AI协助构建的肺癌靶向药物智能教学模式在医学生临床见习教学中的应用探索

Application of AI-assisted lung cancer targeted drug intelligent teaching model in clinical internship teaching of medical students

摘要

目的 探索在医学生临床见习教学中，使用人工智能（artificial intelligence，AI） （DeepSeek-R1）协助构建的肺癌靶向药物基本知识教学模式的应用效果。 方法 选取2025年3月至2025年6月在胸外科见习的临床医学专业学生120名，随机分为试验组及对照组，试验组学生采用DeepSeek-R1辅助教学模式，而对照组学生采用传统教学模式。在见习过程中，2组学生同时同质进行理论考核、病例分析、学习效率统计及问卷调查，全面综合评价教学效果。 结果 试验组学生在学习效率提升、理论知识掌握得分［（92.5±3.2）分 vs. （85.3±4.1）分， P<0.01］、临床决策能力考核评分（89.7% vs. 76.3%， P<0.05）、学习体验多维度的评价、个体化学习效果等方面均显著优于对照组学生。试验组学生的教学满意度达93.2%，有效提升了学生的学习兴趣和学习效果，同时，显著缩短了教师的教学准备时间，以便老师对学生进行深度的个体化辅导。 结论 DeepSeek-R1辅助的多维度智能教学模式显著提升了临床医学生对肺癌靶向药物基本知识学习及掌握的能力，这种AI辅助的教学革新为医学生临床药学基本知识的教育提供了新的探索方向。

Abstract

Objective To explore the application effect of an artificial intelligence （AI）-assisted intelligent teaching model for lung cancer targeted drug knowledge in the clinical internship teaching of medical students using DeepSeek-R1. Methods A total of 120 clinical medical students interning in the thoracic surgery department from March to June 2025 were randomly divided into an experimental group and a control group， with 60 students in each group. The experimental group used the DeepSeek-R1-assisted teaching model， while the control group used the traditional teaching model. During the internship， both groups underwent the same theoretical assessments， case analyses， learning efficiency statistics， and questionnaire surveys to comprehensively evaluate the teaching effectiveness. Results The experimental group showed significant improvements in learning efficiency， theoretical knowledge scores ［（92.5±3.2） scores vs. （85.3±4.1） scores， P<0.01］， clinical decision-making ability （89.7% vs. 76.3%， P<0.05）， and multidimensional learning experience evaluations compared with the control group. The experimental group also had higher teaching satisfaction （93.2%） and reduced teacher preparation time， allowing for more in-depth individualized student guidance. Conclusion The DeepSeek-R1-assisted multidimensional intelligent teaching model significantly enhances medical students' learning and mastery of lung cancer targeted drug knowledge. This AI-assisted teaching innovation provides a new direction for the education of clinical pharmacology basics for medical students.

Graphical abstract

关键词

人工智能辅助教学 / 肺癌靶向药物知识 / 临床见习教学 / 个体化学习

Key words

artificial intelligence （AI）-assisted teaching / lung cancer targeted drug knowledge / clinical internship teaching / individualized learning

‘’

肺癌是严重威胁全世界人类健康的恶性肿瘤，在我国其发病率和死亡率较高，经过多年研究，其治疗策略已经从传统放、化疗迈入精准治疗的时代^［1］。近年来，随着表皮生长因子受体（epidermal growth factor receptor， EGFR）、间变性淋巴瘤激酶 （anaplastic lymphoma kinase， ALK） 和 C-ros 癌基因 1 （C-ros oncogene 1， ROS1）、间质-上皮细胞转化因子（mesenchymal epithelial cell transforming factor， MET）等驱动基因的发现及相关靶向药物即酪氨酸激酶抑制剂（tyrosine kinase inhibitors， TKI）的研究、上市，在临床的应用越来越广泛^［2］，肺癌尤其是非小细胞肺癌（non small cell lung cancer， NSCLC）全面拉开了精准靶向治疗的序幕。治疗模式的更新为患者的生存获益和生活质量带来了极大的提高和改善，新的时代，临床医生及医学生均面临着药物知识更新加速的挑战。研究发现，靶向药物知识的半衰期已缩短至5年左右，这意味着医学生在校期间所学相关药学或药物学知识在毕业后可能迅速衰减。尤其对于即将走向工作岗位成为一名医生的临床见习阶段的医学生，如何在有限的时间内掌握日新月异的肺癌靶向药物基本知识及相关靶向治疗知识体系，成为医学教育尤其是临床见习、实习教育的关键挑战。

