人工智能生成內容在醫學教育中的應用、挑戰與展望

摘" "要：隨著以ChatGPT為代表的生成式人工智能技術的興起，人工智能生成內容（AIGC）對醫學教育的理論教學、實踐教學、測量評估等方面均產生了推動作用。作為醫學教育創新發展中的重要一環，AIGC的應用、挑戰與未來發展值得關注。為推進新醫科建設，更好地將AIGC融入我國醫學教育，匯總AIGC在國內外醫學教育中的創新應用，為我國醫學教育提供借鑒，并進一步探討AIGC的應用風險與倫理挑戰，提出AIGC在醫學教育中的三個先進案例，探討AIGC相關技術如何運用于不同階段的醫學教育，進而促進AIGC技術對我國醫學教育的賦能作用。最后，展望檢索增強生成、多智能體、Sora等AIGC相關技術在未來醫學教育中的運用可能，基于此提出以下啟示：AIGC作為新質生產力的代表，在醫學教育中的應用前景廣闊，但其發展和應用需要綜合考慮技術可行性、倫理標準、社會接受度、法律法規、教育效果等多維度的因素。醫學教育界既應積極把握AIGC技術所帶來的機遇，也要做好準備以充分應對其挑戰，以此來最大化AIGC對醫學教育的價值和效果。

關鍵詞：AIGC；醫學教育；GPT；大語言模型；數字化；衛生健康事業

中圖分類號：R-4；G434" " " 文獻標志碼：A" " " " "文章編號：1673-8454（2024）08-0029-12

DOI：10.3969/j.issn.1673-8454.2024.08.003

作者簡介：江哲涵，北京大學醫學教育研究所副研究員、國家中醫藥管理局中醫師資格認證中心研究處副處長、博士生導師，博士（北京 100191）；奉世聰，北京大學教育學院2023級碩士研究生（北京 100871）；王維民，通訊作者，北京大學醫學教育研究所所長、教授、主任醫師、博士生導師，博士（北京 100191）

基金項目：2022年國家衛生健康委員會—國家醫學考試中心“十四五”改革重點項目“臨床執業醫師資格考試準入標準與內容設計”（編號：NMEC2022001）；2022年國家自然科學基金青年項目“基于貝葉斯法的國家級考試成本—效果分析及優化：以執業醫師資格考試的改革為例”（編號：72104006）

一、引言

隨著人工智能生成內容（Artificial Intelligence Generated Content， AIGC）相關技術在全球醫學教育領域的迅速崛起與廣泛應用，其在提升教育質量、效率與個性化學習方面的潛力日益凸顯。[1][2]作為一種革新性的教育工具，AIGC技術不僅能夠通過諸如虛擬病人交互、自動化題庫生成、3D解剖學模擬等方式重塑教學實踐，而且其在解決醫學教育中長期存在的問題，如資源分配不均、知識更新滯后、學習體驗單一等方面展現出巨大潛力。[3-5]因此，深入探索AIGC在醫學教育中的應用不僅是對現有教學模式的革新與拓展，更是對未來醫學人才的培養模式開展具有前瞻性意義的探索。[4]

本研究旨在系統梳理AIGC技術在醫學教育中的應用現狀，揭示其對學習成效的積極影響，深入探討其所面臨的挑戰與倫理考量，通過分析國內外先進應用案例來揭示其解決實際問題的能力，并展望AIGC在醫學教育中的未來發展，以及提出提高其在醫學教育中應用質量的策略。最后，強調繼續研究和深入探索AIGC在醫學教育領域應用的重要性，呼吁全球教育者、技術開發者和政策制定者共同推動醫學教育的創新與進步。

二、AIGC技術在醫學教育中的應用現狀

AIGC技術在醫學教育領域的應用日益廣泛，其在教學資源生成、教學過程優化、學習支持與評價等方面均展現出顯著優勢。[6]

首先，AIGC技術憑借其強大的自動生成能力，可根據醫學課程需求，迅速生成教材、講義、案例分析等教學材料，極大豐富了教學資源庫。[4][7-10]以大型語言模型如聊天生成預訓練轉換器（Chat Generative Pre-trained Transformer， ChatGPT）為例，教師可快速生成與最新醫學進展相匹配的文本內容，確保教學資料的時效性和準確性。[11]此外，AIGC在評估材料生成上同樣具有關鍵作用，如自動生成多選題、案例分析題等，節省教師時間與精力，[5][11-15]滿足醫學教育中頻繁、大規模評估需求。[4][16]

其次，AIGC技術的智能輔助功能顯著提升教學效率，通過提供智能答疑、個性化學習推薦等服務，減輕教師工作負擔，加速教學進程。[5][17-19]借助AIGC技術自動評估學生作業，教師可即時反饋給學生，同時減少人工批改時間。[11][20-22]AIGC通過分析學生學習數據，推薦適應個體差異的學習資源和路徑，可以實現個性化教學。[11][23][24]另外，AIGC技術還可模擬復雜臨床場景，為學生提供沉浸式、交互式學習環境。[25-27]學生可通過與AIGC驅動的虛擬患者互動，安全無風險地演練臨床推理、診斷和治療技能，提升臨床決策能力。[18][27][28]這種貼近實際的實踐機會對增強醫學生臨床實踐能力和自信心具有重要意義。[18][29][30]AIGC技術在學習支持方面也可以提供實時學習反饋、個性化學習路徑規劃、智能測評等服務，增強學生學習體驗與效果。[18][31][32]

