人工智能大语言模型在神经病学教学中的应用探讨

Application of artificial intelligence large language models in neurology teaching： a case study of Alzheimer’s disease teaching

摘要

神经病学作为临床二级学科，其教学面临知识体系复杂、临床思维培养难度大等挑战。大语言模型通过机器学习技术展现出强大的自然语言处理能力，为神经病学教学带来新机遇。本文以阿尔茨海默病教学为例，探讨大语言模型在课堂教学、考核评价、临床实践中的具体应用，分析数据隐私、内容准确性、学生思维培养等关键挑战，并提出应对策略与未来展望，以期为神经病学教学的现代化提供参考。

Abstract

Neurology， as a secondary clinical discipline， faces challenges in teaching due to its complex knowledge system and the difficulty of cultivating clinical thinking. Large language model （LLM）， through machine learning techniques， demonstrate strong natural language processing capabilities and bring new opportunities for neurology teaching. Taking the teaching of Alzheimer’s disease as an example， this paper explores the specific applications of LLM in classroom teaching， assessment and evaluation， and clinical practice. It also analyzes key challenges such as data privacy， content accuracy， and the cultivation of students’ clinical reasoning abilities， and proposes corresponding strategies and future prospects， with the aim of providing references for the modernization of neurology education.

关键词

大语言模型 / 神经病学 / 教学 / 阿尔茨海默病

Key words

large language models / neurology / teaching / Alzheimer's disease

神经病学是从西医内科学分化发展而来的临床二级学科，其专业性强且涵盖领域广泛。神经病学的疾病谱既包括脑卒中、阿尔茨海默病（Alzheimer’s disease，AD）等严重危害人类健康的重大疾病，也涉及眩晕、偏头痛等常见多发病。因此，其课程内容概念多、解剖难、逻辑复杂，对教师教学和学生学习都具有挑战性。提升学习兴趣、系统全面掌握相关知识及培养临床思维能力是神经病学教学的难点与重点^［1］。

人工智能（artificial intelligence，AI）当前已在包括医学影像识别与判读等辅助临床决策实践中取得重要突破。大语言模型（large language models，LLM）作为AI的重要分支，通常是指利用大量文本数据进行预训练，得到可以理解和生成自然语言的深度生成模型，能够实现如文本的生成、理解、翻译、问答等多种语言任务。LLM 通过机器学习技术，在海量文本训练中构建类人脑神经网络，经参数优化形成通用模型，从而能够在未知问题中基于模型生成回答，展现出一定的“创造力”^［2］。LLM可以将诊疗及医学研究过程中获得的多种数据转化为可读、可理解、可分析的形式，从而为医疗、科研、教学提供更加高效、准确和智能化的支持^［3］。近年来，AI与LLM逐渐应用于医学教学活动中，为教育理念的革新、教学效率的提升提供源动力。国外已有研究应用以聊天生成预训练转换器（chat generative pre-trained transformer，ChatGPT）解决医学生学习和实践过程中所遇到的问题，并从医学生、教师等不同视角调查ChatGPT的应用情况及当前存在的风险与挑战^［4-5］。本研究旨在分析LLM在神经病学教学中的应用，以AD的教学为例，讨论LLM对于教师、医学生等不同教学主体在课堂教学、考核及临床实践教学等方面的作用，并分析当前存在的挑战与应对策略，提出展望，以期能够为神经病学教学水平提升提供借鉴和参考。

1 LLM在神经病学课堂教学的应用

绝大部分医学院的神经病学教学仍然采用线下课堂教学模式，传统课堂教学模式以教师为中心，有明确的教学目标和分阶段的知识讲解，适用于基础知识的高效传递和学习秩序的维持。但忽视了学生个体差异、主动建构和社会情感需求。

