应用技术型医学院校智能影像工程专业课程建设思考

Reflection on the course construction of Intelligent Imaging Engineering specialty in applied technology oriented medical colleges

摘要

智能影像工程专业是顺应“AI+医疗影像”领域发展需要，结合“新工科”建设，申报获批的“人工智能+医学影像”复合特色专业。“模式识别与机器学习”课程作为智能影像工程专业的主干专业必修课程及特色课程，对学生专业知识的宽度、深度和应用能力都有较高要求。文章结合应用技术型医学院校的人才培养定位和专业人才培养方案，从课程的培养目标、教学内容、教学方法、实践环节、课程考核五个方面探索智能影像工程专业“模式识别与机器学习”课程的建设思路。

Abstract

Intelligent Imaging Engineering is a composite specialty of “Artificial Intelligence+Medical Imaging” that conforms to the development needs of the “AI+Medical Imaging” field, combined with the construction of “New Engineering”. The course “Pattern Recognition and Machine Learning” is a compulsory and characteristic course for the backbone of Intelligent Imaging Engineering specialty, which has high requirements for the breadth, depth, and application ability of students’ professional knowledge. This article combines the talent training positioning and professional talent cultivation plan of applied technology oriented medical colleges, and explores the construction ideas of the course “Pattern Recognition and Machine Learning” in Intelligent Imaging Engineering specialty from five aspects including training objectives, teaching content, teaching methods, practical aspects, and course assessment.

Graphical abstract

关键词

智能影像工程 / 模式识别与机器学习 / 应用技术型医学院校 / 课程建设

Key words

Intelligent Imaging Engineering / Pattern Recognition and Machine Learning / applied technology oriented medical colleges / course construction

智能影像工程专业是响应教育部《高等学校人工智能创新行动计划》的号召^[1]，顺应行业产业加强“AI+医疗影像”领域发展需要，结合“新工科”建设，申报获批的“人工智能+医学影像”复合特色专业。这是中国唯一基于人工智能的医学影像诊断、智能设备研发、智能质量控制、临床应用智能化的新工科本科专业。

近年来，AI技术在医疗领域中的应用得到快速推广，包括医学影像、药物挖掘、病例分析、临床决策支持、健康管理、语言识别、病理学等众多场景。其中，AI技术在医学影像领域中的应用最广，也是最成熟的应用场景^[2]。AI在医学影像的应用场景中主要解决两大类任务：第一类任务是计算机视觉相关问题，所使用的技术方法包括传统图像处理技术、机器学习、深度学习等，其应用主要集中在图像处理中，涉及医学图像分割、图像配准、图像融合、图像压缩、图像重建等多个领域；第二类任务是机器学习问题，如将医学图像数据结合患者的生理体征、病史、基因信息、身份信息等非图像数据，通过机器学习技术使得计算机从更高维度来分析数据和提取重要特征，更加全面展现疾病背后的隐含关联因素，辅助医师对疾病状况进行更精准的分析诊断。因此，机器学习算法在“AI+医疗影像”领域有着至关重要的地位。针对智能影像工程专业开设“模式识别与机器学习”课程，主要目的在于通过利用机器学习算法解决医学影像相关问题，培养学生跨学科学习能力和综合实践能力^[3]，该课程对培养“人工智能+医学影像”复合型人才具有非常重要的现实意义。

“模式识别与机器学习”课程是人工智能方向的主干课，其交叉融合了智能科学、计算机科学、统计学等多类学科领域知识，对学生专业知识的宽度、深度和应用能力都有较高要求^[4]。人工智能课程的建设应符合社会发展进程，同时适合院校特色发展。上海健康医学院作为一所应用技术型医学本科院校，其课程教学需结合学生自身的知识结构特点以及专业培养目标量身定做实施教学任务。

1 “模式识别与机器学习”课程建设思路

人工智能领域相关专业课程具有理论与实践并重的特点^[5]，但在实际教学开展中存在诸多问题。例如：在课程建设过程中缺少企业的参与，造成专业发展缺少行业前瞻性；课程内容与工程实际脱节；高校科研项目偏重基础性、理论性，难以与企业形成利益交叉点；实践教学只服务于理论教学，没有根据生产需要设计实践项目；校企双方实验设备、技术人员没有形成合力。因此，笔者根据应用技术型医学本科院校人才培养目标的要求，结合智能影像工程专业培养方案，以培养具有创新意识和实践能力的高素质应用型人才为目标，以当前中国AI医学影像临床应用领域为导向，从课程的培养目标、教学内容、教学方法、实践环节、课程考核五个方面着手探讨智能影像工程专业“模式识别与机器学习”课程建设思路。

