人工智能赋能口腔正畸专业学位研究生临床教学案例库的优化重构

AI-driven optimization of the clinical teaching case library for postgraduates with professional degree in Orthodontics

摘要

传统教学案例库资源存在存储分散、多模态数据融合困难等问题，制约了教学质量的提升。随着医学教育数字化转型的深入开展，人工智能（artificial intelligence，AI）在教学资源优化领域的应用逐步拓展。本文聚焦AI赋能口腔正畸专业学位研究生临床教学案例库的优化重构，其核心是利用AI采集海量临床数据并进行标准化处理，构建深度结构化的口腔正畸临床知识图谱，并设置智能检索与个性化推送机制。这一智能升级突破了传统案例库数据碎片化、临床案例静态展示的局限性，使案例资源具备高度结构化、语义表达及动态关联性，进而有效提高教学效能。优化重构的案例库可为口腔正畸学科教学提供有力支持，深化理论知识与临床实践的结合，提升研究生临床技能水平。这项策略为高等口腔正畸教育的数字化转型提供了可行范例与前瞻路线，助力医学教育迈向数据驱动的智慧化新层级。

Abstract

Traditional teaching case libraries often face fragmented storage resources and difficulties in integrating multimodal data, which impede the improvement of teaching quality. With the profound transformation of digitalization of medical education, the application of artificial intelligence (AI) has expanded in the field of optimizing the teaching resources. This paper focuses on the optimization and reconstruction of AI-empowered clinical teaching case library for postgraduates with professional degree in Orthodontics. By leveraging AI technologies to systematically collect and standardize large-scale clinical data, an orthodontic clinical knowledge graph system is constructed, alongside efficient search and personalized recommendation. This intelligent upgrade breaks through the limitations of conventional case databases such as fragmented data and static display of clinical cases by transforming case resources into deeply structured, semantically meaningful, and dynamically interconnected formats, and effectively improves teaching efficacy. The optimized case base strongly supports orthodontic teaching, facilitating the integration of theoretical knowledge with clinical practice and improving students’ clinical skills. This strategy provides a feasible example and a forward-looking roadmap for the digital transformation of advanced orthodontic education, facilitating the transition of medical education toward an intelligent new level driven by data.

关键词

口腔正畸教育 / 人工智能 / 临床教学案例库 / 医学教育数字化

Key words

orthodontic education / artificial intelligence / clinical case database / digitalization of medical education

临床教学的数字化转型是顺应高等医学教育改革与发展的核心战略之一。人工智能（artificial intelligence, AI）技术的飞跃发展，为医学教育范式的革新注入了强劲推力。《教育强国建设规划纲要（2024 —2035年）》明确提出“促进人工智能助力教育变革”的关键任务^[1]。国家教育数字化战略行动亦将“人工智能与教育变革”作为重要议题，实施国家智慧教育平台的升级部署行动，推动AI在课程开发、教学管理等领域的深入应用^[2]。口腔正畸治疗存在患者个体化差异显著、诊疗周期漫长等特点，对正畸专业学位研究生的临床实践教学提出了严苛要求^[3]。口腔正畸学科的传统临床教学模式依赖教师自身的经验积累，并受限于案例资源整合效率低下，难以满足现代医学教育对于理论知识深度学习与技能训练广度培养的教学需求^[4]。AI技术在医学影像分析、辅助诊断、个性化诊疗方案制定等领域的日益精进，为临床教学资源的创新改革拓宽了新思路。基于此，本文利用AI技术探讨实现口腔正畸专业学位研究生临床教学案例库的优化革新，并详细介绍案例库的架构理念、操作步骤和相关应用场景，旨在突破传统数据模式下的资源应用瓶颈，完成多模态医学临床案例数据的结构化处理和统筹利用，促进理论知识与临床实际操作的深度结合，以推动口腔正畸学专业学位研究生临床教学的模式创新，并提供可参考的技术路线和实践方案。

