人工智能引入研究生肿瘤学教学

施伟伟

医学知识的爆炸式增长使医生掌握全面知识越来越不可能。医学知识数量超过了人类思维的组织能力[1]。上世纪末的数据已经告诉我们，每年有超过60 万篇文章发表在生物医学文献中。如果一个学生每天阅读2 篇文章试图跟上文献，那么这个尽职尽责的个人将在1年内落后800多年。当今社会只会更加凸显这个矛盾。医学教育正在迅速变化，受到许多因素的影响，包括医疗环境的变化、医生角色的变化、社会期望的改变、医学科学的快速变化以及教学技术的多样性。社会期望的变化越来越重视患者的安全，长期以来的“看一个、做一个、教一个”的教学方法已不再可接受。

1 人工智能（AI）和医学教育

人工智能（AI）用于医学教育是个新趋势[2]，AI 这个术语出现于1956 年，从那以后，人工智能已经取得了很大的进步[3]。人工智能的第一个进展侧重于神经网络的构建。它们模仿人类大脑获取输入并从给定数据产生输出的能力。大约在20 世纪80 年代，这些人工神经网络发展到“机器学习”变得流行的程度。机器学习是指机器浏览数据和查找模式的能力，从而从数据中学习，然后将其应用于问题以做出明智的决策[4]。机器学习之后出现了深度学习的趋势，这是一个更复杂的机器学习子集，不需要人工干预机器就可以进步[5]。使用更基本的机器学习的机器进行预测，如果那些建议错误，那么仍然需要人工指导才能做出更好的预测。具有更高级深度学习能力的机器可以推断出他们是否已经自己做出了良好的预测并继续学习这些推论。如今的AI 机器结合了机器学习和深度学习，这些机器可以应用于各种学科。医学教育中使用AI 技术也需要符合教育本身的目标，包括：促进基本知识获取、增强感知变异、提高技能协调、练习处理突发或重要事件、学习团队训练和提高精神运动技能。在研究生培训方面，课程重点也发生了变化，从简单的知识获取到展示学习者能力的需要。

2 人工智能引入肿瘤分子生物学、肿瘤病理学和肿瘤影像学

研究生肿瘤学教材的更新面临困难，最主要是肿瘤的诊疗进入“高速时代”，包括肿瘤内科、肿瘤外科、肿瘤微创、肿瘤影像学以及分子诊断学等等。当生命科学的研究进入后基因组时代[6]，肿瘤学也随着分子生物学的发展也进入了一个崭新的阶段，从肿瘤的多阶段到肿瘤防治的新概念，从肿瘤的遗传易感到早期检测，肿瘤分子生物学的迅猛发展必将为促进临床肿瘤学和临床预防肿瘤学的发展提供新的机遇和挑战[7]。本世纪初，哈纳汉与温伯格提出了六个“癌症的标志”。2011 年3 月，两位科学家回溯了自上篇文章发表后的十年里癌症生物学界所取得的进展。又共同撰写了《癌症的标志：下一代》（Hallmarks of Cancer：The Next Generation）。在癌症标志理论的指引下，肿瘤药物治疗和十年前相比进展惊人[8]，也给肿瘤专业的课程带来了难题，学生拿着上一年的教材对应最新的发展，在思考教材陈旧的同时，其实面对的是肿瘤分子生物学进展带来的教学难点。

研究生肿瘤学课程设置需要有机地将肿瘤学与病理学进行整合，在肿瘤学知识中铺垫病理学知识，既能巩固病理学知识，又能联系具体病种，让学生深刻体会肿瘤学知识。病理学是研究人体疾病发生的原因、发生机制、发展规律以及疾病过程中机体的形态结构、功能代谢变化和病变转归的一门基础医学课程。病理学一直被视为是基础医学与临床医学之间的“桥梁学科”[9]。病理学教学任务艰巨、教师匮乏、培训和交流明显不足，然而肿瘤诊疗对于病理NGS 二代测序技术和FISH 荧光原位杂交等很多知识需求旺盛，借助人工智能，传统上病理教学难点将在很大程度上被解决。利用大量数字化影像进行训练，人工智能系统能够提供准确率远超人类病理学家的诊断结论，甚至发现顶尖病理学家也无法发现的、极为细小的病征。人工智能将为医生和病理学家提供重要的诊断与治疗建议[10]。

