基于GenAI的医学人工智能基础课程教学改革探索

Exploration of GenAI-based teaching reform of medical artificial intelligence fundamentals

摘要

随着人工智能技术在医学领域的快速发展和广泛应用，医学生掌握并应用人工智能技术解决医学问题，已成为医学教育与实践中的必然要求。文章分析了“医学人工智能基础”课程在教学过程中存在的问题，提出通过融合生成式人工智能（Generative AI，GenAI）技术，以解决医学实际问题为导向，推动课程在教学内容、跨学科实践案例、授课逻辑和教学模式等方面的改革。教学实践表明，基于GenAI的课程教学改革激发了学生学习积极性，提高了课程教学效果，为医学院校人工智能课程教学的创新与发展提供实践参考。

Abstract

With the rapid development and wide application of artificial intelligence technology in the medical field, it has become an inevitable requirement in medical education and practice for medical students to master and apply artificial intelligence technology to solve medical problems. This paper analyzes the problems existing in the teaching process of the “Medical Artificial Intelligence Fundamentals” course and proposes to promote the reform of the course in terms of teaching content, interdisciplinary practice cases, teaching logic, and teaching mode by integrating Generative Artificial Intelligence (GenAI) technology from the perspective of solving real medical problems. Teaching practice shows that the teaching reform of the course based on GenAI stimulates students’ enthusiasm for learning, improves the teaching effect of the course, and provides a practical reference for the innovation and development of AI course teaching in medical colleges and universities.

Graphical abstract

关键词

医学人工智能 / 生成式人工智能 / 教学改革 / 跨学科实践

Key words

medical artificial intelligence / Generative Artificial Intelligence / teaching reform / interdisciplinary practice

为推进卫生健康行业人工智能（artificial intelligence，AI）应用的创新发展，2024年11月，国家卫生健康委办公厅、国家中医药局、国家疾控局共同研究制定并印发了《卫生健康行业人工智能应用场景参考指引》^[1]，列出了“人工智能+”医疗服务管理、基层公共卫生服务、健康产业发展及医学教学科研等四大领域中的84个典型应用场景。随着人工智能技术，特别是生成式人工智能（generative artificial intelligence，GenAI）的迅猛发展^[2-3]，其在医疗健康领域的应用不断深化^[4-5]。这一趋势不仅推动了医疗行业的变革，也对医学人才的培养提出了新的挑战和更高要求，相关研究已广泛涉及医学教育的多个方面，包括人才培养^[6]、专业设置^[7]、课程体系建设^[8]、课程改革^[9-11]等。在此背景下，作为面向全校学生的公共课，旨在培养医学生AI素养的“医学人工智能基础”课程的重要性日益凸显，课程教学需要不断进行变革与创新，并通过持续的探索与实践，切实提高医学生的数字素养与AI素养。

1 课程现状

“医学人工智能基础”是上海健康医学院近年来面向全体学生开设的信息技术基础课程之一，该课程以“上海市高等学校信息技术水平考试（一级）”考试大纲为依据，结合学校办学特色，基于医疗数据，讲授人工智能基础知识，如机器学习、深度学习等，以及这些技术在医学领域的应用。在教学模式上，除了传统的课堂讲授外，还融入了理实一体化、案例分析、讲练结合等多种教学方法，以提升学生的实践能力。然而，在授课过程中，仍然存在一些亟待解决的问题：

（1） 内容侧重点不合理

人工智能课程所涉及的知识包括人工智能基础理论，线性代数、概率、微积分等数学基础，程序设计语言、数据结构与算法等计算机科学基础，机器学习与深度学习基础等^[12]，概括起来，人工智能课程内容既有学科广度，又有理论深度。工科背景的教师在首次授课时，容易侧重于基本原理及算法思想的讲解，然而，这些较为抽象和理论化的内容，对于相关基础知识相对薄弱的医学专业学生而言，难以理解和消化。

（2） 授课递进逻辑不合理

课程传统的授课逻辑通常是从知识点出发，介绍相关知识和技术的概念、原理，分析技术的算法思想，再基于医学数据介绍技术应用及程序实现的案例，最后总结技术特点及适用范围。虽然基于医学数据设计了实践案例，但在这种授课模式下，学生从医学角度分析问题和应用技术解决问题的能力没有得到充分锻炼，因此，当面对真实且复杂的医学问题时，可能难以运用所学知识和技术解决问题。

