DeepSeek赋能老年医学教育

DeepSeek empowers Geriatric medical education——Exploration of innovative teaching modes for Chronic Respiratory Diseases

摘要

老龄化是全球面临的严峻挑战，慢性呼吸系统疾病（CRD）是老年人群第三大死因。老年CRD以多病共存、老年综合征、全病程照护需求为特征，对医学教育提出新的要求。针对传统教学模式存在知识碎片化、实践虚拟化、技术赋能不足等缺陷，本文创新性地探讨构建基于DeepSeek的三维智能教学模式（知识图谱整合、虚拟仿真环境、智能辅导系统），并以慢性阻塞性肺病为例，设计“病理解析—技能训练—决策支持”三阶模块，融合翻转课堂和情境模拟等多种教学法，通过师资培训、资源共享与伦理保障，推动跨学科、全场景教育新范式，为我国健康老龄化战略提供支撑。

Abstract

Aging poses a severe global challenge, with Chronic Respiratory Diseases (CRD) ranking as the third leading cause of death among the elderly. Geriatric CRD is characterized by multimorbidity, geriatric syndromes, and whole-course care needs, presenting new demands for medical education. Traditional teaching modes suffer from fragmented knowledge, virtualized practice, and insufficient technological empowerment. This paper innovatively explores the construction of a 3D intelligent teaching mode based on DeepSeek, integrating knowledge graphs, virtual simulation environments, and intelligent tutoring systems. Taking Chronic Obstructive Pulmonary Disease as an example, a three-stage module of “pathological analysis-skill training-decision support” is designed, incorporating flipped classrooms and situational simulations. Through faculty training, resource sharing, and ethical safeguards, this mode promotes interdisciplinary, full-scenario educational paradigms to support China’s healthy aging strategy.

关键词

DeepSeek / 老年医学 / 慢性呼吸系统疾病 / 智能教学 / 慢性阻塞性肺病

Key words

DeepSeek / Geriatrics / Chronic Respiratory Diseases / intelligent teaching / Chronic Obstructive Pulmonary Disease

随着全球人口老龄化进程的加速，慢性病成为主要健康威胁。慢性呼吸系统疾病（chronic respiratory diseases，CRD，简称呼吸慢病）是老年人群第三大死因，其防治对医学教育提出严峻挑战^[1]。老年CRD呈现显著临床特征，多病共存、老年综合征发生率高，且需覆盖急诊处置、社区随访、长期照护的全病程管理^[2]。这些特征对医学教育提出跨学科整合、场景化实践（急诊/社区/家庭）、终身学习能力培养的多重要求。然而，传统老年医学教育存在结构性矛盾，已无法满足需求。DeepSeek作为新一代智能平台，可通过知识图谱、虚拟仿真（VR/AR全场景模拟）、智能分析（实时指南推送+学习轨迹追踪），为构建“病理-诊疗-照护”三位一体的教学模式提供技术支撑^[3]。基于此，本文系统探讨其技术架构、模式构建及实施保障，旨在为老年CRD教育的智能化转型提供理论框架与实践路径。

1 老年呼吸慢病的特征与教育需求

1.1 老年呼吸慢病的疾病负担与政策导向

全球疾病负担研究（GBD）2023年公布的数据（涵盖204个国家和地区）显示，2019年，全球CRD患病人数达4.546亿（95% CI：4.174~4.991亿），与1990年相比增加了39.8%，死亡人数为397万（95% CI：360~430万）^[4]。老龄化与CRD患病率和死亡率的变化密切相关。我国高度重视CRD防治工作，《中国防治慢性病中长期规划（2017—2025）》明确将CRD列为重点防控病种，要求“强化老年慢性病规范化诊疗与全病程管理”，涵盖预防、急性处置、康复及长期照护的全链条服务^[5]。国家卫生健康委等13个部门联合制定的《健康中国行动——慢性呼吸系统疾病防治行动实施方案（2024 — 2030年）》提出，到2030年，我国70岁及以下人群CRD死亡率下降到8.1/10万及以下^[6]。老年CRD的高发性与复杂性，对医学教育提出了“以患者为中心”的跨学科能力培养要求。以COPD为例，中国肺部健康研究结果显示，其患病率随年龄增长显著上升，60~69岁为21.2%，≥70岁老年人高达35.5%^[7]。COPD常合并心血管疾病、内分泌及代谢疾病（糖尿病和骨质疏松等）、神经精神疾病（焦虑和抑郁等），形成多器官交互影响的病理网络^[8]。