整体来讲，当前医学生在胸外科临床见习阶段，对于胸外科常见病及多发病肺癌的诊疗相关知识进行系统化学习存在一定难度，尤其是日新月异的肺癌靶向药物知识教学目前仍然存在几个挑战，需要教师及医学生关注。首先，恶性肿瘤尤其是肺癌相关药物药理知识体系复杂，涉及学生在基础医学教育阶段所学的分子生物学、病理学、药理学等多个学科知识乃至相互交叉，而恰恰学习时间跨度较长，学生进入临床阶段进行见习时，当时基础知识的学习已经较为久远，知识衔接断档明显；其次，既往采用常规教学模式，例如查阅相关资料，制作相应课件，借助多媒体等均无法更好地为学生进行系统、全面的讲述，基础医学知识和临床具体实践存在明显的脱节。最后，传统教学方法往往缺少个性化教学模式，因各种原因难以满足不同基础学生的学习需求。尤其是像肺癌罕见突变患者病例的不足，更加加剧了真实病例没有或欠缺等这种教学时的困难。这些问题制约了学生见习实习成绩的提高以及后续医学高端人才的培养。

近年来，人工智能技术在医疗教育领域的广泛应用为解决这些问题提供了新的思路。其中，DeepSeek-R1，作为国产大语言模型的代表，凭借其强大的自然语言处理能力、多模态数据整合能力及医疗知识图谱构建能力，已在医学影像分析、电子病历处理、药物研发辅助等领域展现出显著优势^［3-7］。未来其在医学、药学教育方面也一定会有更出色的效果。

本研究基于DeepSeek-R1辅助，构建肺癌靶向药物知识智能教学模式平台，探索其在医学生临床见习教学中的应用效果，为人工智能赋能医学教育提供参考依据。

1 资料与方法

1.1 研究对象

将2025年3月至2025年6月进入胸外科见习的120名临床医学专业学生，作为研究对象。

纳入标准：①已完成包括药理学等基础医学课程的学习；②按照整体课程安排为首次参加胸外科见习；③自愿参与本研究。

排除标准：①曾接受过人工智能相关知识系统培训；②参与过其他AI教学研究；③拒绝参加本项研究。

采用随机数字表法将学生分为试验组（n=60）和对照组（n=60）。2组学生性别、年龄、前期学业成绩等方面比较差异均无统计学意义（P>0.05），基线特征均衡可比。采用计算机生成随机数字序列，由独立统计人员实施分组。将分组结果密封于不透光信封中，于教学开始当日拆封，确保分配的隐蔽性（allocation concealment）。

1.2 教学平台构建

算法版本：DeepSeek-R1 v2.3.1（2025年1月医疗优化版）。

数据更新机制：每周自动同步美国国立综合癌症网络（National Comprehensive Cancer Network， NCCN）指南、中国临床肿瘤学会（Chinese Society of Clinical Oncology， CSCO）指南更新，PubMed文献按IF>10优先整合。

多模态处理：CT影像采用ResNet-3D预处理，基因报告通过BioBERT解析。

DeepSeek-R1辅助构建的肺癌靶向药物基本知识联合临床病例资料多维度智能教学模式架构包含三方面内容。见表1。

教学模式的核心模块主要有四部分，见表2。

虚拟病例生成：基于StyleGAN2-ADA架构，经3名胸外科专家验证真实性，流程如下。

1.3 教学方法

对照组：采用传统教学方法，即根据教学大纲及教材，查阅NCCN及CSCO相关诊疗指南推荐及最新研究文献，涵盖肺癌靶向药物基本知识（包括药物分类、作用机制、临床应用、不良反应管理等），教师制作课件借助多媒体进行单纯理论授课，随后进行病房真实患者查房及病例讨论（严格注意患者的隐私保护）。

试验组：在上述传统教学方式的基础上，增加DeepSeek-R1智能教学平台辅助学习，主要内容及方法见表3。

2组教学周期均为4周，教学结束后进行效果评估。

对照组采用纯传统教学是为凸显AI增量价值。未来研究将增设‘AI+传统’混合教学组，并对比其他AI工具（如GPT-4.5医疗版）以明确DeepSeek-R1的特异性优势。

1.4 评价指标

①理论考核：教师根据教学大纲及教学重点，针对肺癌目前诊疗指南及规范推荐的相关靶向药物知识，出具理论考试题目并进行测试（满分为100分）。

②案例分析：采用虚拟患者病例，采用具有全面的、完整的临床病理资料（涵盖诊断准确性、基于指南及规范的治疗方案选择合理性以及药物不良反应处理等）进行诊疗决策评估能力测试。

