人工智能在医学教育领域的现状、未来治理研究

Research on the current situation and future governance of artificial intelligence in the field of medical education

摘要

医学教育模式历经三次转变，如今正处于第四次变革的分水岭。人工智能技术的介入不仅重塑了医学模式，对医学教育模式也产生重要影响，包括保障基础医学实验安全规范进行、促进学生诊断思维能力的培养、因材施教、培育个性化教学方案、强化医学生的人文关怀意识、推进临床医学与其他社会科学的合作。与此同时，医疗人工智能也为教学参与者带来风险与挑战，教师与学生需要加强沟通交流，提升数字素养，保障数据安全，同时教师需要鼓励学生合理适度地使用技术品，防止学生迷失其中。医学院校需要与社会各界保持合作，共同面对已经产生的伦理风险，补齐法律监管的短板。同时提高自身科技创新水平，完善人才培养体系，培育顺应现代医学发展方向的新人。

Abstract

The medical education model has undergone three transformations and is currently at the watershed of the fourth iteration. The intervention of artificial intelligence （AI） technology not only reshapes the medical model， but also has a significant impact on the medical education model， including ensuring that basic medical experiments are conducted safely and consistently， promoting the cultivation of students’ diagnostic thinking ability， teaching according to their aptitude， cultivating personalized teaching plans， strengthening the humanistic care awareness of medical students， and promoting cooperation between clinical medicine and other social sciences. Meanwhile， medical AI also brings risks and challenges to teaching participants. Teachers and students need to strengthen communication， improve digital literacy， and ensure data security， while teachers need to encourage students to use technology reasonably and moderately， thus preventing them from getting lost in it. Medical colleges and universities need to maintain cooperation with various sectors of society， jointly face the ethical risks that have already arisen， and make up for the gaps in legal supervision. At the same time， the level of scientific and technological innovation should be strengthened， the talent training systems should be improved， and new talents who are in line with the direction of modern medical development should be cultivated.

关键词

人工智能 / 医学教育 / 智慧医疗

Key words

artificial intelligence / medical education / intelligent medical care

人工智能的研究起始于1956年的达特茅斯会议^［1］。1985年，人类首次将工业机器人PUMA560应用于临床诊断^［2］，医疗机器人的研发正式开始。随着ChatGPT等语言模型的构建和接入，医疗机器人正在引领未来医疗产业的变革。但我们真的到达未来了吗？尽管以医疗机器人为代表的智慧医疗产业给现代医学研究带来了巨大的变化，但它引发的种种问题尚未被纳入医学教育的研究整体中^［3］。在中国，智慧医疗理念与人工智能技术是相伴而行、相互影响的。医疗人工智能技术的下一代革新必定依赖于医学教育范式的改变，但医学教育模式与人工智能技术该怎样走向融合？结合过程中产生的一系列问题又该如何应对？这是我们必须面对的话题。

1　医学教育模式的变革方向

医学教育模式共经历了三次转变^［4］，虽然三次转变的外在原因有所不同，但内在根本动因离不开社会环境的变化。

20世纪初期，因生物医学模式逐渐成型，医学教育模式也随之发生巨大改变^［5］。这一时期的医学教育体系快速吸收现代科学技术的新知识，以经验传授为主的模式被彻底颠覆。20世纪中期，出于战后关怀的实际需要，美国不仅扩大了医学院校的招生规模，还增设了人文教育课程。随着大量针对医学教育模式改革的调查研究报告刊发，以器官整合为中心、问题为导向的医学教育模式得到逐步确立。

21世纪初期，医学教育模式的改革源自1981年的一份报告——《为二十一世纪培养医生》，该报告提出医学院要加强医学生的临床训练，培养学生独自面对临床问题的能力，便于毕业生可以更快地进入临床工作。2010年，21世纪全球医学教育专家委员会成立，倡导医学院校间应加强合作、破除学科壁垒，为“以人为中心”这一目标而奋斗。医学模式转变后期望培养标准化与个性化相统一的人才，以此满足医教研协同系统的要求。自此，以卫生系统为中心、胜任力为导向的医学教育模式得到广泛认可。

