探索生成式人工智能在骨科教育和培训中的前景、障碍和前进道路

人工智能 (AI)、深度学习和机器学习 (ML) 的快速进步已经彻底改变了包括商业在内的广泛领域。1]， 卫生保健 [2]， 娱乐 [3]和教育[4]。生成式人工智能是机器学习的一个组成部分，可以生成文本、音频、图像、视频和计算机代码等多种格式的内容，正在内容创建、数据分析、软件开发、虚拟辅助、模拟、和个性化教育[4,5,6,7]。大型语言模型 (LLM) 是生成式 AI 的一个子集，是使用大量文本进行分析并生成响应的 ML 算法。8]。LLM 包括由 Open AI 开发的聊天生成预训练变压器 (ChatGPT) 和由 Google AI 构建的 Gemini（以前称为 Bard）等法学硕士，由于能够生成类似人类的回复且易于访问而受到欢迎。9,10]。随着人工智能越来越多地融入医疗保健服务的众多方面，其与医学教育的整合也迫在眉睫。人工智能在医学教育中的整合引发了关于其潜在应用和局限性的争论[11]。需要一种开明的方法来了解人工智能的能力和局限性，以及为医学教育工作者有效利用这种变革性技术提供前瞻性的路线图。

骨科培训的未来在不断发展，技术发挥着至关重要的作用。为了满足对高质量患者护理日益增长的需求，需要采用新的方法来教育和培训外科医生。快速发展的人工智能领域可以提供一条前进的道路。这篇叙述性评论的目的是探索生成式人工智能在重塑骨科教育方面的潜力。这篇综述探讨了生成式人工智能在骨科教育和培训中的潜力，重点关注个性化学习、交互式案例研究和可访问资源等前景。然后讨论了与其采用相关的障碍，例如准确性、偏见和人类专业知识的重要性。最后，它探讨了研究、课程整合和伦理考虑的未来道路。通过对与生成人工智能相关的应用和挑战进行结构化概述，本综述旨在为有兴趣通过人工智能驱动的创新推进骨科教育的教育工作者和研究人员提供路线图。部分 1本文概述了生成人工智能的各种形式和技术。部分 2讨论了生成式人工智能在骨科教育中的前景。部分 3评估人工智能当前在骨科检查中的表现。部分 4讨论了生成式人工智能在骨科教育中的各种潜在应用。部分 5研究了将生成式人工智能整合到骨科教育中的各种挑战和局限性。部分 6解决监管和道德考虑，以及Sec. 7概述了将人工智能融入骨科教育的未来方向和潜在策略。

生成式人工智能是一个实体，它利用深度学习模型来生成类似人类的内容，例如文本、音频、图像或其他数据类型，以响应多样化和复杂的提示（例如指令、语言或问题）。12]。生成式人工智能从对话式人工智能中脱颖而出，因为它不仅能够生成响应，而且能够更大规模地生成全新的原创内容[12,13]。生成式人工智能和人工智能一样，是多种算法技术的统称[13,14]。尽管生成式人工智能已经存在了十年，但 ChatGPT 的出现激发了人工智能领域创新和研究的新时代。这一热潮催生了各种尖端工具的开发和实施，包括 Gemini (Google AI)、GPT-4 (Open AI)、Stable Diffusion、DALL-E、StyleGAN 和 WaveNet 等。15,16,17 号,18,19 号]。各种生成式人工智能工具都建立在各种尖端模型的基础上，包括 GPT-4 等 Transformer 模型、生成对抗网络 (GAN)、自回归模型、变分自编码器和扩散模型。15,20]。图 1概述了不同的生成式人工智能模型及其功能。

各种类型的生成人工智能模型、它们的功能和示例。生成式人工智能是深度学习的一个子集，深度学习本身也是机器学习的一个子集，包括多种具有独特功能的模型类型。生成对抗网络 (GAN) 与 StyleGAN 一样，采用两个神经网络，一个生成数据，另一个检测赝品以创建逼真的图像。变分自动编码器 (VAE)，例如 Beta-VAE 和 Sketch-RNN，压缩和重建数据以识别潜在模式，生成与这些模式相符的新数据。GPT 和 Gemini 等 Transformer 模型在文本生成和自然语言处理方面表现出色，能够产生连贯且富有创意的输出。自回归模型，包括 GPT-3（用于文本）和 PixelRNN（用于图像），使用先前的输出来指导每个步骤，按顺序生成数据。扩散模型，如 Imagen 和 DALL-E 2，从噪声数据开始，然后迭代地将其细化为连贯的图像，通常来自文本提示

生成式人工智能可以创建多样化的内容，例如文本、图像、音频、视频，甚至三维模型[15,21,22 号,23,24]。表 1对不同的生成式人工智能工具进行了分类，并强调了它们的不同应用，从文本和图像生成到分子设计等更专业的领域。StyleGAN 和 OpenAI 的 GPT 是生成式 AI 对众多应用做出贡献的两个著名例子。NVIDIA 的 StyleGAN 通过利用基于风格的方法提供多样化且逼真的图像，彻底改变了想象生成 [19 号,25]。OpenAI 的 GPT 系列通过生成具有异常流畅性和一致性的类人文本，对 NLP（自然语言处理）进行了大规模改造。9]。生成式人工智能模型由于具有学习分子结构和生成新分子的能力，在分子设计和药物发现领域也越来越受欢迎。26,27]。这些模型可以分为3D分子生成模型、基于SMILES（简化分子输入线输入系统）的生成AI模型和分子图生成模型，根据不同的算法进行分类[28]。这些例子凸显了生成式人工智能改变内容创作、创意产业和人机交互领域的潜力，为图像生成、文本创作和其他领域的未来进步奠定了基础。