2 课程培养目标

根据智能影像工程专业的人才培养目标定位，结合调研中国AI在医学影像的临床应用状况，课程从知识目标、技能目标、素养目标三方面进行确定。通过该课程的学习，达到使学生掌握机器学习基本原理、主流方法和代表性算法的知识目标；重点培养学生将适当的机器学习算法应用于具体医学影像领域问题的技能目标；使学生能够具备后续自我学习的能力，培养学生具有适应智能时代要求的技术素养、数据素养、人文素养^[6]以及批判性思维、沟通与协作等社会技能和伦理素养^[7]。

3 课程内容和教学方法

3.1 基础与应用并行，设计教学内容

学生的能力培养与社会对于岗位所需的职业技能有较大脱节，是应用技术型高校培养过程中尤其需要避免的问题。很多情况下，高校毕业生给行业从业人员一种“眼高手低”“高分低能”的印象，为了提高学生的岗位适应力、竞争力，使其毕业后能迅速满足企业需要，教学内容需紧跟先进的技术与企业岗位所需的职业技能。教学内容上加强基础与技术应用两方面知识的结合，在每一种机器学习算法的学习环节中，融入算法实际应用场景的教学内容，通过提供相关参考文献、公众号内容推送，提供企业项目案例等多种方式，丰富教学内容，保证其前沿性、先进性和实用性。

另外，考虑到应用技术型本科学生的知识结构特点及人才培养定位，选择合适的授课原则也是非常重要的。基础内容遵循“关注概念及原理，数学推导具象化，加强算法应用”原则，该课程覆盖机器学习的基本理论框架与核心方法，对机器学习中最重要的基础知识点和算法思想进行讲述。主要算法包括线性回归、逻辑回归、决策树、支持向量机、神经网络、朴素贝叶斯、集成学习和聚类。教材选择方面，选取南京大学周志华教授编写的《机器学习》作为主教材，温州大学黄海广教授等编写的《机器学习入门基础》作为辅助教材，两本教材分别兼顾了专业性与通俗性，更适合应用技术型本科学生参考和学习。

3.2 线上线下混合式教学，改革课堂教学方式

传统教学模式采用一刀切的教学模式，容易忽略学生的基础水平和学习能力的差异。对于应用技术型院校的学生，其水平层次不齐的状况更加突出。笔者认为，该课程具有多学科交叉融合的特点，学习难度较大，因此，提前把握好学情，课后及时进行教学效果评估则显得尤为重要。为了提高教学效果，保证教学质量，该课程借助现代信息化手段建设形式多样、内容丰富的教学资源，通过开展线上线下混合式教学，弥补传统教学的弊端，并加强对教师教学过程的监控和跟踪^[8-9]，对学生的学习情况进行全方面评估。

首先，充分利用“学堂在线”“中国大学MOOC”等优质资源为学生提供更广泛的课程选择，丰富其自身的认知体系。通过学习通上传优质视频资源^[10-11]，课程选取“学堂在线”周志华的“机器学习入门”以及“中国大学MOOC”、黄海广的“机器学习”教学视频及课件。在教学活动开展过程中，教师课前一周线上发布教学任务并建立学生反馈途径，学生需在规定时间内完成视频学习任务点和测试内容。教师利用智能数据分析工具对学生的课前学习情况进行跟踪，通过收集学生的学习反馈情况充分掌握学情，根据学情，将任务点划分为难、中、易三档，从而为线下课堂教学的开展提供了参考依据。线下课堂学习效果的评估机制，则通过学习通的线上讨论、随堂练习等多种方式开展，做到及时发现问题，解决问题。

3.3 依托实际临床应用，校企合作，设计实践环节

实践内容与实际临床应用的紧密结合度是评价课程实用性的重要指标。机器学习是一门理论与应用并重的课程，实践环节更是实现技能目标的有效途径。设计实践项目时，考虑专业背景及实际应用场景是必需的^[12]。鉴于此，在充分调研相关医疗企业实际临床应用的前提下，同时充分利用企业平台资源，学校将企业的工程技术和资源与课程教学深度整合^[13]，通过校企合作方式开展实践项目。

首先是实践项目的选择。企业调研显示，AI在医学影像的临床应用主要分为病灶识别与标注、靶区自动勾画与自适应放疗、影像三维重建三大类。其中，定位于病灶区识别与标注领域的AI医学影像公司最多。病灶识别与标注主要是针对X光、CT、MR等影像进行图像分割、特征提取、定量分析和对比分析，识别与标注病灶，帮助医师识别肉眼难以识别的病灶，降低假阴性诊断发生率，提高诊断效率。此应用场景与医学影像工程专业人才培养方向高度契合，因此被选定为校企合作型的实践项目。