最后，在評價方面，AIGC不僅能自動生成評估題目，還能輔助教師進行學生作業的自動評分和反饋，為學生提供客觀、全面的評價結果及改進建議。[5][33][34]作為學習社區密集型的學科，即醫學知識的傳播、汲取高發于同伴之間與工作環境之中，AIGC技術降低了醫學知識創作的技術門檻，鼓勵醫學生、教師及行業專家積極參與內容共創，形成活躍的醫學學習社區。在這樣的平臺上，用戶可以利用人工智能（Artificial Intelligence， AI）作為創意助手，共同設計醫學插畫、科普漫畫、教學短視頻等，既豐富了醫學教育資源，又促進了知識的傳播與交流。醫學生還可以通過與AI合作，創作個性化的學習筆記、病例分析報告，甚至參與國際醫學競賽、科研項目，提升自身的創新思維與實踐能力。

上述應用現狀在宏觀影響上不僅體現了生產力革新，也體現了人力資源變革。前者表現在，AIGC技術的引入極大地提升了醫學教育的知識生產與傳播效率，打破了傳統醫學教育中知識更新的瓶頸，[4][11][35]實現了知識的即時、精準傳遞，推動醫學教育生產力的革新。后者則是AIGC技術替代了部分重復性、低技能的教學任務，使教師能夠將更多精力投入到教學設計、創新研究、個性化指導等高價值工作中，[4][5][36]同時對醫學教育人才的知識結構和技能要求提出新的挑戰，要求教師具備更高的信息技術素養、數據分析能力和創新能力。

中觀影響集成了教學模式創新與教育公平推動。模式上，AIGC技術推動醫學教育從以教師為中心的傳統模式轉向以學生為中心的個性化、自主學習模式，[18][37-39]實現了教學內容、形式和方法的變革。公平性上，AIGC技術有助于緩解醫學教育資源的地域、城鄉、學校間的不均衡問題。通過網絡化、數字化的方式，AIGC能夠將優質醫學教育資源輻射到邊遠地區、基層醫療機構，提升醫學教育的普惠性和公平性。[4][18][40][41]

最后，微觀影響既反饋在學生學習行為上，也反映在師生關系更迭上。AIGC改變了學生的學習方式與學習習慣，促進了深度學習、主動學習、合作學習等新型學習方式的普及，激發學習興趣與動力，提高學習效果。[4][18]而重構了師生關系體現在，教師的角色由知識的傳授者轉變為學習的引導者、教練員，學生則由被動接受者轉變為主動探索者、合作者，師生間的交流互動更加頻繁、深入，形成新型的師生合作關系。[4][18][42]

三、面臨的挑戰與倫理考驗

盡管AIGC技術在醫學教育中展現出諸多潛力和優勢，其應用過程中也面臨一系列挑戰與倫理考驗。

第一是數據隱私與信息安全。AIGC技術在生成教學資源、優化教學過程及提供學習支持時，可能涉及大量敏感的醫學數據和個人信息。[5][18][43-45]確保這些數據的安全存儲、傳輸和使用，防止未經授權的訪問、泄露或濫用，是醫學教育應用AIGC時首要考慮的問題。遵守嚴格的醫療數據保護法規，如《健康保險流通與責任法案》（Health Insurance Portability and Accountability Act， HIPAA），以及實施有效的數據加密、訪問控制和審計機制至關重要。[4][46]

第二是過度依賴AIGC技術可能導致教師教學能力退化、學生自主學習能力減弱。[4][5][47][48]教師應合理規劃AIGC技術的應用范圍與深度，避免完全取代傳統教學方法。同時，加強對教師的信息技術素養與創新能力的培養，鼓勵學生自主學習與探究性學習。[4][5][18][49]針對學生在考試中以AIGC作弊亂象，不僅需從學生的規范使用、引導善用入手，更需從提升教師教學評價邏輯與方式切入，而非一味地封殺學生AIGC使用行為。

第三是AIGC的透明度弱、可解釋性差，以及誤報和偏見，可能導致學生和教師對其提供的信息、建議缺乏理解和信任。[5][18][50-52]為了保證教育質量和倫理合規，醫學教育應利用AIGC技術提供清晰的決策解釋，確保使用者了解其工作原理、數據來源及推薦依據。[4][5][53]如若不然，AIGC技術可能會因訓練數據偏差、算法缺陷等原因產生錯誤信息或強化社會偏見。[4][18][54-56]教育機構需建立有效的審查機制，定期評估AIGC生成內容的準確性和公正性，及時糾正錯誤，并通過多樣化的數據源和算法優化減少潛在偏見。[5][18][57][58]

此外，法規遵從與責任歸屬、終身學習與職業發展間緊密相連，亟待強化。AI相關法律法規的遵從性問題日益凸顯，如歐盟的《通用數據保護法案》（General Data Protection Regulation，GDPR）和美國加利福尼亞州的《加州消費者隱私法案》（California Consumer Privacy Act，CCPA）等。明確責任主體、制定應對潛在法律糾紛的預案，以及強化對AI倫理規范的認識與遵守，是保障醫學教育合法、有序發展的必要條件。[4][5][50][59][60]再者，醫學教育需要不斷適應科技進步，教師和學生需具備持續學習與適應新技術的能力。AIGC技術的快速發展要求教育機構提供相應的培訓和支持，幫助教師提升AI素養，引導學生適應AI輔助學習環境，確保他們在職業生涯中能夠有效利用和批判性思考AI生成的內容。[4][5][61-63]