1 口腔正畸教学的现状分析

随着医学教育水平的逐步提高，教育数字化转型成为学科发展的必经之路。口腔正畸学作为口腔医学的重要分支，该学科关联的知识体系十分复杂，研究生不仅需要掌握扎实的理论功底，还应当积累丰富的临床经验。根据目前的口腔正畸专业学位研究生教育课程安排，学生普遍面临在科室临床轮转时间不足的情况。案例教学虽然能够作为连接理论学习与临床实践之间的桥梁，但是传统的教学案例库无法满足研究生对病例的深度理解和临床实践的应用需求。利用AI技术推动临床教学案例库智能化重构，成为提高教学质量和培养学生临床技能的重要方式。

1.1 高等口腔正畸教育面临的挑战

高等医学教育强调理论教学与临床实践的同步进行，旨在改变“理论先行、实践滞后”的模式弊端，实现学用结合、知行合一的育人理念。口腔正畸学作为口腔医学的核心亚类学科，其临床诊疗特点表现为错颌畸形的诊断过程复杂，患者个体化差异大，治疗周期通常需要两至三年。正畸学科理论体系包括生长发育学、解剖学、生物力学、材料科学等多元知识，因此正畸诊疗涉及的矫治理论和技术较为复杂，而新进入临床的研究生在短时间内不易掌握。在现行国家住院医师规范化培训制度下，正畸专业学位研究生的临床轮转时间较短，与本学科的长程诊疗属性形成矛盾。专业学位研究生难以全程参加从疾病诊断、方案设计、诊疗过程监控直至正畸治疗结束的完整病例周期，不利于学生临床决策能力与循证诊疗意识的建立。如何在“双轨合一”模式下高效开展住院医师规范化培训，成为当前口腔正畸学科教学中亟待解决的难题。

1.2 传统案例教学模式的局限性

为了弥补因临床轮转时间不足造成的实践短板，案例教学法（case-based learning，CBL）成为培养研究生临床技能的重要补充手段^[5]。CBL通过临床情境的真实再现，将抽象的理论知识进行具象化剖析，能够激发学生的学习兴趣，重点培养其解决临床实际问题的能力^[6]。将CBL运用于口腔正畸专业研究生教学，可以帮助学生更直观地理解错颌畸形的病因、临床特点和治疗过程，加深对疾病的认知水平，提升学习效果。优质的临床教学案例库是高效实施CBL的重要保障。然而，在口腔正畸领域，传统案例库建设主要是基于关系型数据库的静态存储和手动检索机制，且现存案例资源往往分散零碎，数据多来源于教材摘录和教师个人的案例积累，存在疾病谱系覆盖不全、标准化程度低下等问题。在数据整合方面，目前影像学资料等非结构化数据特征与病史、诊疗方案等文本信息缺乏有效的语义关联，造成了多模态数据融合困难。在教学应用维度，现有系统大多没有病例动态演化分析模块与个性化学习路径安排，使案例教学仅停留在孤立的病例展示阶段，无法支撑后续深度学习的需求，大幅降低了案例库的教学成效。

1.3 AI在口腔正畸临床教学案例库构建中的应用潜力

AI技术的突破性成果为医学教育的数字化转型提供了新的机遇。以基于卷积神经网络（convolutional neural network，CNN）的三维影像解析、自然语言处理（natural language processing，NLP）的非结构化文本挖掘和计算机视觉辅助诊断技术为代表的新型体系，在智能影像诊断、临床决策支持及数字化仿真教学等领域凸显出应用价值。在口腔正畸教学领域，AI技术的深度融合有望实现海量临床数据的智能采集与高效筛选，解决传统案例库建设的瓶颈问题。例如，采用基于深度学习的智能标注系统，可对病例影像资料、治疗方案及临床参数进行自动识别与标准化分类操作，有效提升案例数据的结构化程度^[7]。通过搭建多模态数据融合算法，打造具有语义关联的立体化知识网络，达成个案数据和循证医学知识的系统整合^[8]。此外，开发依托学习者画像的智能推荐引擎，借助机器学习算法实时匹配教学需求，实施个性化案例推送，可以即时对学习成效开展量化测评与实时反馈^[9-10]。由此可见，智能化的变革可以增强案例库资源的自适应性及交互性，促进临床教学模式从经验引导型向数据驱动型转变。