1.2 老年呼吸慢病的多维特征与教育挑战

老年CRD呈现显著的“病理-生理-社会”特征，对教学内容与方法提出特殊要求：

（1）老年CRD通常具有多病共存与老年综合征交织的病理特征。据估计，老年CRD患者平均共存4.2种慢性病。例如：COPD患者因慢性缺氧导致肌红蛋白合成减少，引发肌少症；长期使用糖皮质激素则通过抑制成骨细胞活性，导致骨质疏松，增加跌倒风险^[9]。这种跨系统病变要求教学突破单器官局限，解析从病因到并发症/合并症的复杂关联。

（2）生理方面，衰老相关的药代动力学发生改变。衰老导致肝酶活性下降40%、肾小球滤过率降低30%，显著影响药物代谢。例如，COPD患者使用β2受体激动剂可能诱发心律失常，而茶碱与喹诺酮类联用会增加癫痫风险。教学需强化药物对衰老器官不良影响的分析能力。

（3）临床上，老年CRD具有非典型表现与诊断延迟的问题。老年肺炎常缺乏发热、胸痛等典型症状，仅表现为意识模糊；隐性心衰误诊率高达41.2%，常被误诊为COPD急性加重^[10]。这种“沉默性”疾病特征要求教学注重症状的综合识别，而非依赖单一指标。

（4）照护上，面临全病程连续体需求。老年CRD照护涵盖急诊处置（42%）、住院治疗（25%）、社区随访（58%）及长期照护（20%），形成“医院-社区-家庭”连续体^[11]。例如，我国家庭氧疗患者自我管理水平整体较差，用氧行为不规范，氧疗效果欠佳，须掌握设备参数调节、吸入技术指导等社区照护技能^[12]。

1.3 老年医学教育的核心能力诉求

近日，《国家卫生健康委办公厅关于提升老年医学医疗服务能力的通知》围绕加强老年医学人才队伍建设等方面作出部署，要求强化三大核心能力^[13]。一是老年综合征管理能力，须掌握衰弱（FRAIL量表）、肌少症（SARC-F量表）、营养不良（MNA量表）的评估与干预。例如，COPD合并肌少症患者须制定“运动训练+蛋白质补充+呼吸康复”的综合方案。二是多学科诊疗（MDT）能力，要整合呼吸科、心内科、营养科等6~8个学科，遵循“指南—证据—个体化”原则。以COPD合并糖尿病患者为例，须协同调整β2受体激动剂与胰岛素的使用策略。三是全病程照护能力，应覆盖急诊（氧疗策略）、门诊（吸入技术）、社区（家庭氧疗）、终末期（安宁疗护）全场景。例如，社区随访中须识别无创通气人机不同步，并指导家庭环境改造。

2 传统教学模式的结构性矛盾

2.1 知识体系碎片化——单器官教学的局限性

传统医学教育以解剖学为基础划分学科边界，导致知识割裂。以COPD教学为例，85%的教材聚焦呼吸系统结构与功能，忽视老年综合征，如衰弱、肌少症对预后的影响^[14]。这种知识碎片化导致学生在临床中常遗漏关键评估，如不会使用SARC-F量表筛查肌少症、未调整骨质疏松治疗方案。另外，教材更新周期长达5.8年，无法及时跟上学科的发展。这些缺陷表明，亟须构建动态优化的跨学科整合知识体系。

2.2 实践教学虚拟化——场景化能力培养缺失

标准化病人（SP）资源严重不足，临床实习存在“三低现象”，即急诊CRD 病例接触率低，MDT会诊参与率低，社区实践课时少。传统SP模拟存在显著缺陷：“一刀切”场景，对老年综合征的认知不足，无法真实再现COPD 共病患者的非典型症状；静态病例讨论难以训练动态决策（如急性加重期的药物调整）^[15]。上述问题亟待通过动态化、多学科融合的实践平台加以突破。

