3D‐X: making spatial sense of cross‐sectional anatomy in an online learning environment
Notice bibliographique
Résumé
Residency programs are demanding an increased knowledge of cross‐sectional anatomy from entering physicians, while medical schools are decreasing time allotted to teaching anatomy. The increasing use of e‐learning resources in medical education led us to create a web‐based tool to facilitate the learning of cross‐sectional anatomy. A 3D model of the abdomen was constructed in Amira 5.0, by segmenting 600 images from the Visible Male cryo‐section data. A number of cross‐sectional images were imported into Flash CS4 along with five reconstructed models, and interactive controls for the 3D models and dynamic labels for the cross‐sections were programmed using the ActionScript 3.0 engine in CS4. The application, titled 3D‐X, was exported in a web‐friendly flash format and published online. In 3D‐X, users can view seven key cross‐sections, while the planes of origin are indicated on the 3D model. The 3D model can be rotated and modified to view various structures from different angles. Moving the cursor over an anatomical structure on a 2D cross‐section causes the structure's textual label to appear and colors the structure to match its counterpart on the 3D model. Clicking a structure on a 2D cross‐section modifies the 3D model to create an unobstructed view of the structure and may help users correlate 2D and 3D information. Based on a research study, 3D‐X co‐administered with cadaveric anatomy improved CT interpretation when compared with learning solely through cadaveric anatomy. 3D‐X therefore shows promise as a tool for enhanced learning of cross‐sectional anatomy by providing a familiar 3D context to aid with spatial orientation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».