（3） 学生编程实践能力不足

医学生通常缺乏工科学生所接受的系统性编程训练，在编程语言基础、数据结构、算法实现、代码调试与排错等实践方面存在明显不足。实践教学过程中，若在有限的课时内，过多强调AI技术从输入到输出的处理逻辑与实现细节，学生会因为难度过高而产生畏难情绪，逐渐丧失学习的积极性和兴趣，从而难以保障教学质量。

因此，在人工智能飞速发展的时代背景下，面向医学生的“医学人工智能基础”课程改革，需要着重考虑教学内容的及时更新及授课重点，并充分利用AI工具调整教学模式以切实提高学生解决医学问题的能力，以便为后续融入AI技术的医学课程学习打好基础。

2 GenAI技术简介

2.1 人工智能生成内容

人工智能生成内容（artificial intelligence generated content，AIGC）是使用高级GenAI技术生成的内容，包括文本、图像、音频、视频等^[2]。在自然语言处理（NLP）、计算机视觉（CV）、语音识别等关键领域，AIGC取得的显著成果，使其在不同行业得到了广泛应用。例如：在医疗健康领域，AIGC可以自动化生成医疗诊断报告，提高医生工作效率；在教育领域，AIGC可以生成个性化教学资料，构建虚拟实验室，充当教学助手等，提高教学效率；在代码生成领域，AIGC可以自动生成和补全代码，生成文档说明和注释，自动生成测试用例和调试，提高开发效率和代码质量。

2.2 提示词

基于GenAI技术的课程改革，首先需要学生掌握AIGC中提示词（prompt）^[13]的相关知识和实践技能。提示词是用户向人工智能模型提供的输入，包括词语、语句、段落、图像、音频等，用于指导模型生成预期的输出内容。提示词能够影响模型的生成方式和输出质量，教学中引导学生在设计提示词时，应遵循明确、简洁、相关、一致等基本原则，一些常用的提示词设计策略也需要学生能灵活运用，如情境模拟与角色设定、逐步思考与逻辑推理、提供示例与少样本学习、交互式及反馈整合、反复实验及模版化等。同时，还需要提醒学生关注AI+医学跨领域的提示工程技术，为将来的职业发展奠定基础。此外，提示的伦理及偏见问题、法律及安全性问题等内容，应作为课程思政元素融入教学。

2.3 智能体及工作流

生成式人工智能中，智能体（agent）是指能执行具体任务，具有自主行为和决策能力的人工智能模块，如通用智能体GPT-4o，专注于医疗领域的华为医疗智能体（EIHealth）、教育领域的ChatEdu等。工作流（workflow）是指完成一项任务或一系列相关任务所需的步骤、过程和规则的有序集合，是一个系统化、可重复的工作过程，具有可配置、线性化、自动化等特点。在AIGC应用中，智能体通常负责执行具体的任务，而工作流则负责协调多个任务的顺序和逻辑，一个工作流内的多智能体间相互协作，使整个内容创作过程高效且自动化。在教学中，教师应引导、鼓励学生积极利用多智能体和工作流解决学习和生活中的实际问题，如规划“医学人工智能基础”课程个性化学习路径的工作流如下：