Lum 的一项研究通过分析 ChatGPT 对 207 个问题的答案并将其分数与五年内骨科住院医师的分数进行比较，评估了 ChatGPT 在骨科培训考试中的表现。48]。ChatGPT 正确回答了 47% 的问题，并在第一年研究生 (PG) 中取得了第 40 名的百分位排名，在第二年 PG 中排名第 8，在第 3、4 和 5 年 PG 中排名第 1，这表明它不会通过 ABOS（美国委员会）骨科手术考试）委员会考试基于第 10 个百分位截止值。随着问题复杂性的增加，表现也随之下降，分类级别 1 的正确率为 54%，级别 2 的正确率为 51%，级别 3 的正确率为 34%。虽然法学硕士的表现与第一年住院医师的表现相当，但其准确性会随着问题的复杂性而下降，这凸显了知识应用的局限性。尽管 ChatGPT 不太可能通过 ABOS 笔试，但它确实为正确答案提供了结构良好且富有洞察力的解释。此外，当错误的答案被纠正时，该模型通过保留正确的答案并在整个聊天中持续应用它来展示学习能力。它在记忆和解释方面表现出色，但在知识应用方面表现不佳[48]。总体而言，该研究表明人工智能可以成为骨科领域的一种有价值的教育工具，特别是对于基于知识的查询。表中概述了 ChatGPT 和骨科住院医师在各种研究的不同检查中的比较表现 2。卡斯伯特等人。评估了 ChatGPT 通过 FRCS（皇家外科学院院士）骨科手术和创伤考试第一部分的能力。AI 得分为 35.8%，明显低于 FRCS 通过率和人类候选人的平均得分。它在基础科学方面表现最好（53.3%），在创伤方面表现最差（0%）。ChatGPT 未能表现出多元逻辑思维和高阶判断，经常提供错误的解释，并且很少承认自身的局限性[49]。Massey 等人的另一项研究。比较了骨科住院医师与 ChatGPT-3.5 和 GPT-4 在 9 个骨科亚专业的 180 个骨科评估问题上的表现。居民得分为 74.2%，GPT-4 得分为 47.2%，ChatGPT-3.5 得分为 29.4%，居民的表现明显优于两种 AI 模型。GPT-4 的性能优于 ChatGPT-3.5。两种人工智能在基于文本的问题上都比基于图像的问题表现得更好，ChatGPT-3.5 的得分为 37.8% vs. 22.4%（基于文本与图像），GPT-4 的得分为 61.0% vs. 35.7%。基于图像的问题和纯文本的问题之间，住院医生的表现没有显着差异。研究得出的结论是，虽然 GPT-4 比 ChatGPT-3.5 更好，但这两种人工智能都不太可能通过 ABOS 笔试 [50]。这可能是由于工程师的模型培训不足以及缺乏用于培训的骨科文献。这也可能是由于骨科考试问题的复杂性。

虽然 ChatGPT 受到了很多关注，但研究也评估了其他生成式 AI 模型，例如 Google Bard（现在的 Gemini）和 Bing AI GPT-4。吠舍等人。分析了 ChatGPT-3.5、ChatGPT-4.0 和 Google Bard 在 120 个研究生级别骨科问题上的表现 [51]。ChatGPT-4.0 的得分为 54.2%，比 ChatGPT-3.5 (45%) 有所提高，而 Google Bard 以 100% 的准确率显着优于两者，突显了这些工具在处理和应用骨科知识方面的不同能力。卢比茨等人。在骨科培训考试 (OITE) 中评估了 ChatGPT 和 Google Bard，ChatGPT 得分为 69.1%，当提供基于图像的问题的文本描述时，得分提高到 77.8% [52]。Google Bard 得分为 49.8%，而文本描述得分为 58%，强调了生成式 AI 目前在解释视觉内容方面的局限性以及它们依赖文本描述来更有效地执行。两项研究中巴德表现的差异可能反映了问题格式、复杂性或训练数据相关性的差异，这可能比其他情况更有利于某些上下文。陈等人。在 5 年的 OITE 问题上评估了 ChatGPT-3.5 和 Bing AI GPT-4.0 [53]。ChatGPT-3.5 的平均得分为 55%，而 Bing AI GPT-4.0 的得分为 80%，优于 ChatGPT 和骨科住院医生 (62.1)。未来的研究应侧重于通过扩展知识库、整合医学文献和临床实践的实时更新、提高其处理复杂临床推理和图像解释的能力并提高其准确性，改进骨科教育中的 GPT-4 等生成式 AI 模型以及基于图像的问题的可靠性。这可以使这些模型成为医学教育和评估的更有效的工具。

生成式人工智能技术有潜力通过增强学习方法、个性化教育材料以及协助提高临床技能和推理来改变骨科教育。54]。GPT-4等法学硕士可以提供交互式、实时的解释和资源来补充讲座内容并支持小组讨论，为学生提供针对个人学习需求的简洁、实用的知识。55]。人工智能驱动的临床模拟将使学生能够在现实、受控的环境中完善他们的推理、沟通和技术技能。此外，生成式人工智能与虚拟现实的集成可以提供模拟手术体验，通过身临其境的实践练习为学员做好复杂手术的准备。56,57]。这些人工智能驱动的工具将提供全面、互动且易于访问的教育体验，使学生和教育工作者都受益。图 2描述了生成式人工智能工作流程及其在骨科教育中的潜在应用，展示了这些技术如何帮助提供引人入胜、适应性强且有效的学习体验。