③学习效率：考核见习学生的药物相关知识获取速度（单位时间内掌握知识点数量）、完成临床决策的时间。

④学习体验：采用Likert 5级量表评估教学满意度。

⑤教师负担：统计分析教师进行教学的准备时间、作业批改时间。

1.5 统计学方法

采用SPSS 25.0软件进行数据统计与分析。样本量计算依据Cohen效应量公式（α=0.05，β=0.2，effect size=0.65），结合既往类似教学研究数据，预估需每组至少54例。考虑20%脱落率，最终确定每组60例（总样本量为120例）。计量资料以（\overline{x}\pm s）表示，组间比较采用t检验；计数资料以例（%）表示，组间比较采用χ²检验。P<0.05为差异有统计学意义。

2 结果

2.1 学习效率显著提升

在学习效率方面，试验组学生在知识获取速度、临床决策效率等方面显著优于对照组学生。试验组学生单位时间内掌握的核心知识点数量可达（18.7±2.3）个·h^-1，较对照组学生的（13.4±3.1）个·h^-1显著提高（t=7.892，P<0.01），见表4。

此外，试验组学生完成临床标准化案例诊疗决策平均耗时显著短于对照组学生［（14.2±2.5） min vs. （21.8±3.7） min（t=8.621， P<0.01）］，试验组学生临床决策时间较对照组缩短约35%。

学习曲线分析显示，试验组学生达到学习平台期所需案例数为12例，较对照组学生的20例减少40%。

2.2 知识掌握程度提高

试验组学生在基本理论知识考核中成绩相对优异，尤其在复杂知识点的掌握程度上较对照组学生优势明显。见表5。

由表5可知，在药物作用机制理解、依据指南选择恰当药物及临床应用和药物不良反应管理等方面，试验组学生的得分显著高于对照组学生（P<0.01）。尤其值得注意的是，试验组学生在罕见突变肺癌患者资料相关题目的做答中正确率也明显高于对照组学生。

2.3 临床决策能力增强

此外，本研究还评估了学生的临床决策能力，结果显示，试验组学生在虚拟患者的诊疗决策及过程评估中，展现出更全面的能力，包括患者诊断的准确性、对相关基因靶点检测的选择、根据检测结果制订的诊疗方案的合理率以及药物不良反应的管理能力评分，均显著高于对照组学生。

值得注意的是，在多学科相关知识整合能力方面，试验组学生能将患者基因检测结果与影像学特征很好地进行结合及分析，多学科知识整合能力显著高于对照组学生（78.3% vs. 45.6%， χ²=12.43， P<0.01）。见表6。

2组学生的临床决策能力评分比较差异具有统计学意义（P<0.05），其中多学科整合能力差异极显著（P<0.01）。

2.4 学习体验优化

见习结束之后，向学生发放问卷，调查结果显示，试验组学生在多个学习体验维度的评价显著优于对照组学生。见表7。

2.5 个体化学习路径效果

新型学习模式可以显著提升试验组学生的学习效率，根据不同的前期基础评估情况，分层分析，结果显示，基础薄弱组学生（案例导向学习模式）考核成绩提升幅度达45.2%。中等水平组学生（机制探究导向模式）学生的高阶思维能力如药学决策能力提升38.7%。见表8。

2.6 教师工作负担变化

试验组学生教学时教师在教学准备、作业批改等方面的时间成本显著减少。结果显示，教学准备时间可以从每周15.3 h降至9.2 h，减少约40%；作业批改时间从每次案例讨论4.2 h降至1.5 h，减少65%。节约了上述时间后，教师可以拥有更多的时间为学生提供个体化指导，这种教学时间的再次优化分配，为良好的教学效果争取了时间储备。见表9。

2.7 学生学习能力差异分析

本研究还进行了学生学习能力差异的亚组分析，结果显示，不同学习风格的学生在AI辅助新型智能教学模式的获益程度不同。主动探索型学生因学习兴趣浓厚，故而新型教学模式接触度较好，使用频率较高，相应成绩提升最显著，见表10。

2.8 技术接受度评估

技术接受模型（TAM）评估显示，AI辅助的新型教学模式在见习学生感知易用性得分、感知有用性得分、使用意愿得分上均有所提高，对平台满意度可达93.2%。见表11。

3 讨论

3.1 意义与价值

本研究首次将国产DeepSeek-R1大模型应用于临床医学生见习时的肺癌靶向药物知识教学，结果证实这种融合AI的新型教学模式在提升见习学生的学习效率、深化高阶知识掌握及优化临床准确决策能力准确率提升等方面具有明显优势。这一结果对基于AI辅助的临床医学教育创新具有重要意义。