人工智能引入研究生肿瘤课程很重要的部分是肿瘤影像学[11]。现代影像学使肿瘤的临床分期更精确，已经成为肿瘤临床治疗的主要决策依据之一。人工智能从最早的辅助文书写作到参与癌症诊疗各方面。早期发现、早期诊断对于成功治疗恶性肿瘤是非常重要的。患者体内的肿瘤往往最常通过医学成像技术检测。今天的放射科医生收集到的数据超过了他们在一个班次中人工工作的数据。2015 年在一份放射学杂志上发表的一项研究表明，平均放射科医生必须每3～4 秒解释一张图像，以跟上他们的日常工作量 。机器也可以获得比人类同行更多的数据，这可能意味着AI机器可以比人类更准确地检测癌症[12]。传统上的研究生影像教学内容相对陈旧，教学手段单调，主要是通过幻灯、投影等方式展示大量的X 线平片、CT、MRI 等影像资料，通过授课讲师按部就班地讲解，靠学生死记硬背，教学效果较差，使得学生对形态学没有感性的认识，难以形成有效记忆。教科书上的内容虽然都是典型病例，但和临床实践存在脱节，尤其是日后真正到临床工作中实用性较差。医学基础教育与临床脱节。导致学生上课时学到的知识到临床中发现无法一一对应，因此需要对现有的教学模式和教学方法进行改革和创新，将新技术、新方法应用到教学中，拓展教学内容、丰富教学手段，以深化教育改革为措施。肿瘤影像教学意义不仅局限在提供诊断意见，而且还可以进行预后预测。这点在研究生教学中可以起到良好的作用，在研究生的课题设计和执行，可以更好地提供切入点。

由佛罗里达大学计算机视觉研究中心的工程师开发的深度学习算法在肺癌的准确检测方面非常成功。工程师向AI 输入了1 000次CT 扫描，教它如何诊断肺癌。这项研究发现人工智能机器可以比人类自己的诊断能力提高30%[13]。把AI 用于本科生和研究生教学，可以提供大量同类型对照，有利于学生掌握每个疾病的全面影像特点，这是传统教学所不能提供的。肺癌早期筛查早期治疗的普及，使影像科压力倍增，对肺结节AI 的需求旺盛。现阶段市场上肺结节AI 产品，基本上实现的是肺结节的检出功能，为临床提供结节鉴别诊断的量化信息，诸如大小、体积、位置，部分AI产品甚至可以精确定位到肺段，少数AI 产品具备结节的良恶性的提示以及图文报告[14]。这些都比传统上只对应描述恶性结节特点进行教学要生动很多，并且更有说服力。这些都为有效利用AI 进行教学提供了前期基础条件。

3 AI 布局还有较长的道路要走但可以加速研究生肿瘤学教学改革

大多医疗人工智能在医学院所依然是试用阶段，其可能的主要应用方式可以分为：直接单独作为软件给医疗和教学机构；与信息化系统集成后提供；与医疗器械合作与硬件一起提供；通过远程医疗提供给基层医疗机构；通过互联网医疗的方式直接提供给患者。在直接提供给医疗机构的模式中，大量未接云端的系统和医院局域网的限制都有可能影响影像人工智能系统的使用。流程优化仍需要进行大量的实践来探索。

历史充分证明，课程变革一般是渐进和被动的。已发生的变化更多是基于问题的学习和临床技能测试，并没有从根本上改变医学院的课程设定。2017年8月，发表在《神经学遗传学》（Neurology Genetics）杂志上的一项恶性胶质母细胞瘤肿瘤病例报告表明，在得到同样的信息后，IBM Watson 用10 分钟提出了一个治疗方案，而专家团队使用了160 个小时[15]。这一结果并不能简单地看做是机器的胜利，而是凸显了知识更新速率与人类效率之间的矛盾。鉴于新时代的特点和课程需求，21 世纪医学教育的变化必须要加快步伐，甚至可以说需要更“激进”，需要彻底改革。这也就是AI 能加速引入研究生肿瘤教学的机会。