四、先進案例與實證研究

國內典型案例為全國醫學教育發展中心的“醫學教育小百科”——醫學教育垂直領域的大語言模型應用，體現了當前主流AIGC應用的全棧式構建。其語庫資料涵蓋醫學教育經典教科書、期刊文獻、國內外相關政策文件，共計2000多份且保持階段性更新，確保了知識來源的權威性與廣泛性，為“醫學教育小百科”提供堅實的知識基礎，使其能夠準確、全面地解答用戶在醫學教育領域的多類問題。技術環節上，“醫學教育小百科”利用的FastGPT平臺可靈活調用不同模型（如“文心一言”和“通義千問”）作為問答基座，并將信息處理、知識調用、匯總輸出等步驟串聯起來，以應對多輪推理、跨學科知識融合或特定場景模擬等高級需求。在數據存儲與檢索方面，系統依然采用高性能的MongoDB數據庫，以應對醫學教育領域海量數據的存儲與高效查詢需求。MongoDB的靈活文檔模型與強大的索引功能，能夠輕松管理復雜多樣的教育資源，如課程大綱、教學案例、教師簡介等，并能迅速響應用戶對特定知識點、教學資源或政策信息的檢索請求，提供相應查詢結果。在用戶交互與訪問方面，“醫學教育小百科”依然通過功能完善的微信作為前端界面，提供便捷的移動訪問體驗，其社交屬性也促進了醫學教育知識的分享與傳播，進一步提升了“醫學教育小百科”的影響力和實用性。

在院校醫學教育階段，文本驅動的圖像生成技術為AIGC在醫學教育中的應用提供了新的可能性。MedSyn模型[64]能夠實現基于文本信息的高質量肺部CT圖像生成。研究中訓練了一個針對醫學文本優化的BERT模型，以提取用戶輸入的文本標記特征。通過使用低分辨率的3D擴散模型，生成融合文本信息的64×64×64低分辨率CT圖像；再運用超分辨率3D擴散模型，通過輕量級UNet將圖像采樣至256×256×256的高分辨率，同時補充缺失的解剖細節。經過大規模3D數據集的驗證，MedSyn在解剖學合理性方面相較于現有的生成對抗網絡（Generative Adversarial Network，GAN）和擴散模型更具優勢。在醫學教育實踐中，MedSyn模型能夠根據使用者輸入的文本提示來生成具有精細解剖特征的CT圖像，幫助學生更深入地理解肺部解剖結構及其病理表現。利用文本驅動的圖像生成技術，使學生即使在未接觸真實患者的情況下，也能利用高度仿真的醫學影像來進行學習。這不僅豐富了學生的學習體驗，保護患者的個人隱私；而且在一定程度上，緩解了醫學教學資源、多媒體資源的不足和不均等問題。而對于醫學教師而言，這些技術還可以幫助編寫個性化的教學材料，滿足多樣化的教學需求和適應不同學生的學習進度。相信隨著技術的不斷進步和模型的優化迭代，AIGC在醫學教育中的應用前景十分廣闊，有望促進醫學模擬教育和個性化學習的發展。

在畢業后的醫學教育階段，AIGC也逐漸成為提升醫學教學質量和個性化學習體驗的重要方式。紐約大學格羅斯曼醫學院（NYU Grossman School of Medicine）開發的DX Mentor項目[65][66]便是一個典型案例，利用AIGC技術實現了醫學生學習資源的個性化定制和實時更新。DX Mentor項目的核心在于其能夠根據學生所負責患者的信息，從最新的醫學文獻中自動提取和定制學習資源。DX Mentor項目精確匹配電子病歷系統中的數據與醫學教育資源，每日早晨8：30向醫學生發送個性化電子郵件，提供由AI生成的練習題，來自Amboss、Osmosis、UpToDate，以及PubMed的文本、圖表、視頻、相關綜述、指南文獻等一系列學習材料，而這些內容均基于學生最近接診的病例。個性化學習方案不僅提高了學習效率，而且促進了學生對醫學知識的深入理解和應用。ChatGPT聊天機器人在DX Mentor項目中的整合進一步增強了學習的便利性和效率，醫學生一鍵即可獲取所有推薦文章摘要的總結，從而快速掌握關鍵信息。AIGC在醫學生輔導和目標設定方面也表現出巨大潛力。設定特定學習目標的醫學生可以接收ChatGPT提供的針對性建議和計劃，甚至包括推薦其在紐約大學醫院系統中特定診所進行學習的詳細建議。DX Mentor項目通過智能化的輔導和目標設定，極大地提升了醫學生的學習效率和教育質量。

五、提高AIGC在醫學教育中

應用質量的策略

AIGC技術為醫學教育提供了令人興奮的新可能性。然而，為充分發揮其潛力，使用者必須采取措施來提高應用質量，包括建立評估框架、提供適當的教程和最佳實踐指南、改進錯誤識別和糾正機制。通過這些舉措，醫學教育工作者能更有效、更負責任地使用AIGC，為學生提供高質量的教育體驗。

為了有效地將AIGC整合到醫學教育中，使用者須建立嚴格的質量評估框架。這包括評估生成內容的準確性、相關性、連貫性和教學效果。[25]一種方法是使用人工評估，其中醫學專家審查AIGC生成的內容并提供反饋。另一種方法是開發自動化的評估指標，如BLEU（Bilingual Evaluation Understudy）和ROUGE（Recall-Oriented Understudy for Gisting Evaluation），用于測量生成文本與參考答案之間的相似性。[67]此外，我們可以進行用戶研究，收集學生和教師對AIGC生成的教學材料、模擬的反饋。通過結合人工和自動評估方法，使用者可全面評估AIGC在醫學教育中的應用質量。