另外，根据艾瑞咨询的数据显示，2012—2020年医学文献中应用算法的情况如图1所示，在医学文献中使用到有关于医学影像分析和图像分析的算法占比超过72%。在课程理论所涉及的算法中，占据前三位的分别是支持向量机、神经网络、逻辑回归。支持向量机算法，占比约38%，主要应用于识别成像生物标志物和医学影像分析；神经网络算法，占比约34%，主要应用于生化分析、图像分析和药物开发；逻辑回归，占比约4%，主要用于疾病风险评估和临床决策辅助系统。

基于此，将实验项目分为基础性和应用性两个阶段开展。选取线性回归、决策树、朴素贝叶斯及K-means聚类作为基础性实验项目，支持向量机、神经网络、逻辑回归作为应用性实验项目，并与市场应用场景紧密结合，确保实践内容具有先进性、前沿性和实用性^[14]。从数据集的收集、预处理到模型训练及评估测试，加深对机器学习专业领域技术在影像方面的应用理解，培养其应用技能。具体实践项目设计如表1所示。

3.4 加强实践评估，多元化考核方式

随着课程建设的推进，考核方法也需相应地进行调整，更加注重考核学生平时的学习表现和实践能力^[15]。主要体现在对课程视频完成度、课堂积分的过程化考核及实践环节和理论的考核。立足于每一次课堂的前中后，全程多元化考核。加大实践环节的成绩占比，相对弱化理论考核成绩占比，实践环节考核比重占总成绩的50%，理论考试占20%，过程化考核占30%。其中，应用性实践环节不仅考查实验报告的完成情况，同时通过答辩形式，考核学生在完成项目过程中的团队分工、协作和思辨能力；同时邀请企业方参与考核过程，完成校内考核与企业评价的对接，通过对接实现信息共享、资源共享，最终共同构成双元多级评价组织体系，通过评价组织体系的运行，针对每一名学生形成一个准确的质量评价结果。如表2所示。

4 结束语

文章以医学影像工程专业开设的“模式识别与机器学习”课程为例进行课程建设的思考和探索，主旨在于培养更适合市场需求的医学影像人工智能领域的应用型人才。由于医学影像工程专业为国家新批准建立的新工科专业，在人工智能课程的建设上缺乏足够的参考和指导，因此有很多需要探索和思考的地方。希望通过后续不断的教学改革，课程可以保持与时俱进的特色，更好地为应用技术型医学本科院校的人才培养作出贡献。

参考文献

[1] 方艳梅, 李冠彬, 卢伟. 机器学习高阶课程建设的探索与实践[J].计算机教育, 2023(3): 119-123.

[2] 陈冲, 陈俊, 夏黎明. 人工智能促进医学影像临床应用与研究[J].放射学实践, 2024, 39(1): 12-16.

[3] 崔曼曼, 门韶洋, 弓伟, 等. 中医药院校本科机器学习课程教改实践探索[J].电脑知识与技术, 2021, 17(4): 93-96.

[4] 马程. 应用型本科高校机器学习课程教学探索[J].安顺学院学报, 2021, 23(2): 111-114.

[5] 赵雪峰, 施珺. 面向本科生机器学习课程的教学探索[J].计算机教育, 2021(2): 170-174.

[6] 武建鑫. 重塑自身以塑造未来: 人工智能时代的“MIT方案”[J].比较教育研究, 2020, 42(2): 24-31.

[7] 张炜, 王良, 钱鹤伊. 智能化社会工程科技人才核心素养: 要素识别与培养策略[J].高等工程教育研究, 2020(4): 94-98.

[8] 曾园园. 新工科背景下机器学习课程教学创新实践探索[J].计算机教育, 2022(11): 78-81.

[9] 杨乐, 王正松, 赵玉良. 基于教育信息化建设的“机器学习”课程教学模式改革[J].印刷与数字媒体技术研究, 2023(4): 110-116.

[10] 梁晓波, 涂维, 武啸剑. 哈佛大学人工智能课程设置特点与启示[J].中国教育信息化, 2021(14): 34-40.

[11] 朱红艳, 梁诗凯, 何富运, 等. 新工科背景下基于项目实践的机器学习课程教学探索[J].广西物理, 2022, 43(2): 146-154.

[12] 黄美燕, 张明慧. 基于理论与实践相结合的“机器学习”教学探索[J].中国多媒体与网络教学学报, 2023(5): 202-205.

[13] 张恒. 面向产学融合的机器学习新型课程建设探索[J].科技风, 2020(33): 38-39.

[14] 张乐飞, 罗勇, 杜博. 机器学习教学改革与人工智能人才培养[J].中国大学教学, 2023(5): 18-21.

[15] 叶双, 叶剑虹, 雷庆, 等. 新工科背景下机器学习课程教学改革探索[J].福建电脑, 2022, 38(4): 28-31.