生成式人工智能工作流程及其在骨科教育中的应用。该过程包括数据输入（文本、图像、音频等）、预处理、模型训练、评估以及基于学习模式生成输出。输出可能包括文本、图像、音频、视频、数据分析、解决问题的见解、虚拟辅助和 VR/AR 模拟，这可以在骨科教育中产生各种应用，例如个性化学习计划和材料、基于案例的学习、临床图像、考试准备和基于模拟的培训

学习方法

GPT-4 和 Gemini 等法学硕士可以通过实时解释、额外资源和背景信息来补充讲座内容，从而帮助改善骨科教育项目。同时，学生可以通过谷歌搜索来获取这些信息[58]、使用现场护理资源或移动应用程序[59]，生成式人工智能以简洁、实用且易于理解的形式提供知识，从而脱颖而出。生成式人工智能还可以通过提出发人深省的问题、鼓励同伴之间的对话以及建立有趣的协作学习氛围来促进小组讨论。60]。作为临床轮转期间的虚拟导师，法学硕士可以通过提供快速反馈和个性化指导来帮助学生将理论信息应用到现实环境中，以促进学习和纠正误解。60]。

个性化的学习计划和教育材料

由于学生的学习方式和需求不同，医疗行业的教育工作者面临着巨大的困难。多项研究表明，生成式人工智能模型能够适应个体学习者的需求，提供个性化的学习体验。54,61]。通过利用人工智能，教师可以定制教学内容和材料，以适应个别学生的不同学习偏好。55,62]。学生可以利用法学硕士和生成人工智能技术来制定适合自己的优势、局限性、目标和兴趣的个性化学习计划[11,55]。此外，法学硕士（例如 GPT-4）可用于创建个性化学习材料，例如简短摘要、复杂主题的解释、闪存卡或骨科特定练习题，以针对学生需要改进和临床的特定领域。适应各种学习方式的场景，保证每个学生都可以积极参与内容，并以与他们深度联系的方式[63]。量身定制的教育资源可以帮助学生专注于最相关的主题，优化学习时间并提高知识保留率。此外，人工智能可以帮助开发自适应学习系统，该系统可以根据每个学习者的个人成功智能地修改学习模块的内容和速度。64]。Chat GPT 或 Google Gemini 等生成式 AI 工具作为虚拟个人导师的潜在价值是显而易见的 [65]。与经常受到地点和时间限制的传统教学方法不同，此类工具可以提供全天候的帮助[66]。Med-PaLM 和 Med-PaLM 2 由 Google 开发，是专门为医疗保健领域设计的法学硕士 [67]。它们是为医学问答而开发的，并生成精确的、基于证据的响应，通过解决复杂的查询和辅助诊断推理来支持医学教育。值得注意的是，在成对评估中，Med-PaLM 2 的答案在科学准确性、推理和精确度方面往往优于医生生成的答案。68]。这些功能使其成为加强骨科培训和提高对具有挑战性的临床病例的理解的宝贵潜在工具。生成式人工智能系统能够检查学生数据，包括他们的学业成绩、参与程度和反馈，以检测重复出现的模式和趋势。然后可以使用这些信息来创建个性化的学习路径[64]。此外，还可以开发一个迭代反馈循环，学生可以使用通过法学硕士生成的材料并提供反馈，随后可以利用这些反馈来改进法学硕士的输出。最终，这可能会产生更准确、更有效的个性化学习材料。

帮助形成鉴别诊断

医学毕业生最重要的技能之一是能够针对特定的临床表现进行鉴别诊断。69]。研究表明，GPT-3、GPT-4等生成式AI聊天机器人可以针对常见主诉生成高精度鉴别诊断列表，常见病例正确诊断率高达93.3%。70]，但是他们的表现会因不常见的演示而下降[71]。对 54 项研究的荟萃分析表明，生成式 AI 模型的总体诊断准确率为 56.9%，但 17 个医学专业之间存在相当大的差异[72]。研究发现，虽然专家医生在诊断准确性方面仍然优于人工智能，但一些生成式人工智能模型，例如 Prometheus (Bing) 和 GPT-4，在某些专业领域的表现与非专家医生相当。在另一项对 100 份患者记录进行回顾性分析的研究中，ChatGPT-4 显示出能够熟练地检测特定病症（例如髋关节和膝关节病），与骨科医生做出的临床判断一致。73]。在骨科教育中，学生可以利用生成式人工智能工具来扩展他们的差异列表，并启动对不熟悉疾病的自主学习。学生可以通过将患者病史中的必要信息输入人工智能来开发临时鉴别诊断。74]。在患者参与之前进行初步的鉴别诊断可以帮助指导更具体的病史采集和体格检查，然后可以对其进行改进并用于支持诊断和治疗方法。