1.1 个性化学习支持与分层教学

LLM可以根据学生的基础、学习风格不同，通过分析学生的检索内容、作业、测试等数据，识别每个学生的薄弱环节，在课前预习阶段生成个性化的学习内容，进而辅助授课教师更好地实现“因材施教”。学生在预习中遇到问题时，LLM可以即时解答，并且根据学生的理解程度调整解释的深度和方式，提供相关文献链接供深入学习。例如，在讲解AD的发病机制方面，对于前期分析，医学基础较好且自学能力强的学生，LLM可提供国内、国际最新科研成果与综述性论文，供学生在课前预习阶段探索了解包括β-淀粉样蛋白瀑布假说、tau蛋白假说在内的多种机制学说，在遇到如“过度磷酸化”等专业术语难以理解时，LLM可对其进行名词解释，解读相关研究成果；在完成预习后，LLM对该部分内容以生成思维导图的形式进行总结概括。对于基础较差、主动性不佳的学生，LLM可提供神经元的基本结构，神经突触的功能等前期已学习的基础内容复习资料，通过直观病理图片展示神经元的缠结、缺失，以此做好课前准备。通过LLM辅助下的课前预习，教师在课堂授课阶段可减少相关背景知识铺垫，将宝贵的上课时间投入在重点知识的讲解及最新科研成果的讨论上，此外，在课后阶段，LLM还可根据不同层次学生知识掌握程度，提高课后作业布置的精准度，为每一位学生制定差异化的课后作业，既可加强学生对相应知识内容的巩固，又可避免同质化训练，减轻学生完成作业的负担^［6］。

1.2 促进主动建构与动态资源补充

建构主义理论重视以学生为主体对知识的主动建构过程，强调学习的情景性，适用于医学教育，特别是在知识传授中渗透医学生职业精神教育^［7］。具体而言，LLM可以及时补充相应开源资料，为学生主动建构探索提供支持。当前教学方式下，教师依靠多媒体图片、音视频资料对教材文字内容进行补充与辅助讲解，可能存在资料过时或针对性不足等问题，导致补充资料未达到最有效利用。LLM可通过分析讨论、提问等课堂互动数据，实时捕捉学生需求并为教师推送适配的补充资料。例如，在讲解AD临床表现中“人格障碍”时，学生对该内容理解欠佳，进行提问，LLM分析该部分教师备课中未准备相应资料，此时可补充相应视频资料配合讲解，并进行联网检索，教师在检索结果中选择展示AD患者日常性格改变的视频进行播放，并系统解释人格障碍含义。对学生而言，不仅通过互动形式增强了对专业名词的理解，还可直观认识到AD导致的人格障碍对患者及家属的日常生活带来诸多负面影响，由此激发学生对于进一步学习AD治疗方面内容的渴望，甚至帮助学生确定职业发展方向，强化其未来成为优秀神经科医师的信念，契合马斯洛需求理论中认知需求与自我实现需求的递进培养^［8］。

1.3 多模态教学资源整合

LLM可以融合多模态的教学资源，有助于教师更高效备课与学生直观理解知识内容。电子计算机断层扫描（computed tomography，CT）、磁共振成像（magnetic resonance imaging，MRI）等影像学检查资料，对神经系统疾病的诊断有重要辅助作用，同时对神经病学的教学有很高价值。教师在备课时可借助LLM调用数据脱敏后医院图像存档与传输系统（picture archiving and communication system，PACS）中大量的数字化医学影像资料，选择其中适合的图像来制作电子教案^［9］。例如，讲解AD相关辅助检查时，LLM可在备课时辅助教师引入PACS中具有内侧颞叶、海马萎缩的CT、MRI图像，并将文字报告内容与图像中病变特征部位对应标注。LLM还可学生在课后复习时，辅助将二维影像资料进行三维立体重建，以更好地观测病变部位形态；并将病变部位影像学资料与正常人体解剖结构、患者临床表现、病理报告等相对比观察^［10］，有利于提升学生对AD影像学特征的识别能力与空间理解能力。

2 LLM在神经病学评价考核中的应用

2.1 形成性评价体系创新

大部分医学院神经病学教学仍采用传统的总结性评价体系，这种评价体系忽视了对学生知识运用、科学思维和创新能力的考核，侧重知识记忆，在一定程度上限制了考试功能的正常发挥和教育目标的实现。近年来，一些神经病学课程转变考核方式，侧重形成性评价，并将撰写主题论文作为形成性评价的一部分，进而调动学生学习积极性，提升学生的学习兴趣与学习热情^［11］。

LLM可以根据学生实际需求，检索网络内容，生成内容完整、前后逻辑通顺的论文大纲。例如，以AD的综合治疗为主题，布置小论文进行形成性评价，学生在回顾课堂教学时讲述的药物治疗、认知行为干预等治疗方式，再结合LLM检索到的基因细胞治疗、免疫治疗、神经调控技术、靶向病理蛋白的疾病修饰疗法等新兴治疗手段，由LLM生成论文大纲，以此为基础进行论文写作。由此，学生可以对AD的治疗范畴的知识进行拓展，“以练促学”了解课本之外的内容。

