李佳銘 吳志斌 戚榮飛 杜少華

醫(yī)學影像（medical imaging）檢查作為一種普遍的檢查手段，其高效便捷的特點深受臨床醫(yī)生的青睞。不同于其他生化類檢查，醫(yī)學影像可以清晰地提供病變的所在位置、大小、功能及結(jié)構(gòu)等重要信息，為疾病的診斷和術后評估提供強有力的幫助[1]。然而，從醫(yī)學影像數(shù)據(jù)的采集到一份診斷報告的發(fā)出，這其中涉及了臨床醫(yī)學、工學及計算機等多學科內(nèi)容。因此，這就使得人們不得不開始重視醫(yī)學影像教育。目前，我國的醫(yī)學影像教育大多還停留在傳統(tǒng)的影像教育模式，這種傳統(tǒng)教育模式將很難實現(xiàn)在“精準醫(yī)療”大背景下的醫(yī)學影像精準化教育。人工智能（artificial intelligence，AI）技術作為近幾年的一大研究熱點，該技術已被廣泛應用在醫(yī)學影像的相關研究中[2]，比如將AI 應用于醫(yī)學圖像分割[3-4]，以及相關疾病的診斷[5-6]。與此同時，也有學者將AI 引入醫(yī)學影像教育中進行探討[7-9]，但大多是關于AI 輔助傳統(tǒng)影像教育[10-12]，并未涉及精準化、個性化的影像教育應用中來。因此，文章將試利用AI 技術來解決醫(yī)學影像精準化教育所面臨的挑戰(zhàn)，以及嘗試構(gòu)建醫(yī)學影像精準化教育模式，并對醫(yī)學影像精準化教育進行未來展望。

1 醫(yī)學影像精準化教育面臨的挑戰(zhàn)

醫(yī)學影像精準化教育的核心在于“因材施教”以及重點定位，即針對個體學習能力進行評估，來決定學習對象所應接受的學習內(nèi)容，并對學習的薄弱環(huán)節(jié)進行及時追蹤，從而采取強化的手段來提高學習個體的學習成效。因此，基于文章中對醫(yī)學影像精準化教育的定義，這里將簡單羅列幾個開展醫(yī)學影像精準化教育所面臨的挑戰(zhàn)。

1.1 傳統(tǒng)醫(yī)學影像教育模式的不足

目前，我國醫(yī)學影像教育主要采用的是傳統(tǒng)授課（lecture-based learning，LBL）模式，該模式主要是以授課教師作為主導，學生被動接收教師輸出的教學內(nèi)容。這種傳統(tǒng)的LBL 課堂教育模式難免會出現(xiàn)學生對于知識的機械性獲取，導致培養(yǎng)的學生缺乏一定的自主學習能力和創(chuàng)新能力，從而進一步影響到學生日后工作中的崗位勝任能力。最近幾年，也有不少學者開始對傳統(tǒng)的LBL 教學模式進行改進，比如基于問題的學習法（problem-based learning，PBL）的提出[13-15]，這是一種引入問題的教育模式，以實際臨床問題作為切入點來進行教學，從而使得以前枯燥死板的教學內(nèi)容變得形象直觀起來。但是，這種PBL 教學法受限于現(xiàn)有教學課時和實際教學硬件的影響，授課教師往往只能對部分常見疾病的影像問題展開討論，而無法對應于各類疾病的診斷情況。另外，在現(xiàn)有的教育資源和課時要求下，代課教師疲于完成授課任務，也會導致教師忽略學生對于知識的掌握情況，使得影像教育難于做到精準化及個性化。

1.2 醫(yī)學影像學科自身特點

醫(yī)學影像學是一門獲取影像及識別異常影像特征的綜合實踐類學科，也是一門涉及醫(yī)學、工學和計算機學等多學科交叉的復雜學科。首先，對于理論學習來說，一名醫(yī)學影像專業(yè)學生在校期間，需要學習系統(tǒng)解剖學、局部解剖學、內(nèi)科學、外科學、兒科學等臨床學科。同時，還需學習醫(yī)學影像診斷學、超聲診斷學等影像診斷類科目，再加上醫(yī)學影像設備學等工科類科目。其次，對于專業(yè)實踐來說，一名合格的醫(yī)學影像學生要熟練地掌握X 平片、超聲、電子計算機斷層掃描（computed tomography，CT）、磁共振成像（magnetic resonance imaging，MRI）等影像數(shù)據(jù)的采集，并掌握掃描數(shù)據(jù)的后處理過程以及最終診斷報告的書寫。同時，新設備新技術的不斷更新，課本所學的儀器設備已與實際有所脫節(jié)，學生很難將理論與實際結(jié)合起來。此外，在課堂的教學中，難以保持影像教育所需要的高保真訓練場景，也使得學生對于部分概念的理解比較模糊。以上這些都為開展醫(yī)學影像精準化教育帶來一定的阻力。