2 AI助力口腔正畸专业学位研究生临床教学案例库的智能转型

临床教学案例库的升级优化是实现教学资源高效利用的重要路径。它的核心在于通过AI技术对多源异构的临床数据进行深度处理与结构化重塑，为口腔正畸学专业学位研究生的临床教学与实践给予智能化支撑。

2.1 多模态临床数据的智能采集与标准化

2.1.1 多源异构数据的自动化采集

数据的精确采集是创建口腔正畸临床教学案例库的第一步。口腔正畸学科的临床数据存在多维异质性，散落在各种媒介和系统中，记录于纸质病历、电子病历系统、影像存档、医生手写记载等。传统采集方法依靠人工录入，初步分类非常繁琐，不仅效率低下还容易出现主观偏差。同时，数据彼此的语义联系强度不高，无法支持后续的高阶分析。针对这个问题，AI加持的智能采集体系凭借多模态数据接口矩阵，可以同各类主流医疗信息系统（HIS，PACS，EMR）的数据协议相兼容，从而做到对临床全要素数据的自动采集，包含患者的基本情况、临床影像资料、诊断数据、治疗方案、随访结果等^[11]。对于目前存在的纸质病历、手写记录，引入高精度的光学字符识别（optical character recognition，OCR）技术，同时采用针对医学术语的处理模型，实现文本信息的数字化和初步结构化^[12]。

2.1.2 基于深度学习的多模态数据特征提取

获取原始数据后，需要对这些资料进行深入分析和精细处理，将原始异构的数据转换为规范可用的标准化格式。运用深度学习模型可以对不同模态的数据进行智能理解和特征提取^[13]。对于影像数据，运用CNN、视觉Transformer（vision transformer，ViT）等前沿模型架构，完成口腔正畸影像关键解剖标志点的精准检测与定位，并从中提取定性影像特征和角度、距离等结构化测量数据^[14-15]。就文本数据而言，利用面向医学范畴的预训练语言模型（如Clinical-BERT, BioELECTRA）^[16]，实施高精度的命名实体识别（named entity recognition，NER），精准辨认病症、治疗方法、药物、设备等临床实体。接着借助关系抽取（relation extraction， RE）技术，分析实体之间的语义联系^[17-18]。事件抽取技术能识别治疗过程中的关键操作以及阶段性进展，如粘接托槽、更换弓丝、橡皮圈牵引起始或结束等，这样可将零散的文本描述转化为有结构的事件流^[19]。

2.1.3 数据质量控制与安全保障

要保证临床研究数据可靠适用，又要切实保障患者隐私权益，就需形成健全的质控体系和数据安全机制。在实际操作过程中，临床数据常常会存在随机或者非随机缺失的现象，利用机器学习算法可以找出数据中存在的异常、缺失或者不匹配的条目。生成对抗网络（generative adversarial network，GAN）的概率补全模型能够观察到多维、异构的临床数据特点，学习已有数据的分布情况，进而生成高质量的补全数值。此模型的补全效果要比传统的插值或者回归方法更为精确^[20-21]。有些数据会受到采集设备或采集条件的影响，可以利用迁移学习或域适应技术来进行特征归一化或校准^[22-23]。此外，标准化流程必须遵循患者隐私和数据安全相关的伦理和法律规范。通过差分隐私技术对敏感数据进行脱敏，采用不可逆的匿名化方式保护个人信息，以保证患者的临床特征不会被泄露^[24]。在多机构数据进行联合分析时，可以采用联邦学习框架，在不共享原始数据的情况下，实现模型的分布式训练，确保数据的隐私安全^[25-26]。

