人工智能輔助教學在非影像專業住院醫師放射科輪轉中的應用

[摘要]"目的"探討人工智能（artificial"intelligence，AI）輔助教學在非醫學影像專業住院醫師放射科專業基地輪轉教學中的應用效果。方法"選取2022年5月至2023年12月在南昌大學第二附屬醫院放射科專業基地輪轉的非醫學影像專業住院醫師84人，經過1周的教學培訓后根據隨機數字表法分為AI組和人工組，每組42人。AI組使用“AI智能輔助診斷系統”進行圖像后處理和報告撰寫，人工組依靠常規后處理工作站在影像存儲與傳輸系統中瀏覽圖像并出具診斷報告。比較兩組住院醫師后處理圖像質量和影像診斷報告質量評分及后處理和書寫報告時間，并對教學質量進行評價。結果"AI組住院醫師的后處理時間、閱片報告時間均顯著短于人工組（Plt;0.001）；AI組住院醫師的后處理質量評分、診斷報告質量評分均顯著高于人工組（Plt;0.001）。AI組住院醫師對教學的評價顯著高于人工組（Z=–7.909，Plt;0.001）。結論"AI輔助教學模式有助于非醫學影像專業住院醫師針對性、系統性、高效率地學習放射科專業知識、提高閱片技能。

[關鍵詞]"人工智能輔助教學；住院醫師規范化培訓；非醫學影像專業住院醫師；放射科專業基地

[中圖分類號]"R445""""""[文獻標識碼]"A""""""[DOI]"10.3969/j.issn.1673-9701.2025.10.017

隨著醫療技術的飛速發展，人工智能（artificial"intelligence，AI）技術日益成熟，其在醫學教育中的應用正逐步展現出巨大的潛力和價值。在非醫學影像專業住院醫師的培養過程中，放射科專業基地輪轉對提升住院醫師的綜合素質和專業技能具有不可替代的作用[1]。然而，傳統的放射科教學模式面臨教學資源有限、師資力量不足、學生學習效率不高等問題，難以滿足日益增長的醫學教育需求[2-3]。AI輔助教學作為一種新興的教育手段，為放射科輪轉教學帶來新的機遇和挑戰。AI技術通過其強大的數據處理能力、智能分析功能和個性化學習特性，可為學生提供更加豐富、高效、精準的學習體驗[4-5]。在放射科輪轉教學中引入AI輔助教學不僅能緩解教學資源緊張問題，還可通過即時反饋和智能評估機制，提高學生的學習效率和效果，促進其全面發展。此外，非醫學影像專業住院醫師在放射科輪轉期間，需要快速掌握大量的放射學知識和技能以應對臨床工作的需要。AI輔助教學以其獨特的優勢幫助學生更好地理解復雜的放射學概念，提高閱片能力，增強臨床決策能力。因此，探討AI輔助教學在非醫學影像專業住院醫師放射科專業基地輪轉教學中的應用，對推動醫學教育創新、提高醫學人才培養質量具有重要意義。

1""資料與方法

1.1""研究對象

選取2022年5月至2023年12月在南昌大學第二附屬醫院放射科專業基地輪轉的非醫學影像專業住院醫師84人。納入標準：①非醫學影像專業住院醫師，涵蓋內科、外科、兒科和婦產科等專業；"""""②在放射科專業基地輪轉時間為4～12周；③除大學期間學習醫學影像學教材外，未曾接觸或學習過醫學影像學專業知識。排除標準：因個人興趣主動學習和研究醫學影像學者。根據隨機數字表法將其分為AI組和人工組，每組42人。AI組男18人，女24人，中位年齡25歲；人工組男15人，女27人，中位年齡25歲。兩組住院醫師的性別、年齡比較差異均無統計學意義（Pgt;0.05）。實驗前告知參與者相關信息，并簽署知情同意書。

1.2""教學方法

AI組使用“AI智能輔助診斷系統”進行圖像后處理和報告書寫，AI軟件可對頭頸部CT血管成像（computed"tomography"angiography，CTA）原始圖像進行后處理和輔助診斷，幫助醫師快速完成頭頸部血管圖像處理，自動檢測血管狹窄、閉塞及動脈瘤等，助力醫師進行診斷與評估。人工組不使用任何輔助工具，只依賴傳統的后處理工作站，自行在影像存儲與傳輸系統中瀏覽圖像并出具診斷報告。AI組和人工組分別進行1周的教學培訓后，獨自進行1～3個月的CTA影像診斷報告。

頭頸部CTA后處理圖像質量評分標準[6]：①頭頸部血管邊緣平滑銳利、分支及遠端顯示好，計5分；②頭頸部血管顯示好，分支顯示好，遠端顯示較好，計4分；③頭頸部血管主干顯示好，主要分支顯示較好，分支及遠端顯示欠佳，計3分；④血管邊緣毛糙，分支及遠端顯示差，勉強能診斷，計2分：⑤血管邊緣毛糙，主干、分支顯示均欠佳，無法診斷，計1分。CTA報告書寫質量評分（總分10分）標準：①掃描方式、所用掃描序列、增強情況描寫，一項未描述扣1分。②影像學表現：闡明臨床所疑疾病的表現或征象時，閱片按血管分級，逐一描述。如發現病變，詳細準確說明其部位、形態、大小、密度及其與鄰近結構的關系。同時標明是否存在特征性改變。描述內容與結論保持一致，影像診斷報告語言需流暢，無錯別字，缺一項扣1分。最終由上級醫師復核圖像，并對后處理圖像和影像診斷報告評分，記錄后處理和書寫報告的時間。