增强临床技能和推理能力

医学教育中的基于问题的学习利用患者案例来提高学生的认知技能，增强临床推理，促进自主学习，鼓励小组讨论，并建立实用的科学知识。生成式人工智能可以帮助开发和完善骨科临床技能。虚拟患者可用于模拟现实生活中的医疗场景并教授临床推理和沟通技巧。波特等人的一项研究。使用 GPT-3.5 和 GPT-4 开发虚拟患者，在 Geeky Medics 平台上进行医疗培训。学习者通过文本或语音交互练习沟通和临床推理，并收到人工智能驱动的反馈。尽管存在一些涉及人工智能幻觉和偏离主题的反应的问题，但该工具已经进行了超过 45,000 次咨询，表明参与度很高，并且有增强传统临床培训的潜力。75]。GPT 和 Gemini 等对话式人工智能工具可用于生成真实的案例场景、解释响应、提出疑问并提供反馈，使学生能够在安全、受控的环境中练习临床推理、历史记录、决策和沟通技巧。环境 [76,77]。例如，学生可以与患有肩部疼痛的虚拟患者互动，并完成诊断步骤以确定是否是肩袖撕裂或其他病症。生成式人工智能工具可以通过模拟临床决策、提供反馈和提供涵盖诊断过程、治疗方案和伦理问题的交互式案例研究，帮助学生为现实世界的实践做好准备。此外，人工智能可以呈现学生在培训期间可能不经常遇到的罕见或复杂的骨科疾病，从而扩大他们的临床接触和准备。艾里森等人。研究了在基于问题的学习教程中使用生成式人工智能来模拟患者互动，发现与传统的多媒体案例材料相比，学生对人工智能增强体验在临床准确性和团队合作方面的评价更高[78]。然而，人工智能和多媒体病例材料在患者病史回忆方面没有显着差异。人工智能头像成功地吸引了学生并提供了准确的案例内容，但学生们将其视为一个复杂的问题库，而不是一个动态的患者。该研究的结论是，将人工智能早期融入医学教育可以提高临床推理和沟通技巧。生成式人工智能还可以用于协助教授其他临床技能，例如沟通和记录，通过建立安全的练习环境，并就具有挑战性的问题提供建议，例如用同理心的语言分享坏消息或减少医学术语，并使学生能够进行严格的练习对话，例如围绕临终关怀的对话，从而帮助他们培养向患者及其家人传递敏感信息所需的沟通技巧[79,80]。

医学的快速进步导致医疗保健专业人员和学员需要处理大量信息。PubMed 是领先的生物医学文献搜索数据库，目前拥有超过 3600 万篇文章，并且每年新增超过 100 万篇新文章 [81]。人工智能可以通过快速分类和总结相关文章来帮助医学教育，让学员了解新发现，而无需手动筛选无穷无尽的文献，并帮助医学专业人员识别、综合和应用研究结果。82,83]。由于时间限制和缺乏专业知识，医学生在实践循证医学时经常面临重大挑战。84]。需要评估的大量材料以及临床职责的压力可能会让人筋疲力尽。与所有医学领域一样，骨科教育强调循证实践。生成式人工智能工具可以通过提供临床试验的简明总结和关键实践指南来帮助完成这一过程。74,85]。例如，在 ChatGPT 中输入提示“美国风湿病学会骨关节炎指南的临床意义是什么？”，可以得到简明、逐点的回答。这将突出关键的实践意义，例如非药物干预、药物治疗、手术选择和建议用于治疗骨关节炎的辅助治疗。

临床图像和可视化

在不使用高质量医学图像的情况下，对各种重要的疾病和病症进行教育可能具有挑战性。保密问题，尤其是涉及面部特征时，可能会限制传统患者图像的使用[86]。文本到图像生成的AI算法能够通过采用学习概率分布而不是使用预先存在的概率[22 号]。这样的工具可以使获得医学教育的高质量图像变得更加容易。使用此策略，我们可以提供视觉内容，其在网络或社交媒体平台上的分布不会违反患者的隐私。库马尔等人。最近进行了一项研究，以调查AI文本对图像创建的潜在和现有局限性，以提供影响面部的医学疾病图像[87]。他们证明，甲状腺功能减退症是具有对称特征的疾病，很容易成为AI文本对图像的合成。但是，如果患有霍纳综合症（一种具有不对称面部特征的疾病），只有在进行一些较小的编辑后才能创建适当的图像，这表明这些工具的潜在限制。Dallâ·e 2是一种由AI驱动的文本到图片系统，在一项研究中用于生成用于医学和整形外科教育目的的临床图像[88]。该研究发现，AI产生的照片类似于真实的照片。但是，类别之间的临床精度有所不同（最正确的图像是软组织肿瘤，而最准确的肿瘤是伤口最准确的肿瘤）。总体而言，文本对图像AI技术是医学教育中新兴而有希望的工具。扩散模型彻底改变了医学图像生成领域，从而创建了高分辨率合成图像[89]。扩散模型，例如DDMM（降级扩散医学模型）[90]和3DDDPM（降解扩散概率模型）[91,92]，在产生高分辨率合成X射线方面表现出巨大的希望[90]，MRI和CT图像[92,93]。这些合成图像对于培训罕见疾病和难以诊断的疾病特别有价值，解决了有限数据可用性的挑战[93]。此外，合成数据集在提供逼真的培训材料的同时确保患者隐私，从而提高对骨科成像的诊断准确性和理解。生成对抗网络（GAN）及其变体在医学成像应用中也起着关键作用[94]。安等人。使用stylegan2-ada产生膝盖X射线图像，这些图像准确地描绘了关节炎进展的阶段，使学员能够以受控的，可定制的方式研究疾病特征[95]。梅根（Medgan）是一种适应性gan，可以解决与传统甘斯（Gans）相关的模型崩溃和融合问题等挑战[96]。郭等人。用它来创建高质量的合成图像，以分类和病变的皮肤病[96]。这些进步可以促进在罕见情况下创建高质量的医学图像，从而增强诊断训练和模拟。扩散模型，与文本到视频框架（例如ControlVideo）结合使用[97]，可以允许产生连贯和详细的腹腔镜外科视频[98]。可以定制这些模拟以包括特定的骨科手术，例如骨折固定或关节关节镜检查，为受训者提供了沉浸式的环境。通过通过不同的文本提示来指导视频生成，这些工具可以在各种情况下实践，从而提高技术技能和决策能力。生成的AI工具可用于创建骨科疾病和解剖结构的高质量图像，从而可视化诸如断裂类型或关节替代品之类的概念。这些图像可以适合教学和基于案例的学习。未来的研究应探讨文本对图像生成的AI工具在生产高质量，准确的骨科教育图像方面的潜在和有效性。