需求分析 学生通过对话表达自己的课程学习目标。

诊断智能体 诊断智能体对学生当前知识水平进行评估，根据学生的答题情况分析其知识薄弱点。

规划智能体 规划智能体根据诊断结果制定个性化的学习计划，包括每天的任务清单、阅读材料、练习题等。

辅导智能体 在学习过程中，辅导智能体能提供实时帮助，根据学生反馈调整后续的学习建议。

3 教学设计改革

3.1 教学目标

改革教学设计首先是更新课程教学目标，在已有的教学目标基础上，着重强化以下方面：

知识目标—掌握机器学习、深度学习等技术在医学中的应用场景；

能力目标—应用人工智能技术分析、解决医学领域实际问题的能力；

素质目标—培养创新思维、批判性思维、跨学科思维和终身学习思维。

3.2 教学内容

以教学目标为导向，“医学人工智能基础”课程在原有教学内容基础上进行调整与拓展：

⑴增加AI、GenAI、AIGC、AI+医学等领域的最新理论进展和技术突破；

⑵重构AI与医学专业结合的实践教学案例，增强内容的针对性。

具体教学模块、教学内容及跨学科实践教学案例如表1所示。

3.2 教学方法

为提升学生的技术应用能力，将课程的授课逻辑转变为以实践教学为主。在理实一体化、案例分析、讲练结合等教学方式基础上，教师在课堂教学中综合运用问题驱动学习（PBL）、线上线下混合等教学模式，以跨学科实践案例为依托，从医学实际问题出发，重点引导学生明确问题、分析问题、分解问题，再引入解决该问题的AI技术，通过编程实践验证问题的求解过程，最后拓展问题以加强学生相关技术的迁移应用能力。同时，教师指导学生在课前预习、课中学习、课后复习各阶段全面融入AIGC工具的应用，包括生成知识点讲义、实验指导书、流程图、示例代码、实验报告等。

4 教学实践改革

本节通过若干典型跨学科实践案例的教学设计，说明如何融合AIGC技术，应用AI相关知识和技术解决医学领域问题。

4.1 数据处理与分析案例——乳腺癌数据预处理与分析

该案例对应课程的数据处理与分析模块，通过该案例学习Python中的NumPy和Pandas数据处理库，数据预处理的基本方法和流程，数据的统计性分析、数据的可视化、撰写报告等知识点。参照2.2 提示词节提示词设计原则与策略，向大模型或程序设计智能体提交基于“角色、任务、要求、输出格式”形式的提示词，通过在大模型中多次测试和反馈，最终形成以下提示词：

假设你是一位资深的数据分析师，请使用Python语言对乳腺癌数据进行预处理，并进行描述性统计分析、特征相关性分析及特征分布可视化，要求提供详细的解释和示例代码，并以代码块形式输出，注意不需要对数据进行预测性分析和规范性分析。

对AI给出的Python脚本进行调试，最终的代码如图1所示，运行结果如图2所示，结合AI工具生成的内容和代码运行结果，可以快速地生成数据处理与分析报告。

本案例中，乳腺癌数据集（Wisconsin Breast Cancer Database）是一个在机器学习和数据挖掘领域广泛使用的经典数据集，示例程序在导入相关库后，从UCI机器学习库下载该数据集，并使用Pandas读取数据，对数据的预处理包括清理缺失数据和数据数字化变换，数据的统计性分析包括计算特征中位数和特征间的Pearson相关系数，最后使用热图展示相关系数矩阵，使用直方图可视化良性和恶性样本在“Clump Thickness”特征上的分布。通过该案例，学生可以掌握医学数据处理与分析的基本流程，理解相关知识点，逐步提高代码阅读、修改调试和编写技能。课后拓展部分，要求学生使用不同来源、不同文件类型的医学数据集进行处理和分析，如计算特征的均值、标准差，离散化和归一化数据等，为后续学习机器学习内容做好准备。

4.2 机器学习案例——基于KNN算法的乳腺癌数据分类

该案例对应课程的机器学习模块，通过该案例学习监督学习、分类、数据预处理、模型训练与评估、KNN算法等内容，了解Scikit-learn机器学习库的使用。数据处理与分析案例引导学生应用大模型一次性生成任务的全部代码，再到IDE中调试、运行代码。本案例引导学生在IDE中使用代码辅助插件完成程序，如使用通义灵码，基本过程如下：在插件工作区输入要实现的程序（如图3a所示），通义灵码首先生成程序的基本结构说明（如图3b所示），接着生成程序，文件及相关库说明（如图3c所示），对于该程序可以进一步调试优化，如使用StandardScaler对数据进行标准化处理等。同时，教学中引导学生利用GitHub上的丰富资源和优质项目，拓宽知识视野。