此外，為教育工作者使用AIGC提供適當的指導和培訓已成為當務之急。開發教程和最佳實踐指南，說明如何有效地使用大語言模型來創建高質量的教學內容和評估問題。[25]關鍵是提供清晰、具體的提示，引導AIGC生成準確、相關和有教育意義的響應。例如，提示應包括所需內容的詳細說明、目標受眾、所需格式和任何特定的醫學術語或概念。通過遵循最佳實踐并提供精心設計的提示，教育工作者可以顯著提高AIGC生成的內容質量，從而增強學生的學習體驗。

著眼于完善AIGC在醫學內容中錯誤識別和糾正機制的方法，也是策略當中的重要一環。盡管AIGC在生成高質量醫學內容方面顯示出巨大的潛力，但確保其輸出的準確性和可靠性仍然是一個關鍵挑戰。為了解決這個問題，使用者必須開發先進的錯誤識別和糾正機制。一種方法是利用醫學知識圖譜和本體來驗證AIGC生成內容的事實準確性。[5]通過將生成的信息與結構化的醫學知識庫進行比較，可以識別和糾正任何事實錯誤或不一致之處。另一種方法是采用基于眾包的方法，利用醫學專家社區的集體智慧來審查和編輯AIGC生成的內容。研究表明，通過結合自動化和人工錯誤糾正技術顯著能提高AIGC在醫學教育中應用的準確性和可靠性。[25]

六、AIGC前沿生態與落地場景

AIGC百花齊放，正逐步形成充滿活力的生態圈，各種前沿技術層出不窮，其中，以檢索增強生成（Retrieval Augmented Generation，RAG）、多智能體（Multi-Agent）、Sora為代表的視頻生成，以及AI驅動的數字人等新興科技，正成為引領AIGC發展方向的重要力量。這些技術不僅在娛樂、游戲、廣告等領域大放異彩，還在推動整個醫學教育的數字化轉型中扮演關鍵角色。同時，我國醫學教育中無法回避的“中醫”，也必然為AIGC的生態延伸與場景拓寬提供獨特的中國視角。

RAG技術，即檢索與生成相結合的技術，通過引入外部知識庫，顯著提升文本生成的質量和準確性，這一特性使其在醫學教育中具有顯著的應用價值。在醫學教育環境中，RAG技術能夠協助學生深入探索和理解復雜的醫學概念。例如，在分析特定病例時，RAG技術可以從廣泛的醫學文獻和數據庫中精準檢索相關病例資料、治療方法和最新的研究進展。利用生成能力，它可以整合相關信息，為學生提供一份詳盡且有針對性的病例報告，從而加深學生對病例的全面理解。相較于僅依賴內部知識庫的語言模型，RAG技術通過結合外部資源，為醫學教育提供了更為準確和專業的信息支持。這種技術的引入，不僅提高了學生的學習效率，也增強了他們對醫學知識掌握的深度和廣度。

多智能體通過多個智能體的協作與通信，模擬出真實的醫療環境，為醫學教育提供全新的教學手段。該系統能夠構建一個包含醫生、護士、患者等多種角色的復雜場景，使學生在模擬的醫療流程中與各智能體進行交互，從而深入學習和掌握醫學知識。以急救醫學的教學為例，多智能體可以模擬一個真實的急救場景，其中包含急救醫生、護士、模擬患者等多個智能體。學生在這個環境中，需要依據模擬患者的病情變化，與各個智能體進行有效的溝通協作，制定出合理的治療方案。這樣的教學方式，不僅提升了學生的臨床實踐能力，還強化了他們的團隊協作和溝通技巧。此外，在醫學知識的表示和推理方面，多智能體也展現出了獨特的優勢。通過智能體之間的協作和信息共享，學生可更好地理解醫學概念之間的關聯，提升他們的綜合分析和解決問題的能力。

以Sora為代表的視頻生成技術，通過生成高質量的醫學教學視頻，為醫學教育提供了更為直觀和生動的教學資源。這種技術能夠將抽象的醫學概念和復雜的生理過程以動態、可視化的形式展現出來，從而降低學生的理解難度，提升他們的學習興趣。例如，在解剖學教學中，視頻生成技術可以生成詳細展示人體各個器官和結構的三維動畫視頻。學生通過觀看視頻，能夠更清晰地了解人體的內部結構和生理功能。相較于傳統的文字和圖片教材，這種動態的視頻教材更能吸引學生的注意力，提高他們的學習效果。不僅如此，Sora技術還具有生成錯誤示例視頻的獨特功能，能夠按照教學需求故意制造出操作順序錯誤或違反醫療規程的場景，如模擬手術中的不當操作、用藥錯誤等。這些“反面教材”為教學增添了寶貴的素材，使學生在對比正確的操作流程中，更深刻地認識到錯誤行為的潛在危害與正確做法的重要性，從而在實踐中避免類似錯誤的發生。同時，這些錯誤視頻也可用于測評環節，作為檢驗學生判斷力與批判性思維的有效工具，要求他們識別并指出視頻中的錯誤之處，進一步鞏固所學知識，提升臨床決策能力。

AI驅動的數字人通過模擬真實的患者反應和癥狀，為醫學實操訓練提供了有力的支持。作為虛擬現實（Virtual Reality，VR）或增強現實（Augmented Reality，AR）教學環境中的一種核心元素，通過模擬真實患者的生理反應、病狀表現和人際互動，為醫學實操訓練帶來前所未有的沉浸式體驗和教學效益。這些高度逼真的數字患者，由AIGC技術賦予生命，能夠在虛擬診療場景中精確復現各類病癥和體征，為醫學生提供一個安全、無風險且可調控的實踐平臺。AI驅動的數字人不僅能根據預設的病例劇本展現特定疾病的典型特征，還能憑借AIGC強大的自然語言處理和情境理解能力，實時響應學生的詢問和操作，呈現出個體化、動態化的病情進展，甚至模擬突發狀況或并發癥，極大地豐富了訓練的復雜性和真實性。此外，AIGC技術還可以驅動虛擬環境中其他角色的智能交互，如同事、導師或家屬等，營造出全方位、多角度的臨床情景模擬。醫學生可以在這樣的環境中鍛煉跨專業協作、溝通技巧和倫理決策能力，全面模擬從接診到出院的整個診療流程，提前熟悉未來職業生涯中可能遇到的各種復雜情境，提升其綜合臨床勝任力。