利用生成AI的图像处理功能

随着GPT-4等生成AI模型的发布，该模型现在可以处理图像输入，例如照片，屏幕截图和手绘图纸，医学教育的潜在应用正在上升[17 号]。尽管此功能仍处于早期阶段，但它可以从视觉输入中解释相关信息。潜在的应用包括根据提供的图像（例如骨折的X射线照相）提供鉴别诊断，找到基本的组织学特征，并从图像输入中产生实践问题。这一进步旨在通过包括视觉数据解释来增强诊断培训并扩大医学教育工具的功能。

通过生成AI驱动的助手的虚拟现实模拟

事实证明，模拟培训是医学教育的重要组成部分。先前的研究发现，虚拟现实（VR）模拟器在加快居民技能开发中可能很有用，并且这种培训技术的更大分散可能会使患者受益[99]。在VR中，用户将自己沉浸在计算机生成的三维虚拟环境中，同时通过手持式小工具和头部安装的显示器接收视觉和触觉输入[56,100]。它们可以有3种类型：与视觉反馈，交互式模拟器以及触觉反馈和非相互作用的交互式[56]。文献表明，与对照方法相比，接受VR模拟教育的居民的表现优于对照组的人[57]。骨科高度依赖于对肌肉骨骼系统的空间理解，通过使用VR可以大大改善。根据对骨科居民的一项调查，VR模拟训练提高了关节镜的技能，他们认为通过VR获得的技能将转移到行动剧院[101]。先前的研究表明，VR模拟器训练可以提高基本关节镜检查能力并减少居民的手术时间[102,103]。VR在手术骨科手术训练中的其他可能应用包括关节置换术，骨折固定，髓内指甲和触发螺钉植入[104]。与骨科教育中的常规学习技术相比，已经发现身临其境虚拟现实在介导非技术和技术技能方面更有效[105]。生成的AI具有将虚拟助手从静态信息源转变为动态学习伴侣的能力。与传统技术相比，在VR中使用3D可视化和生成AI援助可以通过创造更具动态和现实的环境来改善学习106]。此外，骨科居民可能会从AI驱动的虚拟助手中受益，该虚拟助手可以回答VR中复杂的查询和指导程序，并有可能充当有价值的培训工具。Chheang等。最近进行了一项研究，该研究在VR中使用具有生成AI的虚拟助手进行解剖学学习。他们透露，与基于屏幕的助手相比，VR以及嵌入式虚拟助手（Avatar）在回答需要分析的问题（更深入理解）方面更有效[107]。该研究还提供了对AI助手提供支持的VR可用性和用户体验的见解，这表明该技术仅仅是解剖学以外的教育潜力。这项工作为配备生成AI的VR讲师打开了大门，通过可能改善知识保留并为未来的外科医生准备复杂的手术，从而改变骨科教育。AI模拟器可以允许受训者练习各种外科手术方案，将常规病例与晚期并发症进行范围，没有对真正的患者的威胁和立即反馈。这不仅可以加快他们的学习曲线，而且还可以培养一种能力和信心，这对于在操作剧院中的成功至关重要。

除了作为培训工具的角色外，VR模拟还在手术前的计划和绩效评估中还具有重大应用。在术前计划中，VR可以实现特定于患者的策略制定，协助程序计划并模拟手术结果以改善决策并降低风险[108,109]。例如，Friedrich等。使用高级3D模型引入了一种用于植入物生成的VR方法[108]。这种模拟高保真手术手术的能力使外科医生能够更好地理解复杂的患者特异性解剖结构，并就手术方法做出更明智的决定，从而改善策略和患者结果[110,111]。此外，通过实时对象识别和跟踪增强了VR模拟器可以准确识别工具和解剖结构，从而为受训者提供了即时的实时反馈，并弥合了理论和实践之间的差距[110]。生成AI驱动的VR模拟器可用于评估指标，例如完成时间，准确性，组织处理和遵守程序步骤，从而提供数据驱动的反馈，从而有助于确定改进领域，促进集中实践[112]。此外，术后反馈和运动分析可以进一步增强学习过程[113]。例如，Vaughan等人。证明了VR模拟器在实时技能评估中的潜力，使用机器学习分析了从新手到专家学员的运动数据，以根据记录的动作对技能水平进行分类[113]。当与数据驱动的反馈配对时，这种基于VR的评估使培训计划能够评估技能的进步。Gazit等。开发了虚拟现实的腹腔镜模拟器，以评估选择手术居民的技术才能[114]。外科医生和实习生发现它高度相关，测试结果显示出强烈的可靠性和任务歧视，支持其作为评估候选人技术才能的宝贵工具的潜力。总体而言，将VR与生成AI结合在一起将有助于实现实践，提高任务速度，准确性和受训者满意度，最终改善手术计划并为手术培训设定新标准[[112]。