2.2 案例库知识图谱构建

2.2.1 领域本体的构建

依托智能采集和标准化处理后的临床数据来创建口腔正畸临床知识图谱，这是推动案例库由“数据存储”迈向“知识服务”的关键环节。传统的关系型数据库难以表现复杂、动态的临床信息内容，而知识图谱凭借实体和关系搭建而成的语义网络，给案例的深度关联与智能分析提供了可靠平台。建立知识图谱的首要步骤是定义与建立本体，也就是用一种系统规范的形式把口腔正畸领域的核心概念和相互关系抽离出来，完成对临床知识形式化的表达^[27]。本体的构建需结合丰富的临床实践经验、查阅参考大量的权威文献和专家共识，从而明晰核心实体的类别，包含患者信息、影像特征、解剖结构、疾病诊断、治疗方案、疗效评估和并发症等诸多方面。后续需要对实体间的逻辑和语义关系加以细致梳理，比如诊疗流程中的因果联系，治疗手段与医疗器械的对应规则，影像学特征同解剖结构的联系机制等^[28]。为保证本体设计的科学性和通用性，构建时须依照医疗领域的标准化规范，如SNOMED CT、RadLex等，利用统一术语执行概念映射，避免概念不清或者术语冲突造成的数据偏差^[29]。此外，本体设计需要对本体中的实体属性结构进行细化处理，确定数据类型、取值范围以及语义含义等内容，这样才能为推理和查询工作奠定坚实的基础。本阶段的建模方式大多以描述逻辑为主，借助形式化的语言表达本体并使其具备机器可读性，这类操作的好处是可以促进知识的动态发展，方便后续的知识图谱扩充和维护工作^[30]。

2.2.2 多模态数据的信息抽取与集成

在完成口腔正畸领域本体框架设计之后，接下来就可以对实体及其关联关系进行建模，由于口腔正畸学科的临床数据具有多元化特点，存在大量的非结构化病历记录、手写笔记，部分结构化或半结构化的病例表单、测量报告，还有多模态影像资料等复杂形式，要高效准确地把这些信息转化为知识图谱结构，可以综合运用AI技术策略。对于非结构化文本，可以借助NLP与信息抽取（information extraction，IE）模型，尤其是针对医学领域已进行精细优化的NER模型来识别各类临床概念，随后结合RE技术，解析实体间复杂语义联系^[31-32]。结构化的数据或者半结构化数据主要依赖预设映射规则或者自动化脚本，可以把它直接转换成知识图谱中实体的属性值或者与其他实体存在的某种联系^[33]。而在处理多模态影像数据时，则可以利用计算机视觉以及深度学习相关技术，精准地从影像中提取出头影测量点、骨性结构参数、牙齿定位等关键特征，并且将这些信息同患者或者医疗记录有效地结合起来^[34]。最后，采取多技术协同的信息提取流程，把分散异构数据切实转化为语义丰富、关联紧密的知识网络。在这个过程中，数据集成与统一是保证知识图谱质量的重要环节。由于口腔正畸学科临床数据来源广泛，不同来源的数据有着明显的术语体系差别以及信息表达形式的不同，在数据整合时会遇到困难，所以用实体对齐技术准确找出并统一描述同一个实体的不同属性特征，去除多余或者矛盾的信息，这样就能推动跨源数据较好地融合起来^[35]。依靠这种模式创建的知识图谱既能全面体现患者的临床表现和治疗经历，又能给精准医疗决策赋予非常关键的理论根基。

2.2.3 知识图谱的存储、管理与动态更新

高效可靠的数据存储管理和资源持续的动态更新是保障案例库知识图谱长期价值的关键要素。当下主流的知识图谱存储技术大多依靠专业图数据库（如Neo4j、JanusGraph）或基于RDF（resource description framework）模型的三元组存储库（如Apache Jena、Blazegraph）来开展数据管理^[36]。这种架构既可高效支撑大量数据的索引、检索以及遍历操作，又凭借SPARQL等查询语言达成复杂的路径匹配和关联推理任务，符合临床案例多层次、多维度关系的深入剖析需求^[37]。高效的图数据库可以为模式识别和AI应用提供良好的技术支持。值得一提的是，知识图谱的建设需要经过严格验证并不断更新，在验证上主要通过自动化规则和专家评审来保证实体和关系的正确、全面和一致。随着新的临床病例积累、诊疗技术的发展和知识更新，本体和图谱实例应不断扩充和修正，以保持图谱的实用性和时效性^[38]。