1.3 學生自身的差異

早在春秋戰(zhàn)國時期，著名的教育家、政治家和思想家孔子先生就提出“因材施教”這一觀點，并根據(jù)“聽其言，觀其行”的方法來對門下學生進行不同的指導。另外，近代教育家蔡元培也提倡教育要“尚自然，展個性”[16]。國外一些學者也在其研究中表明，不同學生的學習風格會有所不同。如美國心理學家柯勃就發(fā)現(xiàn)，有的人在感知外部世界時，傾向于具體的方式，而有的人則傾向于抽象的方式[17]。并且，他還將不同人的學習風格分為四類，分別為想象型、分析型、普通型和活動型[16-18]。同時，新時代的高等教育也主張要充分考慮到學生的個性發(fā)展，以及學生發(fā)展的客觀規(guī)律。不同學生的思維習慣及思維模型的不同，也會導致他們在對于知識點的掌握有所不同，有的學生可能會擅長CT 圖像的閱讀，有的學生可能會擅長MRI 圖像的閱讀。還有，有的學生可能對于頭頸部疾病的影像診斷比較熟悉，有的學生可能對于胸腹部疾病的影像特征掌握較好。

2 AI 技術助力構(gòu)建醫(yī)學影像精準化教育新模式

針對上面所提及的挑戰(zhàn)，文章將結(jié)合目前AI 的相關技術，來構(gòu)建出醫(yī)學影像精準化教育新模式。

2.1 AI 智能教學模式

針對傳統(tǒng)LBL 中填鴨式的教學模式，AI 技術將利用對于大數(shù)據(jù)的處理與篩選能力，AI 會在影像歸檔和通信系統(tǒng)（picture archiving and communication system，PACS）上進行數(shù)據(jù)清洗與篩選，然后選擇PACS 系統(tǒng)中比較常見的病例類型及影像特征，來作為AI 課堂教學的內(nèi)容與素材。這樣就解決了傳統(tǒng)LBL 中沒有案例，只有單幅圖像的缺陷。同時，因為是對大型三甲醫(yī)院PACS 系統(tǒng)中日常的影像數(shù)據(jù)的整理，也就使得收集的病例影像種類較為豐富，這樣也就極大地改善了PBL 教學法中課堂案例的不全面性，使得學生對于疾病的影像特征掌握得更多一些。

此外，AI 技術可以借助互聯(lián)網(wǎng)、慕課平臺等資源，使得學生不受時間與地點的限制，隨時進行AI 課堂學習，并閱讀到完整的影像資料。另外，AI 課堂中一改以往以教師為主導的學習方式，而是更多地讓學生去主導整個學習過程，比如肺部的影像資料，AI 課堂會同時給出患者的基本病史及相關情況，然后由學生在影像上勾畫出異常位置，并給出影像診斷。隨后，AI會對語段及圖像異常位置進行檢測，與正確答案進行匹配，對學生的診斷給出打分。同時，根據(jù)訓練中的打分高低，AI 會自動調(diào)整學習內(nèi)容，如肺部影像CT 診斷評分較低，AI 就會多分配一些肺部影像案例給學生。反之，則減少類似的案例學習分配。這樣就可以為學生制定出適合自己的學習方案與計劃，做到了真正的“因材施教”，也很好地解決了每個學生自身差異所帶來的困難。