AIGC多模態技術在中醫醫學教育中的巨大潛力，為傳統中醫教學模式帶來革新性的啟示，不僅能從教學效率與教學質量上進行提升，更可促進中醫知識的普及與傳承。構建多感官交互的中醫學習環境，讓學生親身體驗中藥炮制、針灸手法、推拿操作等實踐技能，提升學習興趣與實踐能力。AIGC的語音識別、圖像識別等技術實時監測學生的技能操作，提供即時糾正與指導，如在模擬針灸練習中，AI能判斷穴位定位是否準確、手法是否規范。此外，AIGC對多模態數據和信息的整合，可促進中醫與現代科學技術的深度融合：長期以來，在臨床和科研中，困擾中醫理論如何與生物信息學、計算生物學相結合的痛點有望解決，在AIGC的幫助下學生（同時也可能是未來的科研工作者）通過識別、理解復雜的生命現象與疾病機理，養成跨學科思維。誠然，AIGC技術通過融入病例VR場景模擬的嘗試而實現辨證論治、方藥配伍等實踐訓練，但其對復雜中醫診療信息（如脈象、舌象等）的理解與模擬尚需進一步提升，從而確保教學指導的準確性和可靠性，更好地體現中醫學科特色與理論精髓。

七、結論與啟示

AIGC在醫學教育中的應用，不僅是一種技術創新，更是一種教育理念與教學模式的革新，它與醫學教育的理論基礎、新質生產力特征，以及醫學教育特有的學制、專業性、見習、輪轉、操作訓練、臨床思維培養等要素產生深度關聯，同時也對醫學教育認證體系、包括規培在內的培養制度提出了新的要求與挑戰。從理論層面看，AIGC技術的應用與醫學教育的深度整合，實質上是對教育信息化理論、個性化學習理論以及情境學習理論的實踐延伸。教育信息化理論主張利用現代信息技術優化教學過程、豐富教學資源，AIGC恰好以其強大的自動生成能力，為醫學教育提供實時更新、高度定制化的教學內容，契合了這一理論的核心要義。個性化學習理論強調因材施教，關注每個學生的個體差異，AIGC通過分析學生學習數據，推薦個性化學習路徑，實現了這一理念在醫學教育中的具體應用。情境學習理論主張在模擬真實情境中進行學習，以提升知識遷移與技能應用能力，AIGC驅動的虛擬病人交互和臨床場景模擬為醫學生提供沉浸式、高仿真度的學習環境，踐行了這一理論原則。[68]

作為新質生產力的代表，AIGC對醫學教育的深遠影響體現在其快速、精準的知識生產與傳播能力，不僅突破傳統醫學教育的知識更新瓶頸，更可顯著提升醫學教育的生產力水平。同時，AIGC對重復性教學工作的自動化處理，使教師能在高價值的教學創新與個性化指導方面投入更多精力，推動人力資源結構的優化。這種生產力革新不僅體現在教學內容的豐富與更新速度上，更體現在教學效率與學習效果的顯著提升，以及教育資源分配的公平性改善上。

尤其是醫學教育，因學制長、專業性強、實踐要求高等特性，其與AIGC技術的結合呈現出鮮明的獨特性。在學制方面，醫學教育的本科、碩士、博士乃至畢業后規培等多層次體系，為AIGC提供了多元化的應用場景，從基礎理論教學、專業知識深化，到臨床技能訓練、專業思維養成，AIGC都能提供針對性的支持。在專業性方面，醫學教育對知識的嚴謹性、準確性有著極高要求，AIGC通過與權威醫學數據庫、知識圖譜的深度融合，確保了生成內容的專業水準。在見習、輪轉、操作訓練等實踐環節，AIGC模擬的真實病例、手術演示、操作指導，為醫學生提供安全、靈活的學習平臺，彌補了實物資源的不足。在臨床思維培養方面，AIGC驅動的虛擬病例討論、決策模擬等互動式學習，有效鍛煉了醫學生的臨床推理能力。

然而，AIGC在醫學教育中的廣泛應用，也對現有的教育認證體系與培養制度提出了新的挑戰。傳統的醫學教育認證往往側重于師資力量、硬件設施、課程設置等實體資源的評估，而AIGC的引入要求認證標準適應數字化、智能化的教學模式，關注教育數據的合規使用、教學質量的動態監控、學生學習效果的量化評估等新維度。對于規培制度而言，AIGC技術的應用可能引發對規培時長、內容、考核方式的重新審視，如何在保證醫學教育質量的前提下，合理融入AIGC輔助學習，避免過度依賴技術而忽視臨床實踐經驗的積累，是政策制定者與教育實踐者需要審慎思考的問題。

面對上述陳列的種種變革，醫學教育界應積極應對，既要把握AIGC帶來的機遇，充分挖掘其在提升教育質量、促進個性化學習、優化教育資源分配等方面的潛力，又要關注由此產生的倫理、認證、規培制度調整等挑戰，通過制度創新與標準修訂，確保醫學教育在智能化轉型過程中保持其專業性、嚴謹性與人文關懷，為培養適應未來醫療環境的高素質醫學人才奠定堅實基礎。

參考文獻：

[1]STOKEL-WALKER C， VAN NOORDEN R. What ChatGPT and generative AI mean for science[J]. Nature， 2023， 614（7947）：214-216.

