智能模块化教学与宫腔镜专科医师培训学习曲线的相关性分析

谢秀英，薛 尧，张 欣，马 峥，钱学明

(西安交通大学：1．第二附属医院，2．电信学部信通学院，陕西 西安 710032)

宫腔镜技术在我国经过20多年的临床应用，已发展成为常规诊疗项目，宫腔镜检查直观、准确，可以及时发现宫内病变，就宫腔镜检查技术而言，通过门诊学习容易掌握。宫腔镜手术具有微创、高效、住院时间短、保留子宫、不影响卵巢功能等的优点，已经和开腹手术、阴式手术、 腹腔镜手术一起成为妇科手术的四大基本技能之一[1]。 现阶段国家对基层专科医师的培养迫在眉睫，随着宫腔镜技术的普及，宫腔镜手术的并发症值得临床医生足够引起重视，因为一旦发生，可造成严重后果[2]。防范的关键核心是要对手术医师进行严格、规范、系统的培训。

模块式教学即模块式技能培训是以现场教学为主，以技能培训为核心的一种教学模式。在教学过程中，不同模块贯穿于教学的始终，每个模块进行细化，对妇科医师进行专项培训学习，对于学员学习过程进行优化，通过递进性、模块化的流程，有目的、有内容、有步骤、有组织地进行教学。现阶段，随着人工智能技术的应用，在教学中通过智能模块对医师培养，旨在探讨该教学方法对宫腔镜技术专科人才培养的意义。

1 培训

1.1 培训对象

培训人员为学习宫腔镜的进修医师及本院医师，均为中级职称及以上，有一定的妇科理论知识和临床经验，熟悉妇科的各种传统手术，作为专科医师进行宫腔镜培训学习。培训医师32名，两组随机分组，两组工作时间、职称、学历均无统计学意义。

1.2 培训模式

宫腔疾病教学系统包括四个模块：基础理论知识学习，设备功能学习，宫腔镜图片识别，图片答题测试分析。基础理论知识学习模块功能，针对每个病例，教学系统提供一段专家给出的症状描述与诊断意见，学员结合症状描述与诊断意见，观察宫腔镜图片。宫腔镜图片识别教学模块是基于前述的智能宫腔疾病诊断算法，实现对宫腔镜图片自动智能识别诊断。学员可以通过该模块学习海量的宫腔镜检查图片，并进行模拟诊断获得与专家系统的结果比对。

1.3 考核方式

分两组进行：研究组采用智能阶梯模块训练，对照组采用现场宫腔镜检查室观看学习，两组均有带教现场讲解，经过相同时间学习后两组进行考核，对考试成绩，学习时间，掌握程度方面进行评价。

研究组进行4小时的人工智能模块的学习，再进行宫腔镜室图片识别诊断，对照组直接先去宫腔镜室进行4小时的现场学习，再进行宫腔镜室图片识别诊断。两组通过阅读同等数量的宫腔镜图片，对短期学习的阅片成绩进行总结。随着学习时间的延长，每次进行数据记录，最后进行对比分析。

2 结果

通过对两组不同训练学习的考核，获得如下结果。

2.1 诊断符合率

两组通过第一阶段学习，进行图片识别。研究组对图片识别判断的准确性为112/160(70.56%)，对照组59/160(36.88%)。研究组阅览了海量的图片，对各种宫腔镜下异常图像均有一定的感性认识，因此进入实际场景中后，诊断符合率明显提高，差异有极显著性，见表1。

表1 两组识别图片的准确性率

2.2 学习曲线

两组通过延长培训时间，对不同时间段学习后，每次进行考核，汇总考核成绩，绘制学习曲线。横轴(X)代表学习时间，竖轴(Y)代表识别图片准确性%，结果如下(见图1)。

图1 两组学习曲线图

从曲线来看，掌握识别相似数量的图片，研究组学习8小时准确性为84.38%。观察组学习8小时准确性仅38.75%，观察组学习20小时准确性达87.5%。识别相同数量的图片研究组所用时间明显缩短。