2.3 技术赋能不足——智能教育的滞后性

AI辅助诊断在临床发挥越来越重要的作用，但教学场景覆盖率低。传统教学依赖静态PPT与纸质病例，缺乏“动态推演（药物相互作用实时分析）、智能反馈（问诊逻辑性评估）、跨学科知识关联（如自动提示“COPD合并糖尿病”的用药警示）”。某教学医院一项针对199名教师、住院医师和医学生的调查显示，大多数受访者对AI在医学教育中的应用不熟悉，但相当一部分人表达了将AI融入医学教育的热情和积极性^[16]。此外，虚拟仿真技术（VR/AR）应用局限于基础操作（如肺功能仪使用），缺乏全病程场景模拟（如家庭无创通气指导、终末期伦理决策）。技术赋能缺失呼唤智能化教学系统的深度介入。

3 DeepSeek技术架构与教育适配性

3.1 智能教育平台的底层支撑

DeepSeek是一种面向垂直领域（如医学教育）深度优化的生成式人工智能（AIGC），通过开源策略推动技术民主化，为医学智能教育平台提供底层支撑^[17]。其技术架构设计直指传统教学模式三大痛点：

（1）智能知识引擎——跨学科知识的动态整合

为破解知识碎片化困局，系统整合老年医学主题域（如衰老机制、呼吸病理、药物管理等核心概念），构建动态知识图谱（如“COPD→慢性缺氧→肌少症”）。采用自然语言处理（NLP）技术解析医学文献，实时同步GOLD、ACCP等指南^[18]，自动标注证据等级。例如，在“COPD合并糖尿病”病例中，系统可自动关联“β2受体激动剂→血糖升高”的证据（GOLD 2025），并提示胰岛素剂量调整策略（ADA指南）。知识图谱支持可视化编辑，教师可拖拽添加“衰老—认知障碍—抗胆碱能药物”等新兴关联。

（2）虚拟诊疗系统——全场景临床能力的模拟训练

针对传统SP模拟的静态化缺陷，开发从初级到专家级5级病例库，涵盖“单纯COPD→COPD合并肌少症→COPD合并α1-抗胰蛋白酶缺乏症”等变异病例。支持多模态交互，如语音识别“夜间喘憋”等特征，CT影像智能标注肺气肿区域，心电图自动识别右心室肥厚。集成虚拟诊疗舱（VR设备），模拟急诊（SpO₂ 82%+意识模糊）、门诊（语音问诊）、社区（家庭无创通气指导）等场景^[19]。每个病例包含“标准化病史（含老年综合征筛查）、动态检验数据（如BNP动态变化）、MDT入口（触发3~6个学科协作）”。

（3）学习分析平台——个性化学习的智能导航

针对技术赋能滞后性，平台基于认知诊断模型追踪学习轨迹。例如，学生在“COPD急性加重”病例中未调整抗凝治疗，系统识别“血栓预防”知识漏洞，推送Caprini评分专项训练^[20]。生成个性化学习路径为“基础层（病理机制）→进阶层（共病管理）→专家层（伦理决策）”。学习分析看板实时显示“知识图谱掌握度、技能熟练度（无创通气操作规范度）、 跨学科协作指数（MDT 参与学科数）”。

3.2 呼吸慢病教学适配性——从病理到照护的全链条覆盖

（1）病理解析——三维可视化与机制推演

构建“COPD—肺心病—心衰”病理演进模型，动态模拟血流动力学参数（如肺动脉压从25mmHg升至50mmHg的过程），叠加肌少症的分子机制（缺氧→HIF-1α升高→MyoD降低→肌纤维萎缩）。学生可通过“病理放大镜”功能，观察衰老肺组织的超微结构（肺泡隔破坏、弹性纤维减少），并关联临床症状（如气短与弥散功能下降的关系）。例如，典型案例之75岁男性COPD患者，系统展示“长期缺氧→促红细胞生成素增加→血液黏稠度升高→血栓风险”的因果链，提示定期监测D二聚体。

（2）技能训练——虚实融合的精准反馈

VR无创通气训练系统包含“语音交互病史采集、VR查体、参数设置（潮气量 6~8ml/kg 智能提示，人机不同步报警触发）”。智能反馈系统实时评估包含“操作规范性（如手控通气触发灵敏度设置）、决策合理性（如目标SpO₂ 88%~92%的符合率）”。