[2]FATANI B. ChatGPT for future medical and dental research[J]. Cureus， 2023（4）：e37285.

[3]AGARWAL M， SHARMA P， GOSWAMI A. Analysing the applicability of ChatGPT， bard， and bing to generate reasoning-based multiple-choice questions in medical physiology[J]. Cureus， 2023，15（6）：e40977.

[4]BOSCARDIN C K， GIN B， GOLDE P B， et al. ChatGPT and generative artificial intelligence for medical education： potential impact and opportunity[J]. Academic Medicine， 2023， 99（1）：22-27.

[5]WU J T Y， SHENOY E S， CAREY E P， et al. ChatGPT： increasing accessibility for natural language processing in healthcare quality measurement[J]. Infection Control amp; Hospital Epidemiology， 2023，45（1）：9-10.

[6]LUCAS H C， UPPERMAN J S， ROBINSON J R. A systematic review of large language models and their implications in medical education[J/OL]. Medical Education. （2024-04-19）[2024-04-22]. https：//onlinelibrary.wiley.com/doi/abs/10.1111/medu.15402.

[7]BAKKUM M J， HARTJES M G， PI?T J D， et al. Using artificial intelligence to create diverse and inclusive medical case vignettes for education[J]. British Journal of Clinical Pharmacology， 2024，90（3）：640-648.

[8]COlt;D：＼2024年＼中國教育信息化＼中國教育信息化2024-8＼tp＼符號.tifgt;KUN ?， KIYAK Y S， BUDAKOlt;D：＼2024年＼中國教育信息化＼中國教育信息化2024-8＼tp＼G.tifgt;LU I lt;D：＼2024年＼中國教育信息化＼中國教育信息化2024-8＼tp＼G.tifgt;. ChatGPT to generate clinical vignettes for teaching and multiple-choice questions for assessment： a randomized controlled experiment[J]. Medical Teacher， 2024：1-7.

[9]MONDAL H， MARNDI G， BEHERA J K， et al. ChatGPT for teachers： practical examples for utilizing artificial intelligence for educational purposes[J]. Indian Journal of Vascular and Endovascular Surgery， 2023，10（3）：200.

[10]HAN Z， BATTAGLIA F， UDAIYAR A， et al. An explorative assessment of ChatGPT as an aid in medical education： use it with caution[J]. Medical Teacher， 2023，0（0）：1-8.

[11]KUNG T H， CHEATHAM M， MEDENILLA A， et al. Performance of ChatGPT on USMLE： potential for AI-assisted medical education using large language models[J]. PLOS Digital Health， 2023，2（2）：e0000198.

[12]ZUCKERMAN M， FLOOD R， TAN R J B， et al. ChatGPT for assessment writing[J]. Medical Teacher， 2023，45（11）：1224-1227.

[13]INDRAN I R， PARAMANATHAN P， GUPTA N， et al. Twelve tips to leverage AI for efficient and effective medical question generation： a guide for educators using ChatGPT[J]. Medical Teacher， 2023，0（0）：1-6.

[14]KLANG E， PORTUGEZ S， GROSS R， et al. Advantages and pitfalls in utilizing artificial intelligence for crafting medical examinations： a medical education pilot study with GPT-4[J]. BMC Medical Education， 2023，23（1）：772.

[15]CHEUNG B H H， LAU G K K， WONG G T C， et al. ChatGPT versus human in generating medical graduate exam multiple choice questions—a multinational prospective study （Hong Kong S.A.R.， Singapore， Ireland， and the United Kingdom）[J]. PLOS ONE， 2023，18（8）：e0290691.

[16]ARTSI Y， SORIN V， KONEN E， et al. Large language models for generating medical examinations： systematic review[J]. BMC Medical Education， 2024，24（1）：354.

[17]LENG L. Challenge， integration， and change： ChatGPT and future anatomical education[J]. Medical Education Online， 2024，29（1）：2304973.

[18]LEE H. The rise of ChatGPT： exploring its potential in medical education[J/OL]. Anatomical Sciences Education， 2023. （2024-03-14）[2024-04-18]. https：//anatomypubs.onlinelibrary.wiley.com/doi/10.1002/ase.2270.

[19]ABD-ALRAZAQ A， ALSAAD R， ALHUWAIL D， et al. Large language models in medical education： opportunities， challenges， and future directions[J]. JMIR Medical Education， 2023，9（1）：e48291.

[20]COTTON D R E， COTTON P A， SHIPWAY J R. Chatting and cheating： ensuring academic integrity in the era of ChatGPT[J]. Innovations in Education and Teaching International， 2024，61（2）：228-239.

[21]CARDONA M A， RODRíGUEZ R J， ISHMAEL K. Artificial intelligence and the future of teaching and learning： insights and recommendations[EB/OL]. UNT Digital Library. （2023-05）[2024-04-23]. https：//digital.library.unt.edu/ark：/67531/metadc2114121/.

[22]FULLER K A， MORBITZER K A， ZEEMAN J M， et al. Exploring the use of ChatGPT to analyze student course evaluation comments[J]. BMC Medical Education， 2024，24（1）：423.

[23]FENG S， SHEN Y. ChatGPT and the future of medical education[J]. Academic Medicine， 2023，98（8）：867.

