implementatiemethode voor het integreren van uitlegbare machine learning in de medische training, waarbij specifiek wordt aangetoond hoe het visualiseren van de besluitvormingsprocessen van het model (via SHAP en LIME) de AI begrijpelijk maakt voor lerenden.

Resultaten
De XAI-verrijkte groep vertoonde statistisch significante verbeteringen over alle primaire uitkomsten vergeleken met de controlegroep (p < 0,001):

• AI-geletterdheid: Scores namen toe met 34,1% (85,0 ± 5,6 vs. 63,4 ± 6,8), met een grote effectgrootte (Cohen's d = 3,44).
• Systeemgebruiksgemak (SUS): De waargenomen bruikbaarheid verbeterde met 66,4% (36,3 ± 4,3 vs. 21,8 ± 4,8), met een Cohen's d = 3,15.
• Cognitieve belasting (NASA-TLX): De waargenomen werklast werd significant verminderd met 37,4% (26,5 ± 6,5 vs. 42,3 ± 7,1), met een Cohen's d = -2,31.
• Vertrouwen: Het vertrouwen van de lerende in AI-interpretatie groeide met 30,8% (3,4 ± 0,4 vs. 2,6 ± 0,4), met een Cohen's d = 1,89.

Daarnaast bereikte het onderliggende CerViD-MultiModal model een nauwkeurigheid van 81,2% (AUC = 0,85) bij het classificeren van EMCI versus LMCI, waarbij het anterieure fornix-volume werd geïdentificeerd als de meest relevante voorspeller (34%).

Betekenis en Claims
De auteurs beweren dat XAI fungeert als meer dan een louter algoritme-transparantiemechanisme; het functioneert als een "scaffolding"-instrument (ondersteuningsstructuur) dat is afgestemd op constructivistische leertheorieën en cognitieve belastingtheorieën. Door de expertise-redenering expliciet te maken, begeleidt XAI de lerende door de zone van proximale ontwikkeling, waardoor ondoorzichtige algoritmen worden omgezet in begrijpelijke cognitieve hulpmiddelen.

De studie concludeert dat de integratie van XAI de mens-AI-samenwerking in het medisch onderwijs aanzienlijk verbetert. Er wordt gesteld dat door het besluitvormingsproces van het model te demystificeren, het CerViD-MultiModal framework de diagnostische comprehendatie en gebruikersvertrouwen optimaliseert, terwijl de cognitieve belasting die gewoonlijk geassocieerd wordt met het interpreteren van "black-box" AI, wordt verminderd. De auteurs positioneren deze bevindingen als bewijs dat interpreteerbare machine learning-architecturen effectief de traditionele beperkingen van klinische AI in educatieve omgevingen kunnen aanpakken, hoewel zij beperkingen erkennen met betrekking tot de enkelvoudige locatie van de steekproef en de noodzaak voor longitudinale follow-up om retentie te beoordelen.