（3）决策支持——多学科证据的智能整合

MDT模块强制触发3~6学科协作，自动生成证据链。例如：在呼吸科，GOLD 2025推荐噻托溴铵（证据等级 1A）；在心内科，AHA/ACC指南警示β受体阻滞剂禁忌（证据等级 1B）；在营养科，ESPEN共识建议蛋白质摄入1.2g/kg·d（证据等级 2A）；在康复科，ACSM 运动处方（每周150 min有氧+抗阻训练）。系统实时对比不同指南的推荐强度，提示“COPD合并心衰”患者的β受体阻滞剂谨慎使用原则（GOLD 2024 vs AHA/ACC 2023的证据冲突）。在“COPD合并糖尿病”病例中，自动生成药物相互作用警示（如沙丁胺醇与胰岛素的协同降糖效应），推荐个体化方案。

（4）素养培养——伦理决策与人文关怀

情感计算模型分析沟通记录，模拟家庭共享决策场景。系统内置“四原则分析框架”：自主（尊重患者预立医疗计划）、有益（选择最利结局）、不伤害（避免过度治疗）、公正（资源合理分配）^[21]。在“COPD合并认知障碍”病例中，提示使用简易智力状态检查（MMSE）评估决策能力，推荐非药物干预（如音乐治疗+呼吸训练）。

4 AI与传统方法的协调融合

4.1 基于DeepSeek的PBL教学

PBL（problem-based learning）教学以问题为导向，培养学生解决实际问题的能力。借助DeepSeek，教师可以从其构建的海量病例库中筛选复杂的CRD案例，设计富有挑战性的问题。DeepSeek可以为学生提供相关背景资料，引导学生自主探究，形成解决方案^[22]。例如，在针对老年COPD急性加重期的教学中，学生以DeepSeek提供的病例为基础，分析病情变化原因，制定治疗和护理方案，DeepSeek及时反馈并引导学生优化方案，培养学生的临床思维。

4.2 基于DeepSeek的CBL教学

CBL（case-based learning）教学围绕病例展开教学活动。DeepSeek构建的智能化病例库包含丰富的病例资源，且能根据学生学习进度和能力推荐合适病例。在教学过程中，教师选择病例，引导学生分析讨论^[23]。DeepSeek对病例进行拓展，生成不同病情变化和治疗方案的虚拟病例，让学生深入理解疾病演变过程。例如，在老年COPD患者的教学中，DeepSeek 模拟咳喘在不同环境、治疗干预下的发作和缓解情况，使学生更全面地掌握疾病的治疗和管理。

4.3 基于DeepSeek的翻转课堂教学

翻转课堂将知识传授和知识内化颠倒，学生课前自主学习，课堂上进行互动讨论^[24]。教师利用DeepSeek为学生推送个性化学习资料，学生通过观看视频、阅读资料等完成知识预习。课堂上，教师组织学生围绕CRD案例展开讨论，DeepSeek参与讨论，解答学生问题，引导学生深入分析。

4.4 基于DeepSeek的情境模拟教学

情境模拟教学通过创设逼真的临床情境，让学生在模拟环境中实践操作^[25]。借助VR技术，DeepSeek创建高度还原的CRD临床场景，如病房、门诊、手术室等。学生在模拟场景中进行体格检查、支气管镜检查、呼吸机操作等技能训练。DeepSeek实时评估学生操作，指出问题并提供改进建议，帮助学生提高临床技能水平。表1展示了基于DeepSeek的情景模拟教学与传统情景模拟教学在不同教学维度的对比情况。

5 实施保障体系——师资、资源、伦理的三维支撑

老年医学教育智能化转型是一项系统性工程，需要构建与之适配的保障体系。从师资能力建设、教育资源共建和技术伦理治理三个维度协同发力，才能确保DeepSeek智能教学模式的有效落地与可持续发展^[26]。

在师资能力建设上，构建“基础—进阶—创新”分层递进师资培养体系，形成线上线下结合、认证考核配套的立体化培养模式。在基础培训阶段，重点提升教师智能教学平台操作与虚拟病例开发能力，开设知识图谱构建、VR场景设计等实践课程，帮助教师掌握智能化教学的基础工具与技术。进阶培训强调动态优化，通过学习轨迹分析系统动态监测学生知识掌握情况，依托虚拟教研室与实体医院共建机制，每年更新不少于30%的培训内容，持续完善教学路径。创新培养聚焦AI伦理与算法研究，通过“AI+老年医学”专项认证考核，培育兼具医学专业素养与人工智能技术能力的复合型师资队伍。具体实施过程中，通过搭建国家老年医学教育云平台，举办年度全国师资工作坊，并将虚拟病例开发纳入职称评审指标体系，形成长效激励机制。