[24]DIVITO C B， KATCHIKIAN B M， GRUENWALD J E， et al. The tools of the future are the challenges of today： the use of ChatGPT in problem-based learning medical education[J]. Medical Teacher， 2024，46（3）：320-322.

[25]EYSENBACH G. The role of ChatGPT， generative language models， and artificial intelligence in medical education： a conversation with ChatGPT and a call for papers[J]. JMIR Medical Education， 2023，9（1）：e46885.

[26]DE OLIVEIRA A S， BOLLELA V R. ChatGPT simulations to develop communication skills in health education[J]. Medical Education， 2024，58（5）：592-593.

[27]MOULIN T C. Learning with AI language models： guidelines for the development and scoring of medical questions for higher education[J]. Journal of Medical Systems， 2024，48（1）：45.

[28]BENíTEZ T M， XU Y， BOUDREAU J D， et al. Harnessing the potential of large language models in medical education： promise and pitfalls[J]. Journal of the American Medical Informatics Association： JAMIA， 2024，31（3）：776-783.

[29]TSANG R. Practical applications of ChatGPT in undergraduate medical education[J]. Journal of Medical Education and Curricular Development， 2023，10：23821205231178449.

[30]HESS B J， CUPIDO N， ROSS S， et al. Becoming adaptive experts in an era of rapid advances in generative artificial intelligence[J]. Medical Teacher， 2024，46（3）：300-303.

[31]PEACOCK J， AUSTIN A， SHAPIRO M， et al. Accelerating medical education with ChatGPT： an implementation guide[J]. MedEdPublish， 2023，13：64.

[32]WU Y， ZHENG Y， FENG B， et al. Embracing ChatGPT for medical education： exploring its impact on doctors and medical students[J]. JMIR Medical Education， 2024，10（1）：e52483.

[33]王茹俊，王丹.ChatGPT介入醫學教育的倫理風險及應對策略[J].醫學與哲學，2024，45（2）：76-81.

[34]SRIDHARAN K， SEQUEIRA R P. Artificial intelligence and medical education： application in classroom instruction and student assessment using a pharmacology amp; therapeutics case study[J]. BMC Medical Education， 2024，24（1）：431.

[35]SALEEM N， MUFTI T， SOHAIL S S， et al. ChatGPT as an innovative heutagogical tool in medical education[J]. Cogent Education， 2024，11（1）：2332850.

[36]ADESHOLA I， ADEPOJU A P. The opportunities and challenges of ChatGPT in education[J]. Interactive Learning Environments， 2023，0（0）：1-14.

[37]TAN L F， NG I K S， TEO D. Artificial intelligence tools in medical education beyond Chat Generative Pre-trained Transformer （ChatGPT）[J]. Postgraduate Medical Journal， 2024：qgae014.

[38]金鐵峰，樸俊杰，楊洋，等.人工智能在醫學教育領域的應用研究——基于CiteSpace的文獻共詞分析[J].醫學與哲學，2024，45（2）：72-75.

[39]陳峰，黃國禎，諸葛晶，等.人工智能醫學教育應用研究的國際圖景與趨勢[J].醫學與哲學， 2024，45（2）：67-71，81.

[40]WANG X， SANDERS H M， LIU Y， et al. ChatGPT： promise and challenges for deployment in low- and middle-income countries[J]. The Lancet Regional Health. Western Pacific， 2023，41：100905.

[41]ALKHAALDI S M I， KASSAB C H， DIMASSI Z， et al. Medical student experiences and perceptions of ChatGPT and artificial intelligence： cross-sectional study[J]. JMIR Medical Education， 2023，9（1）：e51302.

[42]ChatGPT： the catalyst for teacher-student rapport and grit development in L2 class[J]. System， 2024，120：103209.

[43]MURDOCH B. Privacy and artificial intelligence： challenges for protecting health information in a new era[J]. BMC Medical Ethics， 2021，22（1）：122.

[44]WONG R S Y， MING L C， ALI R A R. The intersection of ChatGPT， clinical medicine， and medical education[J]. JMIR Medical Education， 2023，9（1）：e47274.

[45]HARRER S. Attention is not all you need： the complicated case of ethically using large language models in healthcare and medicine[J/OL]. eBioMedicine， 2023，90[2024-04-22]. https：//www.thelancet.com/journals/ebiom/article/PIIS2352-3964（23）00077-4/fulltext？ref=dedataverbinders.nl.

[46]MESZAROS J， MINARI J， HUYS I. The future regulation of artificial intelligence systems in healthcare services and medical research in the European Union[J/OL]. Frontiers in Genetics， 2022，13[2024-04-22]. https：//www.frontiersin.org/journals/genetics/articles/10.3389/fgene.2022.927721/full.

[47]VAN DE RIDDER J M M， SHOJA M M， RAJPUT V. Finding the place of ChatGPT in medical education[J]. Academic Medicine， 2023，98（8）：867.

[48]PU Z， SHI C L， JEON C O， et al. ChatGPT and generative AI are revolutionizing the scientific community： a Janus-faced conundrum[J]. iMeta， 2024，3（2）：e178.

[49]CHADHA N， POPIL E， GREGORY J， et al. How do we teach generative artificial intelligence to medical educators？ Pilot of a faculty development workshop using ChatGPT[J]. Medical Teacher， 2024，0（0）：1-3.

[50]KNOPP M I， WARM E J， WEBER D， et al. AI-enabled medical education： threads of change， promising futures， and risky realities across four potential future worlds[J]. JMIR Medical Education， 2023，9：e50373.

[51]NGUYEN T. ChatGPT in medical education： a precursor for automation bias？[J]. JMIR Medical Education， 2024，10（1）：e50174.