本案例是机器学习部分的第一个综合案例，教学过程中重点介绍运用KNN算法处理医学数据的核心流程。机器学习模块其他三个案例，即“基于多元线性回归的糖尿病血糖影响因素分析”“基于K-means的患者治疗情况数据分析与患者分组”“基于PCA的卫生数据降维与特征提取”，可以通过修改本案例代码完成教学，并总结机器学习各类任务间的异同点。通过这些案例的学习，使学生掌握使用机器学习方法进行医学数据分析的基本流程，为后续学习深度学习内容做好准备。

4.3 深度学习案例——基于CNN的皮肤图像分类

该案例对应课程的深度学习模块，通过该案例学习神经网络基础知识，包括CNN架构中卷积层、池化层、全连接层、激活函数等，理解端到端学习的概念，了解PyTorch框架的使用。本案例仍然使用代码辅助插件生成代码，重点引导学生理解并掌握以下步骤：数据加载与预处理、模型构建、模型训练、模型评估，通过分析损失曲线图（如图4所示）了解模型拟合情况，并据此调整训练策略和模型参数，通过混淆矩阵（如图5所示）直观地查看模型的分类结果，分析模型的优缺点，并计算准确率、召回率、F1分数等评估指标。

本案例中，ISIC 2018皮肤镜图像数据集是一个典型的类别不平衡数据集，如图6所示，而医疗数据的显著特征之一，就是呈现长尾分布。此外，该数据集还存在类内差异大，类间差异小的特点，如图7所示。课后拓展部分，可以鼓励学生基于医学图像数据特点，学习、探究更前沿的深度学习模型及技术，如Vision Transformer等。在该案例基础上，通过分析图像分割与图像分类在任务目标、输出、网络结构和评估指标等方面的不同，修改并调试代码，完成案例基于U-Net的乳腺癌图像分割的教学。

4.4 文献阅读与研讨案例——AI在医学领域问题中的应用

该案例对应大数据及前沿发展模块，通过该案例了解AI在医学领域的应用场景，并探讨应用现状、技术挑战及未来发展方向。学生以小组形式，明确职责与任务，借助AIGC工具高效地完成选题确定、文献检索、文献阅读、报告撰写及成果展示等一系列环节，如图8所示。

各小组成员可结合专业背景及兴趣爱好，选择一个AI在医学领域的应用方向，如医学影像分析、药物研发、疾病诊断、健康管理等。根据选题，利用PubMed、Web of Science、Google Scholar、中国知网等数据库，检索相关文献，并应用Research Rabbit、Connected Papers等工具拓展文献检索范围，同时可视化文献之间的关系。选定一篇文章进行精读与分析，包括提取文章的研究目的、内容、数据来源、方法模型、实验结果等，评估分析方法的科学性、结果的可靠性、研究的局限性及未来研究方向等。在此过程中，可综合利用Zotero、Mendeley、CiteSpace、DeepL、CNKI学术翻译等工具提高文献阅读效率，并做好研读笔记。小组成员讨论交流研读内容，形成统一的观点和结论后，应用AI工具根据研读笔记，生成研读报告和汇报PPT，并展示小组的研讨成果。

通过该案例，学生不仅可以了解AI在医学领域应用的前沿发展，还能学会综合利用多种AIGC工具进行文献检索与分析，提升学生团队协作、跨学科整合能力，培养学生批判性思维和学术素养。

5 实施效果反馈

在2024 — 2025学年秋季学期开设的“医学人工智能基础”课程中，初步引入了该教学设计进行授课。学生在学习过程中，总体表现出较高的学习热情和主动性，能积极利用AIGC工具进行自主学习，并在课堂讨论和团队协作中表现活跃。课程结束后，采用随机抽样问卷调查法对选课学生进行阅卷调查，以评估课程的教学效果。问卷采用五级量表，对教学内容、跨学科实践案例、教学方法等5个维度14个项目上的满意度进行测量，同时设置开放性问题以获取更详细的反馈。通过问卷星平台发放并匿名填写，最终收回有效问卷18份，使用SPSSAU进行频数统计分析，结果如表2所示。分析结果显示，学生普遍对本次课程的教学设计和授课方式表示满意。