第三代医学教育改革已有20多年，伴随着2019年之后医疗机器人产业的井喷式发展，医学教育模式将迎来第四次变革。现代教育模式历经三次转变，根本原因在于人与社会环境互动效果的改变，尽管第三次医学教育模式改革中提出个性化教学和医患合作等主张，但均受困于技术限制而难以实现，例如教师很难对课程内学生的学习情况逐一了解；由于需要面对大量的门诊患者，医生也很难仔细地了解每一位患者的情况和想法。

目前，人工智能技术快速发展，不仅在临床治疗中广泛应用，甚至还直接参与并影响到临床教学活动，教师和学生群体的认知和学习行为也随之发生转变，第四次医学教育革命将产生颠覆性的影响。因此医学院校与医学生面临以下问题：如何去平衡快速更新的人工智能知识与过往经验积累下来的知识之间的关系；当零散局限的知识聚合在一起，变得触手可及时，医学教师又该怎么去教育学生分辨，并将这些知识进行系统整合，应用于临床实践中。

2　人工智能在医学教育领域中的应用

目前学者对人工智能技术在医学教育领域产生的影响仍存在许多担忧，但对医学教育模式来说，人工智能的介入将在未来医学生的思维结构以及院校的培养模式方面发挥积极作用。例如19世纪听诊器的发明进一步完善了查体技术，此后医生不断改进各类诊断器具，对疾病诊断的精确性提出更高的要求，医学院校的诊断课程也变得更加系统和完善。现在，人工智能技术参与到医学教育模式的各个环节中，医学教育的进程也将被改写。

2.1　保障实验安全规范地进行

在过往的医学教育模式中，基础医学的学科教育一直存在教育失衡的问题，尤其见于学科体系不完全或实验经费较少的医学院校，这些院校普遍存在实验资料获取困难、实验室安全监督不到位等问题。即使是设备健全的医学院校，也会因为师生之间互动少，缺乏讨论交流而导致实验研究进展缓慢。

在人工智能技术引入医学教育后，基础学科将最先受益。基础医学学科因教学内容的特殊性需要大量的实验教学，实验前准备工作的正确与否会严重影响到结果的观察与分析，教师很难对全部实验小组做到兼顾。而虚拟实验平台在很大程度上可以规避错误与风险，同时针对实验要求对每一位学生做出相应指导，给医学生提供更多不受空间限制的实训机会。在实验开始前，虚拟实验平台可以为每一位参与的学生呈现正确的实验操作步骤，帮助他们进行提前模拟，使实验可以顺利进行，提高成功率。

虚拟实验室的搭建成为医学教育模式变革的标志，尤其在ChatGPT等语言模型接入后，使得虚拟实验的质量和仿真度都得到了提升，虚拟实验空间也会监督学生的实验行为，对危险行为作出提醒与警告，保障实验操作规范，使每一位医学生都得到充分的教育。

2.2　促进学生诊断思维与能力的提高

将医学研究引入人工智能技术的目的是辅助临床诊断，提高患者治愈率。医学教育领域引入人工智能技术则旨在促使在校医学生进行临床仿真训练，提高实践技能水平，应对医学领域日益复杂的挑战。

对于诊断学等临床学科来说，人工智能技术可以对虚拟“患者”进行训练，使得它们更加符合临床实际。教师将临床源数据保存至数据库后，人工智能可以自动对案例和模型做出分类，在实际操作过程中准确识别关键词，排除样本的个体差异与干扰，消除过于复杂的影响信息，方便学生进行实验模拟。

