人工智能在医学影像精准化教育中的应用前景

李佳铭 吴志斌 戚荣飞 杜少华

医学影像（medical imaging）检查作为一种普遍的检查手段，其高效便捷的特点深受临床医生的青睐。不同于其他生化类检查，医学影像可以清晰地提供病变的所在位置、大小、功能及结构等重要信息，为疾病的诊断和术后评估提供强有力的帮助[1]。然而，从医学影像数据的采集到一份诊断报告的发出，这其中涉及了临床医学、工学及计算机等多学科内容。因此，这就使得人们不得不开始重视医学影像教育。目前，我国的医学影像教育大多还停留在传统的影像教育模式，这种传统教育模式将很难实现在“精准医疗”大背景下的医学影像精准化教育。人工智能（artificial intelligence，AI）技术作为近几年的一大研究热点，该技术已被广泛应用在医学影像的相关研究中[2]，比如将AI 应用于医学图像分割[3-4]，以及相关疾病的诊断[5-6]。与此同时，也有学者将AI 引入医学影像教育中进行探讨[7-9]，但大多是关于AI 辅助传统影像教育[10-12]，并未涉及精准化、个性化的影像教育应用中来。因此，文章将试利用AI 技术来解决医学影像精准化教育所面临的挑战，以及尝试构建医学影像精准化教育模式，并对医学影像精准化教育进行未来展望。

1 医学影像精准化教育面临的挑战

医学影像精准化教育的核心在于“因材施教”以及重点定位，即针对个体学习能力进行评估，来决定学习对象所应接受的学习内容，并对学习的薄弱环节进行及时追踪，从而采取强化的手段来提高学习个体的学习成效。因此，基于文章中对医学影像精准化教育的定义，这里将简单罗列几个开展医学影像精准化教育所面临的挑战。

1.1 传统医学影像教育模式的不足

目前，我国医学影像教育主要采用的是传统授课（lecture-based learning，LBL）模式，该模式主要是以授课教师作为主导，学生被动接收教师输出的教学内容。这种传统的LBL 课堂教育模式难免会出现学生对于知识的机械性获取，导致培养的学生缺乏一定的自主学习能力和创新能力，从而进一步影响到学生日后工作中的岗位胜任能力。最近几年，也有不少学者开始对传统的LBL 教学模式进行改进，比如基于问题的学习法（problem-based learning，PBL）的提出[13-15]，这是一种引入问题的教育模式，以实际临床问题作为切入点来进行教学，从而使得以前枯燥死板的教学内容变得形象直观起来。但是，这种PBL 教学法受限于现有教学课时和实际教学硬件的影响，授课教师往往只能对部分常见疾病的影像问题展开讨论，而无法对应于各类疾病的诊断情况。另外，在现有的教育资源和课时要求下，代课教师疲于完成授课任务，也会导致教师忽略学生对于知识的掌握情况，使得影像教育难于做到精准化及个性化。

1.2 医学影像学科自身特点

医学影像学是一门获取影像及识别异常影像特征的综合实践类学科，也是一门涉及医学、工学和计算机学等多学科交叉的复杂学科。首先，对于理论学习来说，一名医学影像专业学生在校期间，需要学习系统解剖学、局部解剖学、内科学、外科学、儿科学等临床学科。同时，还需学习医学影像诊断学、超声诊断学等影像诊断类科目，再加上医学影像设备学等工科类科目。其次，对于专业实践来说，一名合格的医学影像学生要熟练地掌握X 平片、超声、电子计算机断层扫描（computed tomography，CT）、磁共振成像（magnetic resonance imaging，MRI）等影像数据的采集，并掌握扫描数据的后处理过程以及最终诊断报告的书写。同时，新设备新技术的不断更新，课本所学的仪器设备已与实际有所脱节，学生很难将理论与实际结合起来。此外，在课堂的教学中，难以保持影像教育所需要的高保真训练场景，也使得学生对于部分概念的理解比较模糊。以上这些都为开展医学影像精准化教育带来一定的阻力。

1.3 学生自身的差异

早在春秋战国时期，著名的教育家、政治家和思想家孔子先生就提出“因材施教”这一观点，并根据“听其言，观其行”的方法来对门下学生进行不同的指导。另外，近代教育家蔡元培也提倡教育要“尚自然，展个性”[16]。国外一些学者也在其研究中表明，不同学生的学习风格会有所不同。如美国心理学家柯勃就发现，有的人在感知外部世界时，倾向于具体的方式，而有的人则倾向于抽象的方式[17]。并且，他还将不同人的学习风格分为四类，分别为想象型、分析型、普通型和活动型[16-18]。同时，新时代的高等教育也主张要充分考虑到学生的个性发展，以及学生发展的客观规律。不同学生的思维习惯及思维模型的不同，也会导致他们在对于知识点的掌握有所不同，有的学生可能会擅长CT 图像的阅读，有的学生可能会擅长MRI 图像的阅读。还有，有的学生可能对于头颈部疾病的影像诊断比较熟悉，有的学生可能对于胸腹部疾病的影像特征掌握较好。