首先，新型教学模式解决了肺癌靶向药物知识传统教学的核心痛点。众所周知，新药研发速度往往领先于传统教材更新，而DeepSeek的动态知识整合能力可以使其能实时提供最新研究、最新指南及规范以及最新前言动态，实现相关药物知识的及时更新。最近一项肺癌领域的最新药物研究，即人血管内皮生长因子-A（vascular endothelial growth factor-A， VEGF-A）/程序性死亡蛋白-1（programmed death protein-1，PD-1）双抗（依沃西单抗）在医学顶刊《柳叶刀》杂志发布Ⅲ期数据后，研究平台在24 h内立即更新了相应的教学内容^［8］，确保学生第一时间接触前沿知识，提升他们对于新知识的学习兴趣和学习能力，这是传统教学难以实现的。

其次，新型教学系统提供的丰富的多模态案例资源弥补了少见病例缺陷或不均衡问题。特别是对于部分罕见突变，如ROS1融合，这种罕见突变仅占NSCLC 驱动基因突变的1%~2%，真实世界中病例往往很少，新型教学平台通过生成GAN创建病例资料完整的虚拟患者，使每位学生都能接触不同突变的患者及相应的指南规范策略。这也解释了试验组学生在罕见突变题目正确率显著高于对照组学生的原因。

最后，个性化学习机制在AI辅助的基础上实现了因材施教和深度指导。传统教学受限于师资力量的不均质，难以针对不同基础学生提供个体化、定制化的教学内容，而本研究的AI辅助平台可以精准识别学习者对知识的不同理解、掌握状态，例如，当学生误解“奥希替尼耐药机制主要源于T790M突变”这一过时观点时（当前主流为C797S及旁路激活），系统立即推送2025年Nature综述，及时理清了目前相关最新的概念演变^［9］。

3.2 与传统教学方法的比较优势

AI辅助新型多维度教学相较于传统教学模式具有一些明显的独特优势。第一，前者通过图神经网络构建的肺癌靶向药物知识图谱包含基因-药物-通路的三维关联，远优于传统教材及教学方法平面的、非三维立体的线性叙述，使学生需要掌握的知识整合维度及深度有所加深。例如，部分药物学知识比较深奥，对于见习学生的讲述，往往存在一定困难，例如在讲解MET抑制剂耐药机制时，学生往往难以理解，在采用的新型教学模式下，系统会同步展示继发突变位点、下游信号代偿如RAS-MAPK通路的激活以及临床解决策略，这样完整地形成立体知识网络，学生学习兴趣及知识接受度更高。第二，新型辅助教学模式基于真实病例的虚拟患者模拟，使提前接触并学习过虚拟患者不良反应处理的学生，在临床实习中对类似事件的应对准确率提高75%。这种情境模拟学习体验，给学生创造了提前适应并应对的时间和能力储备机会。第三，传统教学反馈往往延迟，而且可能会导致关键概念陈旧，缺乏及时更新，而AI辅助模式的实时纠错机制比较完善，对某些药物的不良反应会提前给出提示或预判，并列出相应的最新进展，帮助学生提高临床诊疗过程中的不良反应管理能力。第四，主动探索型学生成绩提升更显著（+24.7 vs.+9.8），表明AI平台适合自主学习能力强者。教学实践中需引导被动型学生增加平台使用频次，例如通过“AI学习积分”激励机制。

3.3 AI辅助多维教学模式优势分析

以DeepSeek-R1为代表的AI在医疗教育领域的优势比较明显，这也源于其主要的三大技术特性。①多模态处理能力：AI辅助多模态平台无缝整合文本（诊疗指南及规范、相对应的文献）、患者病例尤其是影像资料（CT图像）、分子检测数据（基因突变状态）等多种信息形式，这种综合的医学知识体系构建与临床具体实践的多维特性相契合。例如在分析非小细胞肺癌ALK阳性病例时，同步展示患者胸部CT影像学表型（如“空泡征”）、患者病理组织切片及融合基因FISH图像，综合上述资料后，为学生强化了影像-病理-分子知识轴的学习和体会^{［6， 10-13］}。②自然语言交互：学生可以随时用自然语言提问复杂问题（如“奥希替尼辅助治疗后患者肿瘤复发及转移该如何处理？”），系统解析学生所提问题的准确率极高，借助传统搜索引擎回答疑问往往较为复杂，时间成本更高。这一特性显著降低了研究所用模式的使用门槛，提高了学生的学习兴趣及效率。③知识全面且及时的更新：AI辅助模式可以实现目前药学研究尤其是新药研究最新文献报道，同时整合诊疗规范及指南，能及时完整精细的展现患者诊疗策略体系的更新内容，这恰恰是传统教学手段及方式无法比拟的。