1.3""教學評價

通過問卷調查、個別訪談、課堂觀察、課堂實驗等方法收集非影像專業住院醫師對教學模式的評價及反饋意見，總分100分。

1.4""統計學方法

采用SPSS"27.0統計軟件進行數據分析。計數資料以例數（百分率）[n（%）]表示，比較采用χ2檢驗；計量資料不符合正態分布的以中位數（四分位數間距）[M（Q1，Q3）]表示，比較采用Mann-Whitney"U檢驗。Plt;0.05為差異有統計學意義。

2""結果

2.1""兩組住院醫師的后處理時間和后處理質量評分比較

AI組和人工組住院醫師的后處理時間分別為[6（5，8）]min和[38（34，42）]min，AI組的后處理時間顯著短于人工組（Z=–7.919，Plt;0.001）。AI組和人工組住院醫師的后處理質量評分分別為[5（4，5）]分和[4（3，4）]分，AI組的后處理質量評分顯著高于人工組（Z=–6.627，Plt;0.001）。

2.2""兩組住院醫師的閱片報告時間和診斷報告質量評分比較

AI組和人工組住院醫師的閱片報告時間分別為[6（5，6）]min和[27（26，33）]min，AI組的閱片報告時間顯著短于人工組（Z=–7.944，Plt;0.001）。AI組和人工組住院醫師的診斷報告質量評分分別為[9.0（8.7，10.0）]分和[6.5（6.0，7.2）]分，AI組的診斷報告質量評分顯著高于人工組（Z=–6.856，Plt;0.001）。

2.3""兩組住院醫師對教學的評價

AI組和人工組住院醫師對教學質量的評分分別為[95（92，98）]分和[62（60，67）]分，AI組的教學評價明顯高于人工組（Z=–7.909，Plt;0.001）。AI組住院醫師反饋互動式AI學習工具很吸引人，病灶檢出率高，能有效提高學習興趣；不足之處是存在假陽性、假陰性、過度診斷或漏診，對可疑病灶需要結合CTA原始圖像辨認確定。人工組住院醫師反饋傳統的人工后期處理步驟復雜且耗時，圖像處理質量主要取決于操作者的專業技能水平。對不熟悉血管解剖結構和分段的住院醫師需要對照解剖參考書進行學習和標記。

3""討論

住院醫師規范化培訓是醫學生成為執業醫師的重要階段。此階段主要通過實踐操作、臨床決策和與患者溝通等方式提升醫學生的臨床能力[7]。然而，住院醫師規范化培訓在實施過程中面臨培訓質量參差不齊、師資力量不足、工作與學習的平衡問題、考核評價機制不完善、規范化流程不足、臨床實踐與理論教育脫節及倫理和人文關懷教育缺失等諸多挑戰和問題。特別是在醫學影像領域，住院醫師規范化培訓課程內容復雜、培養周期有限，傳統教育模式存在培訓時間長、基本技能難以真正掌握、實時反饋缺乏、教學質量難以同質化等問題。

隨著科技的進步，AI在醫學教學和實踐中的應用迅速發展，它在多個方面為醫療專業人員的培訓和日常工作提供支持和改進[8]。AI系統可分析醫學影像、實驗室檢測結果等，輔助醫師做出更準確的診斷。AI技術可為醫學影像教育提供全新的視角，為教學過程的個性化和交互性奠定堅實的技術基礎。通過推動AI輔助下的以學生為中心的智能交互教學模式，AI技術在快速培養高素質影像科醫師方面表現突出[9-10]。對非醫學影像專業的住院醫師，AI系統可提供持續醫學教育資源，幫助其保持知識更新和專業技能提升。隨著技術的進步和更多臨床證據的積累，預期AI將在醫學教學和實踐中發揮更大的作用。