2.3 案例库智能检索

2.3.1 基于语义理解的深层检索技术

案例库的检索功能是连接教学需求与知识资源的纽带，它的智能优化旨在改进传统模式下根据关键词的浅层匹配，转向采用语义分析和逻辑推理技术执行的深层次信息提取。为了升级查询精确度，系统采用以Transformer为基础的架构，并融合预训练的BERT或者BioBERT模型^[39]，对医学文本进行深入的语义剖析。这些模型可察觉医学术语的微小差异、正确把握潜在的语义联系，并且依靠UMLS等医学知识库自动扩充检索范围，主要包含同义词、相关词汇以及上位类和下位类概念等，大幅改善检索速度和结果精确度^[40]。依靠口腔正畸临床知识图谱及其背后的推理机制和关联特性，检索系统利用深度遍历算法和图结构匹配技术，在庞大复杂的知识网络里做到精准查找。再者，融合基于规则的逻辑推理方法或者图嵌入技术，本平台可以深入挖掘数据中的隐含因果联系，治疗过程的动态发展规律以及病例特点之间的潜在联系^[41-42]。结合这类功能，在实际操作中系统就能找到具有特定错颌畸形类型，对应生长发育阶段且采取相同矫治手段得到相似效果的历史病例，以此满足教师和学生多方面的案例需求。

2.3.2 多模态检索与个性化案例推荐

为了让检索功能更加丰富，本系统整合了多模态融合技术，同时实现对影像学资源、文字记载以及结构化数据的综合查询，使用者可以用日常语言描述如“上颌前突合并下颌后缩”，或输入具体的数值范围如“ANB角大于5°”等，以此展开检索。依靠基于内容的影像检索（content-based image retrieval，CBIR）机制，系统对各类影像特性执行相似性比较，达成高效匹配并挑选出临床表现存在类似现象的病例样本，如此便极大地拓宽了检索维度和交互模式^[43]。为了实现个性化案例推送的功能，该平台利用协同过滤和基于内容的推荐算法，参照用户过去的查询经历、浏览情况等多方位数据，塑造涵盖知识水平、喜好趋向以及个性需求等多层面特征的用户肖像模型^[44]。按照预设参数，智能推荐系统就能快速锁定与学习者需求契合的口腔正畸案例及辅助教学资源。最后在检索结果显示阶段，强化学习推动的排序算法（learning to rank，LTR），可以实现个性化内容展示，按照用户专业类别、学习阶段及具体教学任务，动态调整案例优先顺序和推荐策略，有效地优化用户的体验感^[45]。

3 基于AI案例库的教学实践创新

对口腔正畸临床教学案例库实施智能化改造，其根本目的是推动教学模式和实践应用的深层变革。教学案例库从静态知识存储转变为动态且具备可交互性的教学赋能平台，依托AI技术的案例库能够实现智能诊断辅助并完成沉浸式的临床情景模拟，使得传统教学缺乏实践机会这一弊端得到有效弥补，促使理论知识同临床实践得以深入融合，从而提高了临床教学质量和教学效率。

3.1 智能诊断辅助

AI赋能的口腔正畸专业学位研究生临床教学案例库可以进一步同虚拟仿真平台、智能诊断辅助系统实施深度耦合，凭借案例库中丰富的多维临床数据和知识图谱，实时监测研究生在虚拟场景下的诊疗操作轨迹及其决策流程，通过对比以往病例数据和标准诊疗流程，精确判读研究生的临床操作表现^[46]。依靠案例库中不断更新的病例资源，智能诊断模块能够迅速给予学生关于诊断和治疗策略的反馈，并针对具体病例的特性，给出个性化的学习建议和资源支持。对于使用者表现出的知识薄弱点，教学案例库可推荐相关的教学视频或权威文献，由此研究生得以深入体会并快速修正操作技术^[47]。在这个阶段，学生能够对临床决策的原理进行更详细的剖析与理解，结合自我评价有目的地进行知识梳理和技能提升^[48]。