[52]ARAJI T， BROOKS A D. Evaluating the role of ChatGPT as a study aid in medical education in surgery[J]. Journal of Surgical Education， 2024.

[53]JAMAL A， SOLAIMAN M， ALHASAN K， et al. Integrating ChatGPT in medical education： adapting curricula to cultivate competent physicians for the AI era[J]. Cureus， 2023（8）：e43036.

[54]RAHIMZADEH V， KOSTICK-QUENET K， BLUMENTHAL BARBY J， et al. Ethics education for healthcare professionals in the era of ChatGPT and other large language models： do we still need it？[J]. The American Journal of Bioethics， 2023，23（10）：17-27.

[55]FRIEDERICHS H， FRIEDERICHS W J， M?RZ M. ChatGPT in medical school： how successful is AI in progress testing？[J]. Medical Education Online， 2023，28（1）：2220920.

[56]SAFRANEK C W， SIDAMON-ERISTOFF A E， GILSON A， et al. The role of large language models in medical education： applications and implications[J]. JMIR Medical Education， 2023，9（1）：e50945.

[57]CASCELLA M， SEMERARO F， MONTOMOLI J， et al. The breakthrough of large language models release for medical applications： 1-year timeline and perspectives[J]. Journal of Medical Systems， 2024，48（1）：22.

[58]SALLAM M. ChatGPT utility in healthcare education， research， and practice： systematic review on the promising perspectives and valid concerns[J]. Healthcare， 2023，11（6）：887.

[59]MASTERS K. Ethical use of artificial intelligence in health professions education： AMEE guide No. 158[J]. Medical Teacher， 2023，45（6）：574-584.

[60]PUPIC N， GHAFFARI-ZADEH A， HU R， et al. An evidence-based approach to artificial intelligence education for medical students： a systematic review[J]. PLOS Digital Health， 2023，2（11）：e0000255.

[61]LUKE W A N V， SEOW CHONG L， BAN K H， et al. Is ChatGPT “ready” to be a learning tool for medical undergraduates and will it perform equally in different subjects？ Comparative study of ChatGPT performance in tutorial and case-based learning questions in physiology and biochemistry[J]. Medical Teacher， 2024，0（0）：1-7.

[62]LAUPICHLER M C， ASTER A， MEYERHEIM M， et al. Medical students’ AI literacy and attitudes towards AI： a cross-sectional two-center study using pre-validated assessment instruments[J]. BMC Medical Education， 2024，24（1）：401.

[63]PARK S H， PINTO-POWELL R， THESEN T， et al. Preparing healthcare leaders of the digital age with an integrative artificial intelligence curriculum： a pilot study[J]. Medical Education Online， 2024，29（1）：2315684.

[64]XU Y， SUN L， PENG W， et al. MedSyn： text-guided anatomy-aware synthesis of high-fidelity 3D CT images[EB/OL]. arXiv， 2023[2024-04-18]. http：//arxiv.org/abs/2310.03559.

[65]How ChatGPT could help medical students learn on the fast track[EB/OL]. American Medical Association. （2023-11-17）[2024-04-18]. https：//www.ama-assn.org/education/changemeded-initiative/how-chatgpt-could-help-medical-students-learn-fast-track.

[66]ChatGPT in medical education： generative AI and the future of artificial intelligence in health care[EB/OL]. American Medical Association. （2024-02-23）[2024-04-18]. https：//www.ama-assn.org/practice-management/digital/chatgpt-medical-education-generative-ai-and-future-artificial.

[67]PAPINENI K， ROUKOS S， WARD T， et al. BLEU[C]//Proceedings of the 40th Annual Meeting on Association for Computational Linguistics-ACL ’02， Association for Computational Linguistics， 2001.

[68]張廣錄，劉曉峰.“人G共生”范式：生成式人工智能視域下的教育轉型圖景[J].中國教育信息化，30（6）：12-22.

Application， Challenges， and Prospects of Artificial Intelligence Generated Content

in Medical Education

Zhehan JIANG1， Shicong FENG2， Weimin WANG1

（1.National Center for Healthcare Profession Education Development， Peking University， Beijing 100191;

2.Graduate School of Education， Peking University， Beijing 100871）

Abstract： With the emergence of generative artificial intelligence technologies represented by ChatGPT， Artificial Intelligence Generated Content （AIGC） has significantly propelled theoretical instruction， practical training， and assessment in medical education. As a pivotal component of innovative medical education development， the application， challenges， and future prospects of AIGC warrant meticulous attention. To advance the construction of new medical disciplines and effectively integrate AIGC into China’s medical education framework， it is essential to synthesize innovative applications of AIGC in both domestic and international medical education contexts， thereby furnishing instructive lessons for enhancing our educational practices. Furthermore， delving into the ethical challenges and application risks associated with AIGC， this paper presents three avant-garde case studies illustrating how AIGC technologies are being employed across various stages of medical education， thereby empowering the educational process. Looking ahead， the potential utilization of AIGC-related technologies such as retrieval-augmented generation， multi-agent systems， and Sora in future medical education underscores the need for anticipation. These considerations give rise to the following insights： As a representative of novel productive forces， AIGC holds immense promise for application within medical education， yet its development and implementation necessitate a comprehensive evaluation of multiple dimensions， including technical feasibility， ethical norms， societal receptiveness， legal frameworks， and pedagogical outcomes. The medical education community must not only seize the opportunities presented by AIGC technologies， but also prepare diligently to address the attendant challenges， thereby optimizing the value and efficacy of AIGC in enhancing medical education.

Keywords： AIGC; Medical education; GPT; Large language model; Digitalization; Healthcare

編輯：王天鵬" "校對：王曉明