除了VR外，增强现实（AR）还具有改善骨科内手术训练的巨大潜力。与传统的虚拟现实（VR）模拟器不同，它创建了完全虚拟环境，AR通过将计算机生成的信息叠加到实际对象[115,116]，允许外科医生在与实际工具和解剖学互动时保持空间意识[117]。此功能极大地有益于手术训练，提供了一种沉浸式体验，将现实世界的触觉与丰富的互动视觉指导相结合[117]。例如，基于AR的模拟器允许使用实际的外科手术工具，从而提高了手眼协调，准确性和双人灵活性等领域的技能获取[118,119]。Innocente等。开发了用于治疗后髋关节置换术（THA）评估的AR原型，使外科医生可以实时与患者的骨盆和股骨的3D表示相互作用，以评估关节运动学并定位障碍点[120]。同样，Ulrich等。证明了AR如何通过提供出色的可视化并减少外科医生的认知负荷，提高准确性和操作效率来增强截骨术[121]。Condino等。使用Microsoft Hololens和患者特异性的3D模型开发了用于髋关节置换术的混合模拟器，该模拟器使外科医生能够在组件定位和低认知工作量方面高精度训练[122]。混合现实（MR）是一种先进的AR形式，现实世界和数字对象相互作用并共存，将3D模型固定在物理解剖结构中，即使设备移动也可以保持一致的对齐方式[123]。该锚定使外科医生能够可视化精确的解剖对齐，从而提高了程序的准确性和安全性[124]。将AR和MR整合到外科培训和现实世界中的应用中，为减少手术时间和辐射暴露提供了一种有希望的方法，最终改善了患者的预后[123,125]。将生成AI集成到AR框架中有可能通过允许自动测试案例开发和现实用户模拟来显着推动AR/VR应用程序[126,127]。诸如生成对抗网络（GAN）和变化自动编码器（VAE）之类的技术允许生成合成环境和数据增强，从而改善了AI模型对现实世界变异性的适应性[126]。通过产生多样化的现实3D内容和交互情况，生成的AI可以增强AR系统的性能和可靠性，从而可以更有效地培训和沉浸式的手术体验。

考试准备

多项选择问题（MCQ）测试在医学教育中很常见，学生经常依靠各种问题库资源来彻底回答解释。生成的AI工具可以通过作为虚拟教学助理来大大增强此过程。他们可以为每个MCQ提供特定的见解，并就具有挑战性的概念提供有针对性的反馈，从而更好地理解关键主题和更好的考试准备。生成的AI工具也可以用于根据特定主题和难度级别生产自定义的MCQ，适应用户的进度并加强关键概念[67,68,69]。客观结构化临床检查（OSCE）是医学生的重要压力来源，有时不仅仅是常规考试[131]。模拟osces是发展能力的绝佳方法。生成AI可用于生成具有可自定义方案和患者细节（例如人口统计学，表现疾病史和病史）的相关OSCES [74,132]。当提示时，它还可以提供潜在的答案，包括重点的历史查询，体格检查操作以及可能的调查，使其成为OSCE准备和实践的宝贵资源。

利用生成AI进行评估

AI可以通过使用机器学习算法来开发自适应评估系统来增强医学教育中的评估方法。这些系统可以根据学生表现来调整难度水平，确保适当的挑战和对学生的教育进步的支持[60,133]。此外，人工智能可以通过分析评估结果，出勤率和参与度等数据来帮助检测学生在课程中遇到困难的学生。这将使教育工作者能够采取积极的措施，并提供特定的资源来帮助这些学生实现。将生成AI纳入评估过程还可能涉及使用计算机视觉算法来分析学生的临床技能演示，从而提供有关其技术，患者互动和遵守良好实践的详细反馈。

生成AI在骨科教育中的整合提供了一些挑战，应仔细考虑，以确保其有效性和道德使用。这些挑战包括学术诚实，知识限制，可靠性，一致性，偏见，过度依赖，访问不平等，缺乏人类互动，隐私和版权问题。图 3概述了这些关键挑战，以及旨在克服它们的潜在解决方案，例如使用不同的数据集减少算法偏见，定期更新AI数据库，以提高准确性并解决知识限制，促进道德准则，促进道德准则并采用pla窃探测工具来解决学术诚实，并确保诚实诚实，并确保诚实诚实，并确保识别道德准则，并确定识别指南，并确定识别指南，并确定了伦理学指南，并采用了知识限制。公平访问最小化的差异。

与将生成AI纳入骨科教育相关的挑战和潜在解决方案。关键挑战包括算法偏见，不准确性，不一致的产出，对AI的过度依赖，学术不诚实和隐私问题。克服这些挑战的潜在解决方案涉及使用不同的数据集和持续评估，定期更新，具有实时数据，遵守道德和监管指南，采用pla窃检测工具以及促进对AI资源的公平访问