2.2 AI 新技術改善學科難度

近年來，AI 技術已被廣泛應用于醫(yī)學影像分割，尤其是深度學習算法在醫(yī)學影像分割中的應用。如中國香港中文大學的LI 等[19]就利用混合密集連接網(wǎng)絡（H-DenseUNet）在肝臟以及肝臟病灶的分割上取得了不錯的效果。此外，還有ZHAO 等[20]將全卷積神經(jīng)網(wǎng)絡和條件隨機場結(jié)合在一起，提出了一種新的腦腫瘤分割方法，并取得了外觀和空間一致性均不錯的分割結(jié)果。還有加拿大DABIRI 等[21]利用深度學習算法應用在腹部CT 圖像上，完成了對于骨骼肌、皮下脂肪組織、內(nèi)臟脂肪組織和肌肉間脂肪組織的自動分割。這些研究都顯示了AI 技術在醫(yī)學影像自動分割方面的巨大潛力。同時，這也啟發(fā)筆者，鑒于AI技術對于醫(yī)學影像的正常組織和病灶有著良好的分割能力，筆者可以將其應用在醫(yī)學影像精準化教育中，幫助學生加深對于醫(yī)學影像上各個器官、血管、肌肉、骨骼等的識別，從而進一步加強學生在影像解剖的認識與學習，也為之后的異常影像特征診斷打下良好的基礎。

此外，針對影像教學中設備技術更新迭代速度較快等特點，AI 仿真教學平臺的建立將大放光彩。AI 技術結(jié)合虛擬現(xiàn)實（virtual reality，VR）[22]可以幫助學生在課堂上真實感受到數(shù)字X射線、CT及MRI等設備的操作，通過將這些設備的參數(shù)與人體模擬仿體結(jié)合在其中，可以讓學生在AI 模擬的平臺中通過選擇不同的掃描參數(shù)來獲得不同的圖像，從而加深學生對于書本上掃描參數(shù)的理解，并且利用虛擬人體仿體，可以讓學生更好地了解在日常工作中如何去進行擺位，以及掃描范圍的選取。同時，這些仿真教學平臺也可以遷移至電腦和手機，不限時間及地點地讓學生們學習到影像數(shù)據(jù)的整個獲取流程。

目前，已有研究者在這方面做了部分工作，如高俊逸等[23]為了解決MRI 設備教學中存在的場地有限、實際上手困難等問題，將三維數(shù)字模擬與虛擬仿真技術結(jié)合起來，開發(fā)了一套可以用于MRI 設備教學的仿真系統(tǒng)。并且，開發(fā)者還發(fā)現(xiàn)通過虛擬教學的學生要比普通授課學生的教學反饋要更好一些。還有，南京醫(yī)科大學超聲教研室自主研發(fā)的基于網(wǎng)絡的超聲影像學虛擬學習平臺，該平臺內(nèi)嵌虛擬超聲儀器操作、人體虛擬超聲檢查，虛擬超聲病例影像庫等智能化模塊，不僅訓練了學生對于超聲儀器的操作，極大激發(fā)了學生對于超聲診斷學習的興趣，也取得了不錯的教學反饋響應[24]。

2.3 AI 智能用戶畫像

用戶畫像，簡單來說就是首先采集學習者（用戶）的學習行為數(shù)據(jù)，并對這些數(shù)據(jù)進行挖掘，構(gòu)建出精準化的學習者個性化標簽，從而生成學習者畫像模型，來進一步達到提高認知能力并指定個性化學習方案[25-26]。這類研究最近也是嶄露頭角，如王芳[27]利用AI 建立用戶畫像模式，通過畫像模型對學生的教學進行分層分類，還進一步改善翻轉(zhuǎn)課堂的教學設計，實現(xiàn)了精準教學。文章將利用調(diào)查問卷來獲取以下相關數(shù)據(jù)：學生基本信息、學生努力程度、平時績點狀況、生活規(guī)律等維度。之后，AI 會隨機對學習者分配不同的學習科目類型，如MRI 圖像診斷或CT 圖像診斷，頭頸部影像或腹部影像，將對這些教學后的測驗分數(shù)進行收集，然后加上調(diào)查問卷的得分權(quán)重，來對學習者進行分類，從而根據(jù)分類結(jié)果來對學習內(nèi)容進行調(diào)整，這樣就實現(xiàn)了真正意義上的“因材施教”。

綜上所述，文章發(fā)現(xiàn)AI 在醫(yī)學影像精準化教育的應用中潛力無限，AI 技術將利用其自身技術優(yōu)勢，來彌補傳統(tǒng)授課模式的單一和內(nèi)容陳舊等局限性，并克服該學科自身學科繁雜等特點，從而可以真正地實現(xiàn)醫(yī)學影像的精準化教育，從而培養(yǎng)出適崗能力強、理論與實踐本領均過硬的學生。