在教育资源共建方面，建立符合国际规范的标准化教学资源库，推动标准化与均衡化发展。联合三甲医院开发典型病例库，每个病例包含主诉信息、动态检验数据、MDT方案及3个月随访记录，确保资源的完整性与专业性。通过季度指南更新与双盲审校机制（主任医师与AI系统联合审核，分歧率控制在5%以内），以保障资源质量的可靠性。针对区域发展差异，采用5G+边缘计算技术构建远程共享平台，推动东部优质医院与西部基层单位结对共建，提升优质教育资源覆盖度与可及性。

最后，技术伦理治理方面，为应对智能化教学中的伦理风险，构建“数据隐私-算法透明-偏见防范-人机协同”四位一体保障框架。采用区块链加密技术，实现操作日志存证5年，并进行权限分级管理（本科生为去标识化数据；住院医师为半标识化数据；研究人员为完整数据需伦理审批）保护数据隐私。通过可解释性AI展示决策路径，每月生成算法解释报告，确保算法运行可追溯和算法透明。实施数据审计与算法校正，将不同亚组准确率差异控制在5%以内，防范偏见。遵循“AI建议+医师终审”原则，对终末期治疗方案、高风险药物处方强制人工复核，同时所有教学病例通过伦理审查，运用区块链技术实现患者知情同意书电子化存证。

6 挑战与未来方向——技术、教育、伦理的协同突破

尽管 DeepSeek 智能教学模式在老年CRD教育中展现出显著优势，但在实际应用中仍面临多重挑战^[17]。技术层面，非结构化数据处理能力有待提升，如手写病历识别率低，胸片肺大疱漏诊率高，情感交互功能尚不完善。教育层面，师资队伍AI能力存在断层，教育资源分布不均，制约了区域间教育均衡发展。伦理层面，数据隐私保护存在潜在漏洞，算法偏见可能导致教学资源分配不公或诊疗决策偏差。针对上述挑战，未来创新方向需围绕三大维度展开。技术升级方面，推进多模态融合技术，开发数字孪生患者模型，提升系统对复杂临床场景的模拟能力。教育生态构建方面，实施“教师AI素养工程”，建设自适应学习系统，通过动态调整实现个性化教学。伦理治理方面，完善数据隐私保护与算法监管机制，确保智能化教学在安全、公平、透明的轨道上运行。通过技术、教育、伦理的协同突破，持续优化 DeepSeek 智能教学模式。

综上，在我国老龄化加剧、CRD防治需求迫切的背景下，本文提出的DeepSeek三维智能教学模式，通过整合知识图谱、虚拟仿真与智能辅导技术，融合多种教学方法，并辅以系统的师资培训与伦理保障体系，为老年CRD教育的跨学科、全场景智能化转型提供了可行路径，有望为我国健康老龄化战略实施提供有力支撑，同时为全球老年医学教育智能化贡献中国智慧与方案。

参考文献

[1] GBD Chronic Respiratory Disease Collaborators. Prevalence and attributable health burden of chronic respiratory diseases, 1990-2017: A systematic analysis for the Global Burden of Disease Study 2017[J]. Lancet Respiratory Medicine, 2020(6): 585-596.

[2] CHOI J Y, RAJAGURU V, SHIN J, et al. Comprehensive geriatric assessment and multidisciplinary team interventions for hospitalized older adults: A scoping review[J]. Archives of Gerontology & Geriatrics, 2023, 104: 104831.

[3] CHEN Y, SHEN J, MA D. DeepSeek’s impact on thoracic surgeons’ work patterns-past, present and future[J]. Journal of Thoracic Disease, 2025(2): 1114-1117.

[4] GBD 2019 Chronic Respiratory Diseases Collaborators. Global burden of chronic respiratory diseases and risk factors, 1990-2019: An update from the Global Burden of Disease Study 2019[J]. Clinical Medicine, 2023, 59: 101936.

[5] 国务院办公厅. 国务院办公厅关于印发中国防治慢性病中长期规划(2017-2025年)的通知[EB/OL]. (2017-02-14).