不准确，虚假信息和过时的知识

临床实践既需要精确和准确性，又有生成AI的风险提供误导或不正确的信息令人震惊。尽管取得了进步，但GPT-4等生成的AI工具仍会因错误信息而面临重大挑战[134,135]。幻觉是一种值得注意的现象，在这种现象中，AI产生了不正确的反应，尽管自信和合理的听起来不受证据的支持[136,137]。此外，已经发现Chatgpt生成不存在的参考来支持其输出[138,139]。这种趋势会影响AI生成的数据的可信度，从而引起了人们对其在医学教育中的应用的严重关注。Chatgpt对相同的线索的不均匀答复增加了其可靠性问题[140]。诸如ChatGpt-4之类的生成AI模型的另一个局限性是它无法直接访问实时信息[141]。例如，直到2021年9月，GPT-3.5接受了数据培训，而Chatgpt-4的培训数据直到2023年3月[142]。结果，该特定日期之后发布的建议，出版物或准则将在答复中不提供。但是，在2023年3月，OpenAI为开发人员和订阅者提供了为Chatgpt的插件，使其实时在线访问[82]。现在，它可以使用浏览器之类的工具根据需要访问当前数据。从理论上讲，这将允许它为学生提供准确和更新的信息。Openai先前曾测试过Webgpt，这是一种访问Web的ChatGpt的变体，并发现它倾向于挑选樱桃的信息，这些信息并不总是提供文献的正确描述[143]。LLM在大型静态​​数据集上进行了培训，这些数据集可能并不总是包含最新或专业的医学知识。由于对PubMed或Google Scholar等关键资源的访问有限，培训数据可能缺乏基本的医学信息[144]。这种缺点可能会导致对复杂骨科概念的表面知识。随着医学领域的不断发展，生成的AI工具无法实时更新新信息是一个重要的缺点。此外，这些模型可能缺乏深入的特定专业知识，以及应用高级推理和判断的能力，尤其是在复杂的医学场景中[145]。

算法中的偏差

大型语言模型（LLMS），包括CHATGPT，在许多来源的巨大数据集上进行了培训，这些数据集可能包含有偏见或过时的信息，可能会影响其反应以反映这些偏见或趋势[146]。这可能会导致其产出的社会偏见和先入之见，有可能导致医疗环境中的偏见反应，例如疾病建议或诊断。这可能导致骨科中有偏见或不准确的建议或诊断。结果，对答复进行批判性检查并考虑消除任何偏见的步骤对于确保公平和公正的教学至关重要。

输出不一致

生成的AI可以对同一提示产生不同的反应，这在教育环境中可能是有问题的[140]。例如，它可能会在同一主题上提供矛盾的响应，从而引起混乱。其次，它可以产生各种质量的反应[60]。例如，在最近的一项研究中，与LLM-Chatbot同时提出了完全相同地点的3名研究人员，但他们获得了不同质量的三种不同的回答[147]。与其他两位研究人员相比，第一位研究人员收到了更有条理，更全面的最新反应。这种多样性会给如何确保所有用户（讲师和学生）平等地获得相同，最新和高质量的学习资源的问题。

对AI的过度依赖

AI生成的内容的令人信服的性质可能导致对这些工具的过度依赖，从而损害了诸如批判性思维，解决问题和沟通等学生的基本能力的发展[148,149]。这种依赖可能会减少学生进行独立研究和学习的动机，这对于他们的专业发展至关重要。

无法获得技术的访问

生成AI技术的可访问性各不相同，从而加剧了学生与教育工作者之间的差异。语言理解，技术熟悉，获得必要的硬件和互联网以及财务上的限制都可能影响这些工具的使用方式[150]。确保公平访问AI资源对于弥合教育差距至关重要。

隐私和版权关注

学生和教育者可能会错误地披露个人信息，从而引起对数据保护和遵守法规的担忧。在临床环境中，也有可能违反患者隐私的行为[151]。此外，LLM可能会产生类似于受版权材料的工作，从而提出有关适当归因的问题[152]。确保这些工具的道德和法律使用对于有效地应对这些挑战至关重要。

针对骨科的挑战

尽管许多挑战，例如偏见，不一致和不准确性，在各个领域都很常见，但依赖对骨科医学中肌肉骨骼系统的精确解剖学和空间理解的依赖使AI生成的非核酸非核酸内骨骼的风险尤其是高。例如，提供骨科成像的准确表示需要专门针对肌肉骨骼数据训练的AI模型，从而限制了它们提供准确，专业信息的能力。骨科在很大程度上依赖于成像的解释，例如X射线，MRI和CT扫描。当前的生成AI模型难以可靠，一致地解释这些图像，这可能导致诊断和临床病例模拟的不准确性。骨科程序（例如关节置换或断裂固定）所需的精度和准确性提出了其他挑战。尽管AI模型可以模拟场景，但由于缺乏程序理解，经验和骨科手术所涉及的复杂性，其提供现实，实用手术指导的能力仍然有限。

具有生成AI的骨科教育的未来是有希望的机会。AI技术的进步可以导致开发更准确，更可靠的教育工具，从而最大程度地减少错误信息和偏见的风险。对AI系统的透明度，责任和严格评估是所有方面都必须探索和增强的，以确保结果的可信度和质量[158]。AI可以利用在大型数据集中培训的ML算法使用源一致性和声誉分析来评估源的可信度，以识别可能的虚假信息或不正确信息的传播模式[159]。

为了克服生成的AI在产生广泛的骨科知识并回答复杂问题方面的当前局限性，作者建议，特定的培训和访问骨科文献可以使生成性AI能够更好地在骨科检查上表现更好，甚至表现出色。将AI与实时数据更新集成在一起将确保知识库保持最新和相关。这需要跟上当前的科学文献和临床建议，以确保回答骨科考试问题的相关性和准确性。此外，将生成性AI与大型医学图像和诊断工具数据库相结合可以提高其有效分析复杂临床方案的能力。增强算法还可以提供个性化的学习经验，适应每个学生的独特需求并提供量身定制的教育内容。此外，改进的AI-Human互动功能可以模拟现实的患者情况，从而增强实践技能培训。强调这些特征，并增强生成AI的认知能力，对于充分利用其补充骨科教育和实践的潜力至关重要。