2.2 客观高效评价辅助

LLM还可为教师批阅学生论文提供帮助。LLM能够自动生成内容摘要，深入解析文本中的概念及其逻辑关系。并且可以相对客观地生成内容。凭借LLM的内容理解、自动生成等能力，可以为课程论文的评价提供辅助渠道，提高评价效率。LLM提供的快速初步分析，可帮助缩小评审的范围和焦点^［12］。此外，LLM还可在神经病学各种考试中设计试卷，根据题目难度分层次出题，并且可以实现自动化评分，避免人工评卷的误差和疏漏，更加客观地评估学生的学习水平^［13］。对AD的课程评价考核而言，LLM可以辅助教师批阅学生提交的章节学习报告、课程小论文等作业；也可在课堂小测中快速进行客观题正确率分析统计，归纳学生易错点，及时为教师调整教学侧重点提供帮助。同时，LLM根据学生正确率判断知识点的难度，在结课考试时根据AD这一章的各知识点难度等级合理出题。

3 LLM在神经病学临床实践教学中的应用

临床教学是神经病学教育过程中的一个重要环节。神经病学涉及病种多，临床遇到的诊治疑难病例及需要多学科会诊的病例很多，与其他学科相比，学生临床实践教学的难度较大。理论联系临床实际，巩固掌握神经病学基本知识，加强诊治临床思维条理性，尽快能够独立处理临床病例，是神经病学临床实践教学的目的^［14］。

3.1 实时临床带教

在神经病学临床带教工作中，学生对真实病例进行问诊、查体，并查阅患者相关辅助检查资料，常遇到诊断困难，此时医师往往同时兼顾门诊接诊、病房查房等工作，实际回答学生问题的时间不多。学生此时可将患者数据脱敏后的病历资料、辅助检查资料实时上传给LLM，LLM可根据既有资料，提供相应的诊断及鉴别；若已收集患者资料质量不佳、数量不足时，LLM可反馈给学生还需收集的资料类型、内容。例如，临床遇到以“记忆力下降伴言语减少5年余”为主诉就诊的患者，该学生采集到患者神经心理学测评结果提示其认知处于轻中度痴呆水平，同时伴有中度焦虑、中度抑郁；头颅CT检查提示其存在老年性脑改变。学生根据所学知识，诊断其为痴呆，但不知进一步诊断为何种类型的痴呆。将已知内容传送至LLM，LLM告知学生应继续细化临床病史，明确起病原因，询问既往有无脑血管病史排除血管性痴呆；进行肌力、肌张力、腱反射等神经系统查体以排除帕金森病痴呆；并且建议患者进一步完善头颅MRI检查评估海马、额颞叶萎缩程度及是否存在梗死灶等。LLM可根据学生当前采集的病史信息生成指导意见，教师可据此了解学生当前阶段接诊AD患者过程中存在的不足，并加以强化训练，有助于学生进一步系统了解AD的诊断与鉴别诊断，提升临床思维条理性，同时提升临床带教效率。

3.2 模拟病例训练

针对课时受限或罕见病教学场景，LLM还可模拟真实患者的场景，让医学生独立进行临床检查步骤和决策，以训练其临床思维和判断能力^［15］。LLM可根据教师指令，生成贴近临床的虚拟病例，学生能够在这些场景中进行病例分析、诊断与治疗的训练。学生也可以通过与LLM进行交互，提出相关问题并获得反馈，进而提高其临床思维和判断能力^［16］。例如，在临床带教时未遇到适合学生接诊的AD患者，带教老师可LLM上传既往接诊患者的主诉、现病史、检查结果、诊断及处方等病案信息，要求学生向LLM进行问诊，并在接诊后完成病历书写及诊断、处方。LLM可对比分析学生书写完成的病历与既往病历存在的差异，带教老师可根据分析结果提供相应指导。在此过程中，既避免了学生因经验不足在实践接诊时犯错，继而出现医患纠纷；又尽可能还原临床场景，进一步提升学生临床思维能力。