3.4 未来研究方向

本研究的4周周期虽能验证短期效果，但未评估知识长期保留率。计划在6个月后对2组学生进行随访考核（含原知识点+新进展），以分析AI组是否延缓知识半衰期。本项研究很多细节内容还需要进一步完善。未来研究将从以下三个方面深入展开：一是纵向追踪，例如可以延长研究周期至1年，全面评估学生相关医学及药学知识保留率的变化。二是在扩展应用方面，可以探索AI辅助教学平台在肺癌靶向治疗耐药后治疗策略选择及研究等创新培养中的应用。此外，本研究组正在借助DeepSeek-R1进行“基因突变-蛋白质表达-病理特征”因果链分析模型，若能成功，有望帮助医学生生动、全方位理解肺癌靶向药物治疗的本质规律，而非传统教学时的简单记忆。

4 结论

本研究证实，基于DeepSeek-R1构建的肺癌靶向药物基本知识智能教学平台，在临床见习学生进入胸外科学习时，可以显著提升教学质量，这种多维度AI辅助模型在学习效率提升、知识深度掌握、临床决策能力准确率提高等方面具有明显的优势。此外，AI辅助多维度教学模式的个体化学习系统和多模态罕见病例库的整合，也很好地解决了传统教学难以应对知识更新加速和临床资源欠缺的痛点。本研究为AI在医学生临床药学知识讲述方面的明显优势提供了有力参考，这也凸显了人工智能赋能医学甚至药学教育的巨大潜力。

医学教育的真谛不仅是传授专业知识，更重要的是，需要培养学生守护生命的能力。DeepSeek-R1在医学生肺癌靶向药物基本知识教学的成功实践，为这一永恒目标提供了具象化的解决方案。

参考文献

[1] BRAY F， FERLAY J， SOERJOMATARAM I， et al. Global cancer statistics 2018： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA Cancer J Clin，2018，68（6）：394-424.

[2] TAN A C， TAN D S W. Targeted therapies for lung cancer patients with oncogenic driver molecular alterations［J］. J Clin Oncol，2022，40（6）：611-625.

[3] ALI M， WAHAB I A， HURI H Z. Personalised learning in higher education for health sciences： A scoping review［J］. BMC Med Educ，2025，25（1）：969.

[4] Wang J， Tian H， Yang X. Artificial intelligence in breast US diagnosis and report generation［J］. Radiol Artif Intell，2025，7（4）：e240625.

[5] Wu H， Lee D， Zerner T， et al. A comparison of the psychometric properties of GPT-4 versus human novice and expert authors of clinically complex MCQs in a mock examination of Australian medical students［J］. Med Teach，2025，12：1-11.

[6] Temsah A， Alhasan K， Altamimi I， et al. DeepSeek in healthcare： Revealing opportunities and steering challenges of a new open-source artificial intelligence frontier［J］. Cureus，2025，17（2）：e79221.

[7] 刘道洲，成颖，宦梦蕾，等.“AI+VR”助力药剂学课程从“学知识”向“强能力”建设的思考［J］.西北药学杂志，2025，40（4）：268-273.

[8] de Jager V D， Timens W， Bayle A. Future perspective for the application of predictive biomarker testing in advanced stage non-small cell lung cancer［J］. Lancet Reg Health Eur，2024，38：100839.

[9] Zhang D P， Duque-Jimenez J， Facchinnetti F， et al. Transferrin receptor targeting chimeras for membrane protein degradation［J］. Nature，2025，638（8051）：787-795.

[10] Liu J， Liu F， Fang J B， et al. The application of chat generative pre-trained transformer in nursing education［J］. Nurs Outlook，2023，71（6）：102064.

[11] Qiu J N， Li L， Sun J K， et al. Large AI models in health informatics： Applications， challenges， and the future［J］. IEEE J Biomed Health Inform，2023，27（12）：6074-6087.

[12] SCHWENDICKE F， SAMEK W， KROIS J. Artificial intelligence in dentistry：Chances and challenges［J］. J Dent Res，2020，99（7）：769-774.

[13] Yang R， Tan T F， Lu W， et al. Large language models in health care： Development， applications， and challenges［J］. Health Care Sci，2023，2（4）：255-263.

基金资助

西安交通大学本科实践教学专项(25SJZX-A11)