医学生的共性问题是理论知识不扎实，同时缺乏临床经验。医疗人工智能模型会在学生使用操作过程中及时判断学生给出的诊治方案是否常用或正确，在引导学习的同时逐个反馈实验结果，方便查缺补漏。因此，学生在使用诊断模型的过程中可以快速理解并掌握相应知识点，医疗人工智能模型还可以帮助医学生排除可能存在的干扰，培养临床思维，促进他们更快地进入实践中。

2.3　推动个性化教学方案的实施

在过往的医学教育模式中，医学院校和教师会更偏重社会环境的需要，而容易忽略学生的个体实际情况。但学生是教育模式中最重要的要素，因为不论教育模式如何变革，最终反馈到临床实践中的始终是学生。

对医学生来说，由于对知识的接受程度和学习方法不同，不论处于什么学习阶段，都需要个性化的学习场景。第四代医学教育模式为个性化教学方案的实施提供了发展环境，虚拟仿真教学平台会记录不同学习者使用后产生的数据，进行单独储存和处理，并在每次学习时匹配新的教学时段，同时可以做到依据不同的教学场合和要求推送符合学习者的学习内容。

个性化教学的最终结果不仅反馈在教学模式中，也将反馈到临床实践中。小到一次普通感冒，大到脏器切除手术的预后，医生都会参照患者发病症状和用药情况，有根据地推导，并提供出对患者最有利的治疗方案，这才是医学教育模式改革的首要目的，也是医工结合的目标。智慧医疗的愿景本就是提升医生和患者的幸福感，个性化教学可以使医生能够主导技术的介入，而不只是简单地对技术作出反应。

为了更好地使用数据模型，必要的学院派教育也发挥着重要作用。有研究表明，来自不同教育背景的医学生在理解模型开发和算法评估等方面存在极大差异^［6］，一些地区医学院校的选拔方式使得这一差异更显突兀。许多学科基础知识应在临床实践前得到学习训练，例如人工智能技术入门所需要的数据管理、分析、安全保护和所涉及的规范使用数据库等。个性化教育有助于抹平这一差异，同时训练出更适合中国教育模式的医疗人工智能模型。

2.4　强化人文关怀意识的培养

在虚拟学习平台搭建后，个性化学习还可以应用于医学人文思想的教育评估。医患沟通一直是人文医学领域的研究重点，人工智能技术可以为临床案例提供新的分析视角。

对患者来说，临床需要训练出一个合格的医生；在医疗教学中，医学生也需要训练出一个合格的患者。在模拟训练中，人工智能可以介入医患沟通环节，例如围手术期的沟通，此时需要医患双方的共同决策，患者和医生在此时需要一个良好的互动氛围。医生提供诊疗思路，患者表达诉求和未来展望。语言模型可以学习并搭建沟通平台，提供术中模拟情景和对家属的及时反馈，促进医患共同决策的形成^［7］。人工智能技术介入教学模拟系统后，病例数据不再受限，医学生也可以真正地站在患者的角度，以实际治愈为目标，考虑患者的实际需要，这对医学生的教育有很好的启发意义。

同时，只是体现在教育技术进步上的人文意识培养还远远不够，不能将未来医生的培养全权交付于数字化医疗产业^［8］。在人工智能技术加持下的医学教育，培养出来的绝不会是一个模子里生产的“机器人”。学生可以在虚拟实验室架构的各色空间内与形形色色的患者接触，学习与医务人员之间的合作和沟通、医患之间如何保持正常的互动、医务人员日后的人际交往等内容。人文关怀不仅体现在对患者的态度上，也体现在医生执业的各个方面。从某种程度上来说，特定情境下与他人的合作交流也是个性化教学的一部分。

2.5　助力跨学科合作平台的搭建

不论是虚拟实验平台的搭建，还是个性化教学方案的实施，都需要医学院校的教师掌握多学科内容，与众多不同类型的患者加强沟通，以此填补数据库缺陷，培养医疗人工智能技术对社会公正问题和性别差异问题的敏感性。这对于医学院校教师来说难度较大，所涉及学科不仅是医学和计算机科学，还应包括社会工作、计算机科学、工程学、哲学和心理学等学科，跨学科合作在此时显得尤为重要^［9］。