3 讨论

3.1 相关模块化及阶梯式的教学研究

我国相关模块化及阶梯式的教学方式方面有很多的研究，有作者对学员通过技能模块的培训后摸底考核中发现完全符合操作标准的学员由20.8%提升93.8%，不仅如此，其熟练程度也有很大的提高[3]。有作者在临床教学中针对专业手术的特点方面，例如其操作复杂,学习周期相对较长等,对年轻医师的基础理论,模型训练,大体解剖及临床观摩4个方面进行阶梯式培训, 也取得了良好的教学效果[4]。泌尿科医师将阶梯式培训模式应用在输尿管的软镜教学中，通过对照分析研究，该培训模式可以减少手术培训的时间，减少培训的例数，缩短首例手术完成的时间[5]。在学生的教学中也有作者通过开展创新人才“阶梯式”培养模式的探索与实践，在实际观察中发现学生的自主学习能力和创新实践能力得到了显著提高[6]。

3.2 宫腔镜阶梯式、模块化培训模式的培训效果

宫腔镜技术已经发展为妇科领域中必须掌握的技术，因为手术操作首先需要特殊的仪器与设备，其次手术医生通过监视屏幕二维图像进行操作，其安全和效果不仅与设备有关，更依赖于手术者的操作水平，因此对医师的严格培训是非常必要的。

在临床工作中，我们不断在教学中积累经验，对于宫腔镜医师培养，通过20余年的努力与实践，总结出一套适合临床医生的方法，在教学中，模块化及阶梯式始终贯穿其中，使临床学员快速识别并熟悉宫腔镜常用器械设备，掌握宫腔镜主机监视器、摄像系统、光源系统、膨宫系统、计算机图文系统、宫腔镜的检查、宫腔镜电切镜及冷刀器械等设备。熟悉宫腔镜检查的适应证和禁忌证。再进行技能模块的操作培训。

在早期教学中我们采用手把手的方式，在教学中使用不同模块，即系统理论学习，宫腔镜图文报告，宫腔镜检查助手，宫腔镜检查术者等，模块化教学融入其中，在临床教学中取得很好的效果[7]。 临床对宫腔镜医师的培养，宫腔镜检查下的诊断简单易学，而对于宫腔镜下手术，大多数均为三、四级内镜手术，我们在临床中也采用阶梯化与模块化教学，由简单到复杂的阶梯式，渐进性贯穿于多个模块的每个模块，对学习培训效果进行评估，合格后方可进入下一个模块。所有模块中理论讲解始终贯穿其中。模块化教学，在临床已得到广泛应用和认可。

3.3 人工智能在医学领域的应用

医学影像一直是疾病诊断和治疗中不可或缺的基础数据。近年来，图像筛查是人工智能在辅助医学诊断领域中的最早应用，是指将检查图像作为输入，通过训练好的模型对其预测，输出一个表示是否患某种疾病或严重程度分级的诊断变量。人工智能在医学图像上的应用，主要是得益于卷积神经网络(CNN)的发展。在多个项目研究的基础上[8-10]，CNN大幅度提升了图像分类的准确度。目前，CNN正逐渐成为医学图像检查分类中的核心技术，其广泛应用于各医学场景。

Xue等人在[11]中将CNN和压缩感知技术整合，提出病理图像中癌细胞有丝分裂检测方法，自动地识别癌细胞并统计其数目，计算免疫组化ki67指标，为后续确定是否为乳腺癌患者采用辅助性化学治疗快速提供病理参数。此外，Xue等人在[12]提出的基于位置编码的密集环境中目标识别方案，为密集场景中大量癌细胞高精度检测提供了技术铺垫。

3.4 人工智能模块递进性培养模式

教学模式是人才培养模式的核心，人工智能模块化培养模式，可以通过建立可循环的培训机制，对经验丰富的专家掌握的知识，通过模块按程序化的步骤，通过计算机对需要培养的目标核心技术进行分解，随后对医生进行短时间快速强化集中学习，使其尽快掌握宫腔镜的基础理论知识、图片识别，使其在开展临床工作前量化指标，熟练掌握后再进入下一阶段的手术操作，进入下一阶梯的临床操作模块化培训，从助手逐渐过渡为手术医生。

临床通过手把手操作，虽可以迅速掌握操作技巧，缩短学习曲线。但对于理论教学，需要教师足够的代课时间，而且其重复性受到限制。特别是宫腔镜图像识别学习，随机获取各种宫腔疾病宫腔镜下图片的学习，需要较长的学习周期，而通过人工智能系统，可以将大量有意义的诊断图片通过模块学习在最短时间达到掌握。提高学习效能，缩短学习曲线。