2 AI 技术助力构建医学影像精准化教育新模式

针对上面所提及的挑战，文章将结合目前AI 的相关技术，来构建出医学影像精准化教育新模式。

2.1 AI 智能教学模式

针对传统LBL 中填鸭式的教学模式，AI 技术将利用对于大数据的处理与筛选能力，AI 会在影像归档和通信系统（picture archiving and communication system，PACS）上进行数据清洗与筛选，然后选择PACS 系统中比较常见的病例类型及影像特征，来作为AI 课堂教学的内容与素材。这样就解决了传统LBL 中没有案例，只有单幅图像的缺陷。同时，因为是对大型三甲医院PACS 系统中日常的影像数据的整理，也就使得收集的病例影像种类较为丰富，这样也就极大地改善了PBL 教学法中课堂案例的不全面性，使得学生对于疾病的影像特征掌握得更多一些。

此外，AI 技术可以借助互联网、慕课平台等资源，使得学生不受时间与地点的限制，随时进行AI 课堂学习，并阅读到完整的影像资料。另外，AI 课堂中一改以往以教师为主导的学习方式，而是更多地让学生去主导整个学习过程，比如肺部的影像资料，AI 课堂会同时给出患者的基本病史及相关情况，然后由学生在影像上勾画出异常位置，并给出影像诊断。随后，AI会对语段及图像异常位置进行检测，与正确答案进行匹配，对学生的诊断给出打分。同时，根据训练中的打分高低，AI 会自动调整学习内容，如肺部影像CT 诊断评分较低，AI 就会多分配一些肺部影像案例给学生。反之，则减少类似的案例学习分配。这样就可以为学生制定出适合自己的学习方案与计划，做到了真正的“因材施教”，也很好地解决了每个学生自身差异所带来的困难。

2.2 AI 新技术改善学科难度

近年来，AI 技术已被广泛应用于医学影像分割，尤其是深度学习算法在医学影像分割中的应用。如中国香港中文大学的LI 等[19]就利用混合密集连接网络（H-DenseUNet）在肝脏以及肝脏病灶的分割上取得了不错的效果。此外，还有ZHAO 等[20]将全卷积神经网络和条件随机场结合在一起，提出了一种新的脑肿瘤分割方法，并取得了外观和空间一致性均不错的分割结果。还有加拿大DABIRI 等[21]利用深度学习算法应用在腹部CT 图像上，完成了对于骨骼肌、皮下脂肪组织、内脏脂肪组织和肌肉间脂肪组织的自动分割。这些研究都显示了AI 技术在医学影像自动分割方面的巨大潜力。同时，这也启发笔者，鉴于AI技术对于医学影像的正常组织和病灶有着良好的分割能力，笔者可以将其应用在医学影像精准化教育中，帮助学生加深对于医学影像上各个器官、血管、肌肉、骨骼等的识别，从而进一步加强学生在影像解剖的认识与学习，也为之后的异常影像特征诊断打下良好的基础。

此外，针对影像教学中设备技术更新迭代速度较快等特点，AI 仿真教学平台的建立将大放光彩。AI 技术结合虚拟现实（virtual reality，VR）[22]可以帮助学生在课堂上真实感受到数字X射线、CT及MRI等设备的操作，通过将这些设备的参数与人体模拟仿体结合在其中，可以让学生在AI 模拟的平台中通过选择不同的扫描参数来获得不同的图像，从而加深学生对于书本上扫描参数的理解，并且利用虚拟人体仿体，可以让学生更好地了解在日常工作中如何去进行摆位，以及扫描范围的选取。同时，这些仿真教学平台也可以迁移至电脑和手机，不限时间及地点地让学生们学习到影像数据的整个获取流程。

目前，已有研究者在这方面做了部分工作，如高俊逸等[23]为了解决MRI 设备教学中存在的场地有限、实际上手困难等问题，将三维数字模拟与虚拟仿真技术结合起来，开发了一套可以用于MRI 设备教学的仿真系统。并且，开发者还发现通过虚拟教学的学生要比普通授课学生的教学反馈要更好一些。还有，南京医科大学超声教研室自主研发的基于网络的超声影像学虚拟学习平台，该平台内嵌虚拟超声仪器操作、人体虚拟超声检查，虚拟超声病例影像库等智能化模块，不仅训练了学生对于超声仪器的操作，极大激发了学生对于超声诊断学习的兴趣，也取得了不错的教学反馈响应[24]。

2.3 AI 智能用户画像

用户画像，简单来说就是首先采集学习者（用户）的学习行为数据，并对这些数据进行挖掘，构建出精准化的学习者个性化标签，从而生成学习者画像模型，来进一步达到提高认知能力并指定个性化学习方案[25-26]。这类研究最近也是崭露头角，如王芳[27]利用AI 建立用户画像模式，通过画像模型对学生的教学进行分层分类，还进一步改善翻转课堂的教学设计，实现了精准教学。文章将利用调查问卷来获取以下相关数据：学生基本信息、学生努力程度、平时绩点状况、生活规律等维度。之后，AI 会随机对学习者分配不同的学习科目类型，如MRI 图像诊断或CT 图像诊断，头颈部影像或腹部影像，将对这些教学后的测验分数进行收集，然后加上调查问卷的得分权重，来对学习者进行分类，从而根据分类结果来对学习内容进行调整，这样就实现了真正意义上的“因材施教”。

综上所述，文章发现AI 在医学影像精准化教育的应用中潜力无限，AI 技术将利用其自身技术优势，来弥补传统授课模式的单一和内容陈旧等局限性，并克服该学科自身学科繁杂等特点，从而可以真正地实现医学影像的精准化教育，从而培养出适岗能力强、理论与实践本领均过硬的学生。