跨学科合作的意义除了促进人际交往和医患共同决策，还包括解决人工智能技术目前面临的最大难题——人工智能算法模型的“黑箱”性质^［10］。医学专业教育有义务增加跨学科内容的教学，以此促进医学人工智能可解释性的实现，同时保证教学模型数据库内的资源不被污染，抹平学科之间的壁垒和信息差。

“黑箱”模型所涉及的可解释性问题很好地回答了为什么我们需要跨学科合作。用于医学教育的学习模型的参数数据量庞大，这些用于学习理解的数据超越了模型本身的复杂度。具体来讲，要想“黑箱”变得透明，教师和医学院校在提供学习数据时，还需要确保这些数据没有产生极大的偏差，例如样本数据的不足或过剩。除此之外，还要确保每一部分的样本都大致均衡，可供采纳的数据量充足。挑战也在于此，对于一个模型来说，究竟多少才是“足够的样本数量”？这一点仅靠计算机科学的单一研究是难以准确把握的，因为传统统计模型的运算量可能达不到复杂深度学习模型的要求，因此多学科的合作是医学教育模式改革的必然走向。

如今，越来越多的医学院校在主干课程中加设跨学科的学习内容，同时增加了实训教学时间。这种人机互动不仅使得教师和学生直接参与到软件的开发和运营过程中，创造出更有效的系统工具，还鼓励和培养了学生的沟通意识，促进学生积累相关的专业知识和经验，进而培养出一批熟练使用人工智能技术的医生。

当然，从根本上改革医学课程需要漫长的探索。随着人工智能技术的不断提升，也需要随之更新和调整教学方法。但这正是教育改革的黄金时刻——对医学生来说，人工智能高效的计算能力，可以提高信息获取和知识整合的效率，有利于临床思维的培养和实践技能的培训。以此为基础，将培养出兼具深厚知识与强大思维的“新”医生。

3　医学教育参与者面临的挑战及应对策略

在医学教育模式中，教学参与者分别是医学院校、教师和学生。医学院校是与社会直接沟通联系的集体，需要综合管理教师和学生，为教学模式的改革提供全方位支持。教师和学生作为独立的个体需要改变自身的认知和行为，以适应新模式的要求，例如教师对学生进行管理和约束，教育他们合理适度地使用人工智能技术；学生是教育模式结果的体现，培养的学生是否符合社会及临床的需要，是教育模式改革成功与否的重要评价指标。

3.1　教师面临的挑战及应对策略

人工智能技术的介入并不能动摇教师的地位，教师需要在人工智能技术的帮助下改变自己的教学模式，接受专业培训，了解新的专业发展方向。在帮助学生找到认同与树立个人目标时，教师的思维模式也应有所转变，适时的变化有助于更好地落实个性化教育的目标，保障学生能更加自信、自如开始职业生涯^［11］。

3.1.1　教师面临的挑战

目前，人工智能技术只能满足日常智能化生活，还达不到服务临床全过程的要求。但对于部分医学生来说，由于自控力的缺乏，他们极易滋生惰性，甚至滥用医疗人工智能模型。这不仅考验了学生的个人意志力，也是对教师教育理念的考验。

第一，医学生缺乏培养数字化创新的意识，影响教学实验数据安全。由于“黑箱”性质的限制，使得最终实验数据和临床诊断结果的推理过程不透明，难以清晰展现。如果在输入数据后只能得到结果，就无法保证结果的信度。这要求用户在输入数据时需要格外注意，确保输出的结果具有泛用性和可靠性。由于医学生不具备信息和数据的筛选能力，同时也没有接受过系统的早期教育，这使得他们在使用技术时只能被动接受。同时，由于虚拟实验室等平台需要存储用户数据，学生不当使用可能会造成实验数据泄露或被恶意篡改，严重影响保密性实验的安全问题，侵犯教师和学生的权益。