[6] 国家卫生健康委, 国家发展改革委, 教育部, 等. 关于印发健康中国行动: 慢性呼吸系统疾病防治行动实施方案(2024-2030年)的通知[J]. 中国农村卫生, 2024(8): 1-3.

[7] WANG C, XU J, YANG L, et al. China Pulmonary Health Study Group. Prevalence and risk factors of chronic obstructive pulmonary disease in China (the China Pulmonary Health [CPH] study): A national cross-sectional study[J]. Lancet, 2018(10131): 1706-1717.

[8] 中国老年医学学会呼吸病学分会慢性阻塞性肺疾病学组. 中国老年慢性阻塞性肺疾病临床诊治实践指南[J]. 中华结核和呼吸杂志, 2020(2): 100-119.

[9] 胡龙兴, 汪胜军. 慢性阻塞性肺疾病合并肌少症和骨质疏松症研究进展[J]. 赣南医科大学学报, 2025(1): 84-91.

[10] 中国老年医学学会呼吸病学分会. 老年肺炎临床诊断与治疗专家共识(2024年版)[J]. 中华结核和呼吸杂志, 2025(1): 18-34.

[11] 杨汀. 立足基层, 持续提升慢性阻塞性肺疾病的基层诊疗与管理水平[J]. 中华全科医师杂志, 2024(6): 546-548.

[12] 揭志军. 规范家庭氧疗实施, 提升慢性呼吸系统疾病照护能力[J]. 中华全科医师杂志, 2025(1): 3-6.

[13] 潘多拉. 加强老年医学人才队伍建设要有紧迫感[J]. 中国卫生人才, 2025(1): 14-15.

[14] 张海军, 苏巧俐, 李双庆, 等. 国内外全科医生慢性阻塞性肺疾病防控培训的现状与思考[J]. 中华全科医师杂志, 2023(3): 308-311.

[15] 邓滔, 罗燕, 周泉勇, 等. 标准化病人在呼吸慢病管理医患沟通培训中的作用[J]. 中国高等医学教育, 2024(7): 102-104.

[16] LI R, LIU G, ZHANG M, et al. Integration of artificial intelligence in radiology education: A requirements survey and recommendations from faculty radiologists, residents, and medical students[J]. BMC Medical Education, 2025(1): 380.

[17] 闾海荣, 江瑞, 张学工, 等. DeepSeek与医学大语言模型: 技术创新与医疗服务模式重构[J]. 医学信息学杂志, 2025(2): 1-7.

[18] Global Initiative for Chronic Obstructive Lung Disease. Global strategy for the diagnosis, management, and prevention of chronic obstructive lung disease[EB/OL]. (2024-11-12)[2025-04-18].

[19] 封纯, 吕萍萍, 金敏, 等. 基于文献计量学的虚拟现实和人工智能在医学教育中的应用[J]. 医学教育研究与实践, 2023(3): 278-287.

[20] ZHOU C, YI Q, GE H, et al. Validation of risk assessment models predicting venous thromboembolism in inpatients with acute exacerbation of chronic obstructive pulmonary disease: A multicenter cohort study in China[J]. Thrombosis and Haemostasis, 2022(7): 1177-1185.

[21] 高超, 石冰, 于普林, 等. 老年医学伦理学的研究进展[J]. 中华老年医学杂志, 2020(7): 853-856.

[22] 丁文婧, 沈海波, 徐丁, 等. ChatGPT在泌尿外科PBL教学中的应用探索与实践[J]. 中国医学教育技术, 2024(3): 287-292.

[23] GIM H, COOK B, LE J, et al. Large language model-supported interactive case-based learning: A pilot study[J/OL]. Internal Medicine Journal, 2025 Mar 24. DOI: 10.1111/imj.70030 . Epub ahead of print.

[24] 徐明, 梁欣, 陈渔,等. 增强现实结合翻转课堂在“针灸学”教学中的应用与探索[J]. 中国医学教育技术, 2025(1): 132-135.

[25] DUNNELL L, BARNARD A N, CHU K, et al. In situ simulation training for frailty[J]. Geriatrics (Basel), 2023(1): 26.

[26] 王福帅. 数字化转型赋能高等教育高质量发展: 内涵表征与推进策略[J]. 江苏高教, 2024(9): 32-36.

基金资助

江苏省高等学校基础科学研究重大项目(22KJA320003)