通过开放性问题的反馈，学生认为课程的最大特色在于AIGC工具在编程中的应用，降低了程序设计的学习难度，对课程学习有很大帮助。此外，学生建议将人工智能技术进一步融入到专业知识体系中，以提升其跨学科融合能力。

6 结束语

针对“医学人工智能基础”课程教学中存在授课重点、授课逻辑不合理，学生实践能力培养不足等问题，在教学内容和教学模式等方面进行了改革探索：更新教学内容以反映技术前沿，重构跨学科实践案例以体现行业需求，优化授课递进逻辑以培养学生医学问题解决能力，融合GenAI技术以提高教学效率。教学实践表明，改革激发了学生的学习热情，学生在自主学习能力、课堂参与度和学习成果方面均有进步，教学效果明显。

2025年1月，DeepSeek^[14-15]凭借模型架构、优化策略等技术创新，成为全球现象级大模型，低成本、高性能等优势使其具有在医疗领域的应用潜能^[5]。未来，我们将紧跟人工智能技术发展，结合医疗领域具体应用，进一步深化课程改革，探索课程与医学教育深度融合的创新路径，为医学院校人工智能课程教学的改革提供实践参考，为培养符合新时代需求的高素质医学人才奠定基础。

参考文献

[1] 国家卫生健康委员会. 国家卫生健康委员会办公厅关于印发卫生健康行业人工智能应用场景参考指引的通知[EB/OL].(2024-11-14)[2024-01-23].

[2] CAO Y H, LI S Y, LIU Y X, et al. A survey of AI-generated content (AIGC)[J]. ACM Computer Surveys, 2025, 57(5): 1-38.

[3] 蔡天琪, 蔡恒进. DeepSeek的技术创新与生成式AI的能力上限[J/OL]. 新疆师范大学学报(哲学社会科学版), 1-8[2025-02-17].

[4] 马傲, 葛小玲. 人工智能大模型在医疗健康领域应用的研究[J]. 中国现代医生, 2024, 62(33): 89-95.

[5] PENG Y F, MALIN B A, ROUSSEAU J F, et al. From GPT to DeepSeek: Significant gaps remain in realizing AI in healthcare[J]. Journal of Biomedical Informatics, 2025: 104791.

[6] 韩淏轩, 吕枫枫, 王强, 等. 人工智能技术赋能医学人才培养的应用与探究[J]. 中国医学教育技术, 2024, 38(3): 261-265.

[7] 孙立元, 韩标, 汪丽燕, 等. 新医科理念下的智能医学工程专业人才培养模式探究[J]. 华夏医学, 2024, 37(4): 213-217.

[8] 薛真睿, 徐婷, 姚春艳. 医学检验专业人工智能教学现状及改进措施[J]. 国际检验医学杂志, 2023, 44(7): 890-893.

[9] 彭磊, 肖延丽. “人工智能及医学应用”课程案例教学探究[J]. 科教导刊, 2023(27): 107-109.

[10] 任晓阳, 朱姣, 刘亚萍, 等. 生成式人工智能在诊断学问诊教学中的应用[J]. 中国医学教育技术, 2025, 39(1): 29-32.

[11] 杨蕊, 陈振涛, 张建青, 等. 应用技术型医学院校智能影像工程专业课程建设思考[J]. 中国医学教育技术, 2024, 38(5): 695-698.

[12] 刘垚. 大学信息技术4 ——人工智能基础与实践[M]. 4版. 上海: 华东师范大学出版社, 2024.

[13] SAHOO P, SINGH A K, SAHA S, et al. A systematic survey of prompt engineering in large language models: Techniques and applications[J]. Arxiv Preprint Arxiv, 2024: 2402.07927.

[14] DEEPSEEK-AI, AIXIN LIU, BEI FENG, et al. DeepSeek-V3 Technical Report[J]. Arxiv Preprint Arxiv, 2025: 2412.19437.

[15] DEEPSEEK-AI, DAYA GUO, DEJIAN YANG, et al. DeepSeek-R1: Incentivizing reasoning capability in LLMs via reinforcement learning[J]. Arxiv Preprint Arxiv, 2025: 2501.12948.

基金资助

上海健康医学院校级科研项目“基于深度学习的医学图像特征学习研究”(SSF-23-TWXX-001)