第二，医学生对技术产品过度依赖容易分散学习精力，影响教学效果。在日常教学生活中，人工智能模型会按照用户提供的信息进行画像和采样，人工智能模型会根据疑问的内容和提问方式，猜想出更希望得到的回答。一旦依赖行为产生，人工智能模型可以做到精确定位，这会导致兴趣固化逐渐加重，使得学生接受信息范围单一、视野局限，不仅不利于人文关怀意识的培养，也会对日后的临床工作造成影响。如果虚假的数据被学生使用到实验中，不仅会影响到医学实验的严谨性，还关乎学术诚信问题，对教学工作造成干扰和误导。同时，因为错误数据造成实验的节奏混乱，学生又会去求助于人工智能模型，继而加重依赖现象。

第三，在线教育削弱了教师的知识权威地位，学生与教师缺乏沟通。由于知识的获取变得更加方便易得，教师在师生关系中的权威地位被削弱，学生不再希望与老师沟通，转而向医疗人工智能寻求帮助。学生可能会在平台中直接学习到一些临床案例结果，这些知识可能落后于最新的医学成果，它们无一例外都省略了诊断思考的步骤，无法为学生提供实际操作和体格检查的经验。由于过度依赖，学生也无法获取教师的临床实践教学指导，而这些宝贵的经验恰恰是医学教育的核心内容。对线上获取资源的依赖会导致医学生无法培养成熟的批判性思维，也丧失了与教师沟通的机会，淡漠的人文意识观念最终会影响临床工作。

3.1.2　教师的应对策略

学生对人工智能的依赖会使得他们逐渐放弃思考，因此教师要注重对学生个人伦理观念的培养，并加强与学生的互动。教师应当成为学生的榜样，对学生起到正向引导与鼓舞作用。

第一，教师需要提升自身教学素养，引导学生培养智能化学习能力。由于人工智能技术是一个数据驱动的框架，因此要求教师必须将这些数据与各医学学科实际需求结合，教育学生仔细甄别用于学习和验证的数据，提高信息选择的敏感性，保证这些数据可以融入临床实践。除了学习伦理知识与医学人工智能的基本操作之外，教师还需要面对一个“无知”的语言模型。因此，在使用人工智能技术进行医学诊断和预测时，掌握随机性和概率知识变得非常重要^［12］。必要时教师应该和学生一起接受培训，掌握学生学习进度和情况，调整教学方案，帮助学生更快过渡到下一学习阶段。

第二，教师教育学生增强自主学习意识，鼓励学生合理适度使用技术产品。教师应该教育学生广泛地学习医疗人工智能技术的知识，同时加强自身专业训练，顺应趋势，不能因噎废食。只有这样，医学生才能在使用过程中明白医疗人工智能只是一套辅助教学工具，给出的结果和数据分析绝不能当作真理来信奉。同时，教师应该鼓励学生在使用模型练习诊断时保持独立的临床判断思维能力，并及时与教师和开发者反馈软件存在问题，及时互动。在模型适配过程中，广泛的数据收集，例如患者查体情况、家庭社会背景和病情等实时数据可以扩大机器学习的范围，对数据的调查锻炼了学生的自主意识，有助于减少甚至消灭存在于数据处理软件工具中的种族歧视和社会偏见^［13］。

第三，教师主动适应技术介入，加强师生互动。随着人工智能技术在医学教育领域应用的深度与广度不断提升，医学教师身份就会有所改变^［14］，教师不再是学生获取知识的唯一途径，但当杂乱的、未经整理的知识进入学生视野时，教师有义务帮助学生做好知识分类，为学生提供准确的知识，鼓励学生自主学习，帮助学生成为观点的分享者而不是单纯的接受者。医学中许多默会性的知识是学生难以从医疗人工智能中获取的，教师需要与学生一起建立起新型师生关系，教育学生合理利用新技术的同时，与教师保持沟通互动。