AI可幫助改善醫學影像專業的教育質量和效率[11]。本研究結果顯示，AI組住院醫師的后處理時間、閱片報告時間、圖像質量評分、報告質量評分均優于人工組，且對教學的評價明顯高于人工組。AI系統可自動執行CTA圖像的后處理任務，如容積再現、曲面重組和多平面重組，從而加快圖像分析的速度和準確度，同時AI技術通過深度學習算法技術不斷優化，提高診斷準確性，能夠識別和分析血管狹窄、斑塊性質、血管瘤等關鍵指標，輔助醫師進行更準確的診斷。AI組住院醫師反饋互動式AI學習工具很吸引人，病灶檢出率高，可有效提高學習興趣。而人工組則反饋常規后處理步驟煩瑣、耗時，容易漏診。分析原因：AI系統可對放射影像進行自動識別和分析，智能血管重建清晰定位責任血管；AI可自動識別動脈瘤的位置和大小，有效降低病灶檢測和分割時間，提高醫師對疾病診斷的可重復性，減少主觀因素的干擾；AI系統能處理和分析大規模的醫學影像數據集，比放射科醫師快得多，且不會因疲勞而導致性能下降；經過適當訓練的AI模型在醫學影像分析方面可達到與專業放射科醫師相當甚至更高的準確性，尤其在識別模式和細微差別方面；AI提供一致的分析結果，減少由人為因素引起的變異性，有助于實現診斷的標準化。AI系統可分析教學活動數據，幫助教師評估和改進教學質量，確保教學內容和方法的有效性，并可提供即時反饋，幫助學生自我評估學習成果，及時調整學習策略，同時提供客觀的評分和詳細的反饋，幫助學生識別自己的弱點并加以改進，這些都有助于提高教學效率，增強學生的學習體驗。

AI輔助教學仍存在不足：本研究樣本量較小，可能影響結果的普適性和代表性。研究時間較短，主要關注4～12周內的短期教學效果，無法全面反映AI輔助教學模式在長期應用中的效果和潛在問題。過度依賴AI教學工具可導致學生和教師的技術依賴性增強，減少人際互動和傳統學習方法的使用，AI無法提供與人類教師相同的情感支持和道德指導，影響學生的全面發展。

在未來的發展中，AI輔助的醫學影像教學應更加注重系統的集成與優化。通過深度學習算法分析大量醫學影像數據，AI不僅能夠識別病變，還能預測病情發展，為學員提供更全面的臨床視角[12]。AI系統應加強與虛擬現實和增強現實技術的融合，通過模擬真實手術和診療場景，使學員在沉浸式環境中練習操作，提高實際操作能力。還可在AI系統中集成醫德醫風教育，基于歷史案例分析，向學員展示醫療決策中的倫理因素，提升職業素養。AI還可監測學員的學習行為和態度，及時反饋，促使其形成良好習慣和職業行為。在實踐中，應不斷收集AI輔助教學的反饋，通過數據驅動持續改進教學系統，使其更貼合醫學教育需求。AI技術在放射科教學中的應用將不斷深化，形成與傳統教育相輔相成的新型教學模式，為培養新時代的住培醫師打下堅實基礎。

綜上，本研究通過對頭頸部CTA的后處理和報告書寫進行對比，展示AI輔助教學在后處理時間、圖像質量評分和報告質量評分等方面的顯著優勢，為傳統教學模式提供新的解決方案。AI輔助教學可提升非醫學影像專業住院醫師的放射科專業知識、閱片技能和診斷水平。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1] 劉錦鵬，"黃強，"熊兵，"等."非影像專業住院醫師在放射科規范化培訓的現狀與實踐初探[J]."放射學實踐，"2017，"32（8）："787–789.

[2] 李歡，"韓曉磊."大數據時代下醫學影像學專業教學改革現狀對策[J]."信息系統工程，"2020（12）："171–172.

[3] 張超，"李偉棟，"胡春峰."非影像醫學專業碩士研究生影像科規范化培訓實踐[J]."教育教學論壇，"2024（12）："17–20.

[4] KRAJCER"Z."Artificial"intelligence"for"education，"proctoring，"and"credentialing"in"cardiovascular"medicine[J]."Tex"Heart"Inst"J，"2022，"49（2）："e217572.

[5] 李新春，"王鵬，"蘇曦，"等."人工智能輔助教學在醫學影像教學中的應用前景[J]."中國繼續醫學教育，"2021，"13（4）："86–89.

[6] 彭新壹，"余佳強，"劉玉凱，"等."頭頸部CTA聯合人工智能對缺血性腦卒中患者的圖像質量研究[J]."生物醫學工程與臨床，"2023，"27（4）："471–475.

[7] 齊學進."我國住院醫師規范化培訓工作十年回顧與思考[J]."中國畢業后醫學教育，"2024，"8（1）："1–6.

[8] 李佳銘，"吳志斌，"戚榮飛，"等."人工智能在醫學影像精準化教育中的應用前景[J]."中國繼續醫學教育，"2023，"15（17）："177–180.

[9] 張冉冉，"蒲利紅，"張文，"等."人工智能在醫學影像教育中的應用現狀和前景[J]."現代預防醫學，"2019，"46（24）："4527–4609.

[10] SHEIKH"A"Y，"FANN"J"I."Artificial"intelligence："Can"information"be"transformed"into"intelligence"in"surgical"education？[J]."Thorac"Surg"Clin，"2019，"29（3）："339–350.

[11] 吳芳，"蘇壯志，"孫崢，"等."人工智能輔助教學在醫學影像規范化培訓中的應用及探索[J]."醫學教育管理，"2023，"9（6）："746–751.

[12] CHAN"K"S，"ZARY"N."Applications"and"challenges"of"implementing"artificial"intelligence"in"medical"education："Integrative"review[J]."JMIR"Med"Educ，"2019，"5（1）："e13930.

（收稿日期：2024–08–09）

（修回日期：2025–03–13）