4 LLM在神经病学教学中的挑战与应对策略

4.1 数据隐私保护

LLM进行神经病学教学和临床应用时，首先应考虑数据隐私保护问题。特别是需要引入临床病例资料讨论或在训练LLM时，均需使用PACS在内的大量医学数据，包含患者的个人敏感信息，患者姓名、年龄、诊断治疗情况、疾病种类、辅助检查资料、医保账户等信息^［17］。这些数据的泄露可能会对患者的隐私和安全造成严重的威胁。AD患者往往为限制民事行为能力的弱势群体，患者自身对个人信息保护意识不强，这要求在AD的临床教学中，教师利用LLM生成模拟病例时，应注意提前将患者姓名、证件号等与诊疗无关的个人信息脱敏，做好数据隐私保护。另外，可采用联邦学习等技术，在不共享原始数据的情况下，即可实现多个医疗机构之间的数据协作和模型训练。采用联邦学习技术的各参与方在本地进行模型训练，只上传模型的参数或梯度，而不是原始数据，从而有效地保护了数据隐私^［18］。此外，还需要建立严格的数据访问控制和加密机制，确保只有被授权的教研室成员才能访问和使用患者数据。

4.2 内容真伪辨别

LLM在部分时候输出的内容准确性需加以甄别。在对相关学术数据库没有访问权限的情况，或学生提出的问题超出其检索范围时，LLM可能会捏造部分信息，并最终生成带有官方口吻混杂虚假部分的内容^［19］。例如，学生搜索血脂代谢异常与AD发病关系的权威文献，LLM生成一系列中英文参考文献题目、摘要及网页链接，但部分链接对应的文章并非讨论相关内容，对于学生而言，往往难以逐一阅读文献分辨内容真伪。这需要教师提前告知学生LLM生成内容的科学性存在不确定性，需结合教科书内容或权威文献加以审核分析。另外，教师在应用LLM备课时更应发挥自身专业优势和判断能力，确保提供的信息准确可靠，尽可能避免传播错误的医学知识。

4.3 失去独立思考能力的风险

在完成作业、撰写课程论文时过度使用LLM，会让学生无法有效运用推理、逻辑和批判性思维解决问题，导致学生缺乏独立思考，进而失去原创写作与提出创造性想法的能力^［20］。例如，布置“AD诊断方法”这一选题作为课后作业，学生直接输入LLM即可全面生成结果，但会让学生缺少从医学发展角度看AD诊断手段逐步更新，即从临床表现逐渐向分子基因等微观层次转变的思维观念。教师应对学生使用LLM的领域、频次等方面加以约束或进行有效监管，要求学生在作业中明确标注好复制LLM生成的内容和依据LLM生成大纲写作部分。教师还可通过增加课堂辩论、病例分析等环节强化批判性思维训练。

4.4 人文关怀缺失

医患沟通能力是神经科医师必备的临床工作能力之一，就AD而言，向患者家属说明患者病情，沟通治疗方案，争取患者的配合是工作的难点，也是在神经病学教学中学生应学习的部分。LLM可在一定程度上模拟医患沟通过程，但其生成的语言较为复杂，且缺乏人与人之间交流沟通才能体现的人文关怀，因此，尚无法完全替代医生与患者的交流沟通^［21］。教师应该在教学过程中融入医患沟通案例分析，通过角色扮演、标准化病人实训等方式，让学生在潜移默化中掌握沟通技巧。

5 LLM在神经病学教学中的应用展望

虽然LLM在当前神经病学教学的诸多方面仍存在一定的局限性，但其迅猛的发展趋势及广阔的应用空间仍值得教学工作者重视。LLM是一把双刃剑，合理利用可成为医学生学习神经病学的重要辅助工具，帮助学生提高学习效率、节省学习时间，同时也是教师减轻备课、课堂教学、临床带教压力的帮手。然而，LLM的局限性也不容忽视，其提供数据的真实性、内容的严谨性尚有待考量，其为医学生带来诸如独立思考能力丧失等负面影响不容小觑。在法律法规方面，要尽快制定LLM在高等教育中应用的规章制度，明确数据安全和学术诚信边界；加强医学伦理教育，确保师生等了解伦理指南，并在学习与教学中以合乎伦理的方式使用LLM^［22］。在学术教学方面，应保持LLM在专业领域内的研究成果的实时更新，输出内容更科学，形式更多样的医学知识，这些也是LLM相比教科书的重大优势。教师应发挥教学中的主导作用，未来可能面临角色转型，从知识传授者转变为学习引导者，但仍应坚持教学过程中以学生为主体，指导学生合理利用LLM，平衡技术辅助与自主学习，确保实现临床胜任。在软件开发方面，可集成更多的情感识别和响应功能，以更好地模拟医患之间的交流，为学生提供更具同理心的医患沟通教学^［23］。

综上，LLM在包括神经病学在内的临床医学教育领域有着巨大的潜力，有望推动教育模式的革命性飞跃。教育工作者应以包容、开放的态度对待LLM为课堂、临床教学带来的改变，同时还应对其存在的风险与局限保持审慎态度，促进LLM在医学教学领域逐步找到合适的落脚点，助力培养适应智能化医疗时代的高素质神经科人才，促进医学教育的现代化。

参考文献

[1] 褚敬申，王刚.我国神经病学医学教育发展的历史机遇及挑战［J］.中华医学教育探索杂志，2024，23（10）：1308-1313.