教师应该成为交流者和倾听者，以此来培养学生的人文关怀能力与意识，学生与教师的沟通互动训练可以为日后的临床执业工作打好基础^［15］。教师需要就“师-生-人工智能”三者之间的新型沟通关系改变教育策略，教育学生去合理主动地接受人工智能技术对教学的影响，这将使教学过程更加简洁高效，也会使医学生在其中受益。

3.2　医学院校面临的挑战及应对策略

医学院校所面临的挑战来源于多个方面，这要求医学院校解决发展问题和伦理问题时，需要社会环境的配合，多方共同来应对挑战。

3.2.1　医学院校面临的挑战

群体认知、环境塑造等因素在无形中牵制与约束了现代医学教育模式的推广^［4］，人工智能技术融入医学教育的优势远不止推动一次教育革命，所面临的难题也不止步于此，技术应用后期的持续更新、伦理学指导和法律法规的缺失都是我们不得不面对和解决的难题，同时医学人才培养体系不成熟、职业培训体系不健全等问题仍然存在。

第一，教学平台智能化程度尚浅，资金支持不足。现阶段人工智能技术与医学教育模式融合程度较浅，集中表现为线上云课堂和虚拟现实平台的外科手术模拟软件，难以有效降低教育成本^［14］。同时，由于资金来源不稳定，医学院校的有限预算难以维持研发更新的费用，这些课程和学习软件的质量良莠不齐，许多虚拟现实体验与临床应用完全脱节，而软件开发大多基于开源安装包获取，这些开发商并不从事临床工作，医学教育的现实需求与人工智能技术开发的脱节影响了智慧医疗平台的发展速度。

第二，教育体系缺失，缺乏学业后技能培训。针对人工智能技术存在伪造数据和实验结果的情况，医学院校需要开设课程对教师和学生进行培训，主要内容是针对人工智能模型输出结果进行分析。由于对时效性的要求较高，目前并没有出现规范的课程设计，致使评判医学人工智能技术是否适用于临床实际的评价体系仍然具有很大的主观性^［15］。同时，由于医疗人工智能设备越来越多地出现在医院中，许多从事临床工作多年的医疗从业者也急需专业化培训，毕业后的医学生也需要不断学习，以此保证新技术在临床中的顺利使用。

第三，伦理风险意识不强，监管手段滞后，法律法规监管尚属空白。当前中国的医学人工智能尚没有整体、完备的管理条例，尚不能很好地达到辅助医学院校培养的作用。由于缺乏统一领导部署，涉及不同教学任务的软件程序均需单独开发，开发进程与成品效果却远远落后于实际需要，或者相关产品只是实验室预估成果优秀但并未得到大面积验证，落后的评估体系使人们对人工智能系统的滥用过度乐观。同时没有法律和伦理学对人工智能技术在医学途径的使用加以说明，使得医疗领域人工智能技术使用的监管仍属空白^［16］，不仅仅体现在教学工作中，在临床治疗中，如果因为医疗人工智能的误用出现医疗事故，责任的划分极其困难，对伦理委员会来说，医疗人工智能的管理和研究仍有大量的缺失与不足。人工智能核心技术研发困难，同时缺少系统化的监管，会使研发的技术模型难以胜任临床的工作，甚至会对临床工作造成误导。

3.2.2　医学院校的应对策略

应对人工智能技术的挑战，医学院校需要协调数字化思维训练和临床技能学习培训之间的关系，同时要求医学生理解人工智能技术和深度学习的基本原理，广泛参与其使用，并意识到它的局限性。这就产生两个问题：何时以及如何教授这些技能^［17］？怎样培养出复合型人才？

