HistoSeek links histology image recognition to teacher-authored formative guidance
本文介绍了 HistoSeek，这是一个由人工智能驱动的平台，它通过将自动化结构识别与符合课程大纲的指导相结合，使组织学学习者能够针对其选择的组织区域获得由教师编写的即时形成性反馈，并在一项试点研究中展示了良好的教育成果。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，仅仅通过盯着一座宏大而混乱的书库来学习一门新语言。你知道单词就在其中，但如果没有一个向你指出哪句话才重要的向导，你可能会在错误的页面上浪费数小时。这就是学习组织学（研究微观组织结构的学科）的医学生们每天面临的挣扎。他们必须在显微镜下导航复杂的、色彩斑斓的细胞地图，寻找那些看起来几乎一模一样的特定形状。虽然数字显微镜使得分享这些“地图”（称为全切片图像）变得更加容易，但仅仅拥有访问权限并不意味着学生就能看对东西。真正的魔力发生在学生指向一个点并得到一个即时的、专家级的回答时：“没错，那是肝细胞，原因如下。”本文探讨了一种旨在成为这种“即时专家”的新工具，它弥合了学生猜测与老师智慧之间的鸿沟。
欢迎来到 HistoSeek，这是一个聪明的数字助手，旨在帮助学生掌握识别组织结构的艺术。把它想象成一个高科技版的“寻找威利”（Where's Waldo?）游戏，只不过你不是在人群中寻找一件条纹衬衫，而是在微观城市中猎寻特定的细胞。该系统通过三个神奇的步骤运作：首先，学生在他们认为有趣的图像部分画一个框。其次，一个超级快速的计算机大脑（人工智能）进行缩放，将该框与它学习过的数千个示例进行对比，并给出一个排序后的猜测列表：“我有 84% 的把握这是导管，10% 的把握是腺体，5% 的把握只是一个褶皱。”第三，也是最重要的一部分，系统不仅仅是吐出一个随机的事实。相反，它会调取一段由一位在这一特定课题上深耕多年的真实生物老师所撰写的预设笔记。这段笔记会解释该结构具体长什么样、它位于身体的哪个部位，以及如何将其与那些长得极其相似的“孪生兄弟”区分开来。
HistoSeek 的创造者们不仅开发了这个工具，还对其进行了测试，以观察它是否真的有所帮助。他们收集了一个庞大的微型图像片段库（称为感兴趣区域或 ROI），包含 19 种不同器官的 51,248 个片段，所有这些片段都经过了专家老师的仔细检查和标注。他们训练人工智能来识别这些结构，发现一种被称为 SimpleCNN 的特定计算机模型在处理这项工作时表现最佳，在不同器官上的平均正确率约为 94.73%。然而，他们也发现人工智能并非在任何地方都完美无缺；它在睾丸组织上的表现稍逊一筹，正确率约为 75.73%，经常会将肉眼看来非常相似的不同阶段精子细胞混淆。
为了看看这个数字助手是否真的让学生变得更聪明，团队进行了一项小型课堂实验。他们将学生分为两组：一组在实践课中使用 HistoSeek，而另一组则使用传统的、没有人工智能辅助的标准方法。结果令人振奋。使用 HistoSeek 的学生在每一类测试中的得分都更高。他们的理论成绩平均高出 7.51 分，实践成绩在 20 分制中高出了 1.51 分。尽管这项研究规模较小（HistoSeek 组有 20 人，另一组有 21 人），且作者将其描述为描述性发现而非最终定论，但趋势是明显的。使用该工具的学生感到更有兴趣、学习得更快，并表示他们愿意继续使用它。他们还注意到，当人工智能的猜测与自己的判断不符时，他们会感到有动力去反复检查载玻片，而不是盲目信任机器。
论文指出，HistoSeek 提供了一个稳健且可行的模型，展示了人工智能如何在不取代教师的情况下融入医学教育。该系统并不是让人工智能自行编写解释（这有时会导致“幻觉”或编造事实），而是像一位图书管理员，根据学生的搜索来提取老师自己的笔记。它将一种被动的观看体验转变为一场主动的侦探游戏：学生进行绘制，人工智能进行猜测，而老师的智慧负责确认。虽然这项研究仅仅是一个开始，需要在不同的学校和更大的群体中进行更多测试，但它表明，将学生的视觉猜测与教师策划的知识联系起来，是教授人体复杂视觉语言的一种可行且令人鼓舞的方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。