[2] 徐飞，汪琛.ChatGPT：太阳底下无新事［J］.医学与哲学，2023，44（1）：1-3.

[3] 陈润生.医疗大数据结合大语言模型的应用展望［J］.四川大学学报（医学版），2023，54（5）：855-856.

[4] 刘翼兴，刘哲，陈娅飞，等.ChatGPT在口腔医学教育中的应用探讨［J］.口腔材料器械杂志，2025，34（1）：56-60.

[5] STEWART J， LU J， GAHUNGU N，et al.Western Australian medical students’ attitudes towards artificial intelligence in healthcare［J］.PLoS One，2023，18（8）：e0290642.

[6] 王世达.人工智能支持数字化作业精准实施［J］.现代教育，2023（4）：19-22，30.

[7] 张文龙，高恩泽.社会建构主义理论视域下医学生职业精神教育思考［J］.卫生职业教育，2018，36（21）：7-8.

[8] 肖小华，齐青萍，陈昂.运用马斯洛需求理论制定住院医师规范化培训学员激励对策［J］.中国继续医学教育，2021，13（20）：85-88.

[9] 王世威，姜慧萍，韩浙，等.构建基于PACS的医学影像教学资源中心提升教学质量［J］.浙江中医药大学学报，2013，37（12）：1446-1448.

[10] 徐京瑶，刘晓民，张新峰，等.基于MRI增强的乳腺癌肿瘤三维体积人工智能测量技术的研究进展［J］.磁共振成像，2023，14（9）：148-153.

[11] 程畅，左旭政，郑健，等.神经病学课程形成性考核评价体系的构建与实践［J］.医学教育研究与实践，2021，29（3）：461-464.

[12] 程秀峰，李嘉琦，杨金庆，等.大语言模型对学术论文评价的可利用性探讨［J］.图书情报工作，2024，68（18）：41-49.

[13] 王冠，魏兰.人工智能大模型技术在教育考试全题型阅卷中的应用［J］.教育测量与评价，2024（3）：3-18.

[14] 付佩彩，叶盛，李志军.病例导入式联合BOPPPS教学模式在神经病学临床教学中的应用［J］.中国继续医学教育，2023，15（16）：36-40.

[15] GHORASHI N， ISMAIL A， GHOSH P，et al.AI-powered chatbots in medical education：potential applications and implications［J］.Cureus，2023，15（8）：e43271.

[16] KHAN R A， JAWAID M， KHAN A R，et al.ChatGPT-Reshaping medical education and clinical management［J］.Pak J Med Sci，2023，39（2）：605-607.

[17] 杜萍.人工智能背景下医学伦理学教学的变化［J］.中国医学伦理学，2021，34（4）：515-518.

[18] 章俊.医学场景下联邦学习应用及其隐私保护探究［J］.医学信息学杂志，2024，45（9）：91-95.

[19] 杨晓哲，王晴晴.以ChatGPT为代表的人工智能对教育的影响［J］.中国信息技术教育，2023（8）：4-8.

[20] DERGAA I， CHAMARI K， ZMIJEWSKI P，et al.From human writing to artificial intelligence generated text：examining the prospects and potential threats of ChatGPT in academic writing［J］.BIOL SPORT，2023，40（2）：615-622.

[21] 郑婉婷，邢彦，孙世仁，等.ChatGPT在医学教育领域应用的优势与劣势［J］.中国继续医学教育，2024，16（23）：158-162.

[22] 王佑镁，王旦，梁炜怡，等.“阿拉丁神灯”还是“潘多拉魔盒”：ChatGPT教育应用的潜能与风险［J］.现代远程教育研究，2023，35（2）：48-56.

[23] 蒋建发，肖松舒.ChatGPT在妇产科学教学中的应用［J］.中华医学教育杂志，2025，45（3）：182-186.