为了有效地将生成型AI整合到骨科课程中，建议采用结构化的分阶段方法，以使教育目标和道德标准保持一致，使学生同时获得基本知识和实践技能。该课程可以从有关AI和生成AI模型的基础知识的介绍性课程开始，涵盖了机器学习，神经网络和生成性AI技术（例如gans，vaes and vaes and Transformers）等基本概念，其中可能包括动手练习，以使学生熟悉学生，使学生熟悉学生生成AI工具（例如ChatGPT或特定于医学模型）的应用。生成AI工具的简介可以在培训的早期阶段进行，以通过交互式模块和虚拟案例研究来支持自我指导的学习并加强核心骨科概念。这些工具可以通过提供自我指导的实践和个性化反馈的机会来补充传统的教学学习。随着学生的发展，可以将生成的AI应用程序纳入临床模拟中，从而使他们能够与现实的患者场景相互作用，从而增强临床推理和决策能力。随后的课程可能会解决AI驱动的VR模拟在外科计划和培训中的作用。教师将需要严格地策划AI生成的内容，以确保它与既定的教育目标和基于证据的实践保持一致。为了发展批判性思维，应鼓励学生分析和批评AI生成的信息，以帮助他们了解AI作为学习工具的优势和局限性。作为整合过程的一部分，对GAI能力和道德考虑的教师培训是必不可少的，可以使教育工作者有效地指导学生。该课程还应解决AI中的道德，数据隐私，偏见和新兴趋势，例如机器人手术和远程医疗中的AI。最后，结合生成AI驱动模块的定期评估将使机构能够评估教育影响，适应技术进步，并确保与骨科教育中基于能力的结果保持一致。

将生成的AI技术整合到当前的教育结构中需要仔细的计划，以确保它们补充和改善传统教学技术而不是更换它们。这包括教育工作者如何有效利用这些技术，以及调整课程以包括AI驱动的学习模块[160]。确保公平使用此类高级AI工具对于弥合教育差距并培养更具包容性的学习环境至关重要。

本研究有一定的局限性。首先，这项研究是一项叙事评论，缺乏系统评价的结构化方法。由于针对骨科教育方面的生成AI的研究有限，因此需要这种方法。由于技术的偏见状态以及在骨科教育特定的该领域的纵向研究或对照试验缺乏纵向研究或对照试验，对生成AI在骨科教育中的长期影响有限的数据有限生成AI应用在骨科培训中的有效性。这项研究的另一个局限性可能是由于该领域迅速发展的性质，文献综述中的潜在偏见。

ABOS:

American Board of Orthopedic Surgery Examination

人工智能：

人工智能

DDMM:

Denoising Diffusion Medical Models

3D-DDPM:

去噪扩散概率模型

FRCS:

Fellowship of the Royal College of Surgeons

甘：

生成对抗网络

通用数据保护条例：

General Data Protection Regulation

GPT:

Generative Pre-Trained Transformer

MCQs:

Multiple-choice questions

ML：

机器学习

NBE:

National Board of Examinations

NLP:

自然语言处理

欧安组织：

Objective Structured Clinical Examination

SICOT:

Société Internationale de Chirurgie Orthopédique et de Traumatologie

微笑：

Simplified Molecular Input Line Entry System

USMLE:

United States Medical Licensing Examination

VAE：

Variational Autoencoders

虚拟现实：

虚拟现实

Nikhil Gupta & Abhinav Kanwal

1. Department of Orthopedics, Postgraduate Institute of Medical Education and Research (PGIMER) Satellite Centre, Sangrur, Punjab, 148001, India

   Kavin Khatri

2. Department of Forensic Medicine and Toxicology, Bhagat Phool Singh Govt Medical College for Women, Khanpur Kalan, Sonepat, Haryana, 131305, India

   Yogender Malik

3. Department of Orthopedics, Dr B.R. Ambedkar State Institute of Medical Sciences, Mohali, Punjab, 160055, India

   Amit Lakhani

4. Department of Orthopedics, Postgraduate Institute of Medical Education and Research (PGIMER), Chandigarh, 160012, India

   Sameer Aggarwal

5. Department of Orthopedics, Guru Gobind Singh Medical College and Hospital, Faridkot, Punjab, 151203, India

   Anshul Dahuja

6. 贡献

   Kavin Khatri and Abhinav Kanwal conceptualized and designed the study. The manuscript was written by Nikhil Gupta and Kavin Khatri. Yogender Malik and Sameer Aggarwal thoroughly reviewed the manuscript and suggested necessary changes. Amit Lakhani and Anshul Dahuja did revisions and proof-reading of the manuscript. All the authors have reviewed and approved the final version of the manuscript.

通讯作者

通讯至Kavin Khatri或者阿比纳夫·坎瓦尔。

道德声明

道德批准并同意参与不适用。同意发表不适用。利益竞争

附加信息

出版商备注

施普林格·自然对于已出版的地图和机构隶属关系中的管辖权主张保持中立。

权利和权限

开放获取

本文获得 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License 的许可，该许可允许以任何媒介或格式进行任何非商业使用、共享、分发和复制，只要您给予原作者适当的署名即可

根据本许可，您无权共享源自本文或其部分内容的改编材料。

本文中的图像或其他第三方材料包含在文章的知识共享许可中，除非材料的出处中另有说明。

要查看该许可证的副本，请访问http://creativecommons.org/licenses/by-nc-nd/4.0/。转载和许可关于本文

引用这篇文章