第一，提高科技创新能力，培养领先创新人才。医学院校应该保持危机意识，重视医学生的早期教育和培养，重视基础科学和临床医学的交叉研究，例如深度学习和其他新技术的实际应用，夯实科技创新的硬实力与软实力，助力医学教育模式的革新。医学院校也应该倡导教师和学生在实验研究和临床实践中使用这些技术，并保证这些用于教学活动的技术产品符合学科要求。同时，医学院校需要统筹规划资金的高效合理利用，例如横向科研项目基金的合理规划与现有项目经费的划归调整，重点关注医疗人工智能核心技术的研发项目，培养顺应时代要求的新人才。同时医学院校需要促进产-学-研-协调发展，保证研发投入与项目创收之间的健康循环，稳步提升医学院校科研创新能力，推动中国自主研发应用落地。

第二，健全人才培养体系，保证医疗从业者获得技术教育。除了常规的学业教育外，医学院校应当主动承担医务人员的医疗人工智能技术业务培训，课程内容包括机器深度学习与伦理批判性思维的培养。为了促进学科发展和人才培养模式的多样性，未来可以开展形式更加丰富的认证课程体系，主要针对从事交叉学科研究的医务人员，他们在参与课程并考试合格后可以获得认证。

这些知识不仅能使学业培训外的医务工作者在使用人工智能技术辅助诊断时变得更加敏锐，并最大限度地避免使用人工智能技术时输出错误结果的风险，同时避免从事临床工作多年的医务工作者被置于教育体系之外。随着医疗人工智能技术的不断更新，相应的课程设计也需要同步调整，针对医疗人工智能技术的教育不应该只看作计算机科学教育的附属品，需要同时兼顾临床应用的需要和伦理以及人文意识的培养。医学院校需要鼓励学生对人工智能技术的应用保持敏感，并及时认识到现有技术的局限性，积极反馈，促进教育体系的优化。在这种情况下，每一位学生都可以在学习实践技术的同时兼顾批判性思维的训练^［18］，进而方便后续的临床实践问题处理。

第三，与伦理学与卫生法学研究者保持密切合作，督促法律法规的建设和安全规范意识的加强。尽管目前医疗人工智能技术的管理体制有所缺失，但这并不意味着医学院校和专业的医务工作者可以漠视现有的治理法律与产生的伦理问题。医学院校需要与教学医院保持合作，建立针对医疗人工智能技术的伦理审查委员会，并在医学院校内为学生开展讲座，形成“医院—学校”两方协同合作的局面，促进伦理研究的规范化。

同时，由于许多人工智能技术的算法和程序依赖于大量的数据来维持其深度学习，因此医学院校必须开设强制化教学课程，要求师生了解人工智能相关专业数据的收集、存储和分析过程，学习涉及的伦理问题和处理对策，以此维护患者和自身的基本权利，响应国家数字技术创新体系建设要求。医学院校可以向有关部门反馈，设立相应的法律法规，加强立法约束和政策引导，保障医疗人工智能技术的健康发展。中国已经颁布了《生成式人工智能服务管理暂行办法》，旨在促进人工智能技术产品的健康发展和规范使用，助力人工智能技术在医学教育模式中有法可依。

第四，无论社会环境对医学教育模式造成怎样的影响，最终都要落实到师生的互动中，医学教育模式不该因为技术的介入而失去了“人情味”，因为无论学生接触并享受到怎样的技术产品，最终的落脚点都是与患者的交流，在医患关系中他们需要成为和教师一样的倾听者和交流者。这些综合的、相互联系的知识体系，以及背后的人文情怀，是机器无法学习和取代的事情。

4　结语

医疗人工智能技术为医学教育模式带来新的希望，在改变医学教育模式和创新临床实践方面具有巨大的潜力。但不可否认的是，医疗人工智能技术使医学教育参与者面临挑战。对教师和医学院校来说，当务之急是在医学教育模式中为人工智能技术教育寻找合适的位置。人工智能技术与医学的结合或许并非医学教育模式改革的最优解，医学发展道路的选择也没有一个标准答案，但促进医学教育模式的进步不仅需要教育者的思维革新，也需要跨学科的技术突破与学科融合，以及成熟的监管机制。随着医疗人工智能技术与医学教育模式的合作不断深入，后续将可能面临更多的问题，期待未来可以出现更加丰富、健全的研究，助力数字中国建设。

参考文献

[1] 尼克.人工智能简史［M］.北京：人民邮电出版社，2021：1.

[2] 樊瑜波.医疗机器人-产业未来新革命［M］.北京：机械工业出版社，2020：1.

[3] ELENKO E， UNDERWOOD L， ZOHAR D. Defining digital medicine［J］. Nature Biotechnology， 2015（33）：456-461.

[4] 陈思铧.现代医学教育模式的三次转变及影响因素研究［D］.石家庄：河北医科大学，2022.

[5] CHEN S H.Research on the three transformations of modern medical education model and its influencing factors［D］.Shijiazhuang：Hebei Medical University，2022.

[6] 贺国庆，于洪波，朱文富.外国教育史［M］.北京：高等教育出版社，2009：227-228.

[7] BLACKETER C， PARNIS R， FRANKE KB， et al. Medical student knowledge and critical appraisal of machine learning： a multicentre international cross-sectional study［J］. Internet Medicine Journal， 2021，51（9）：1539-1542.

[8] ANTEL R， ABBASGHOLIZADEH-RAHIMI S， GUADAGNO E， et al. The use of artificial intelligence and virtual reality in doctor-patient risk communication： a scoping review［J］. Patient Education Counseling， 2022，105（10）：3038-3050.

[9] COIERA E W， VERSPOOR K， HANSEN D P. We need to chat about artificial intelligence［J］. Medical Journal of Australia， 2023，219（3）：98-100.

[10] KOLACHALAMA V B， GARG P S. Machine learning and medical education［J］. NPJ Digital Medicine， 2018（1）：54.

[11] ZHONG J Y， GOH S K， WOO C J. Heading toward trusted ATCO-AI systems： a literature review ［D］.Singapore： Nanyang Technological University，2021：1-31.

[12] FRANK J R， SNELL L S， SHERBINO J， et al. Draft CanMEDS 2015 milestones guide ［EB/OL］. （2014-03-01） ［2024-03-13］.

[13] KOMPA B， SNOEK J， BEAM A L. Second opinion needed： communicating uncertainty in medical machine learning［J］. NPJ Digital Medicine， 2021（4）：1-6.

[14] OBERMEYER Z， POWERS B， VOGELI C， et al. Dissecting racial bias in an algorithm used to manage the health of populations［J］. Science，2019，366：447–453.

[15] 龚加林，田华，郑杰，等.智慧医疗［M］.北京：清华大学出版社，2015：37.

[16] ASSIS-HASSID S， REYCHAV I， HEART T， et al. Enhancing patient-doctor-computer communication in primary care： towards measurement construction［J］. Israel Journey Health Policy Research， 2015（4）：4.

[17] WHO. Ethics and governance of artificial intelligence for health： WHO guidance ［EB/OL］. （2021-06-28）［2024-03-13］.

[18] CARIN L. On artificial intelligence and deep learning within medical education ［C］//11S Association of American Medical Colleges Learn Serve Lead： Proceedings of the 59th Annual Research in Medical Education Presentations， 2020：10-11.

[19] MASTERS K. Artificial intelligence in medical education［J］. Medical Teacher， 2019，41（9）：976-980.

基金资助

2018年度国家社科基金重大项目“中医药文化国际传播认同体系研究”(18ZDA322)

2021年度江苏省社科基金青年项目“医疗人工智能的伦理风险及应对策略研究”(21ZXC003)

2024年江苏省研究生科研创新计划项目“手术机器人发展史研究”(KYCX24_2093)