3.2 沉浸式临床治疗过程模拟

由AI驱动的智能案例数据库系统，可以将病例的时间序列数据和多维度临床信息加以整合，进而创建包含初诊评估、治疗方案设计、过程监测以及疗效反馈等关键环节的口腔正畸全流程模型^[49]。这使得口腔正畸专业学位研究生有条件在接近真实的虚拟环境中体验复杂多变的临床情景，并直观地观察各种临床决定对治疗结果产生的长远影响。这种身临其境的学习平台，准许学生在安全的范围内不断操作，大胆试错，很好地弥补了传统教学中缺少临床实践的机会。此类实践训练能够促进学生临床经验的快速积累，同时也增强了他们应对突发状况以及解决问题的能力。智能案例库具有很强的可配置属性，用于展示不同难度、不同类型的病例^[50]。学习路径可以由简单的基础病例循序渐进地过渡到复杂的疑难病例，或者根据研究生当前的学习进度以及知识掌握水平，智能地动态调整病例的难度和复杂度，确保研究生可以按照自己的节奏稳步提高临床技能。

4 结束语

AI技术的应用为口腔正畸专业学位研究生临床教学案例库的智能升级带来契机，推动了医学教育和临床实践紧密结合的新模式。借助多模态数据的深入搜集与标准处理、知识图谱的创建以及智能检索体系的优化完善，案例资源的结构化水平和应用效率得到了很大提升，这种更新冲破了传统案例资源零散化、静态存放的束缚，实现了数据的动态联系和个性化推送，给教学工作提供了全方位的支持。依靠AI技术的深度融合，使得临床课程变得越发生动并贴近实际情形，有益于口腔正畸专业学位研究生临床决策能力和综合素质的培育。教学形式的革新促使临床技能训练从被动接受变为主动探究，为达成个性化、智慧化的医学教育终极目标奠定基础。未来随着AI算法的持续发展，临床数据不断累积，案例库会具有更强的推理能力和自我完善功能，助力口腔正畸学科建设沿着更加准确高效的方向前进。综上，本文提出利用AI技术实现临床教学案例库的优化重构，为高等口腔正畸教育的智能转型提供了可行的方法和范式样本，赋能医学教育步入数据驱动、智能辅助的新时代。

参考文献

[1] 廖粤生, 王先亮, 冯晓露. 《教育强国建设规划纲要(2024-2035年)》的三重维度[J]. 教学与管理, 2025(18): 1-7.

[2] 国家教育数字化战略行动2025年部署会举行深入推动人工智能赋能教育变革[J]. 中国教育技术装备, 2025(7): 159.

[3] 钟雯婕, 贺章敏, 郑雷蕾, 等. 说课在口腔正畸学研究生课程思政改革中的应用探索[J]. 中国继续医学教育, 2024(10): 23-26.

[4] 艾婷婷, 郑金绚, 陈冬茹, 等. CBL联合TBL教学法同步培养口腔正畸专业研究生临床和科研能力的效果研究[J]. 中华口腔医学研究杂志(电子版), 2021(2): 114-118.

[5] SHAFIQUE A, REHMAN A UR, IBNERASA S, et al. Case-based learning in undergraduate orthodontic ed-ucation: A cross sectional study[J]. MedEdPublish, 2024, 14: 29.

[6] 苏娇溶. CBL教学法在“临床综合技能”课程教学中的应用[J]. 西部素质教育, 2025(7): 161-165.

[7] 徐志鹏. 面向深度学习应用的医学影像快速标注系统的研究与实现[D]. 合肥: 安徽中医药大学, 2020.

[8] 范勇, 张政波, 王晶. 基于深度学习的电子病历多模态数据融合研究进展[J]. 生物医学工程学杂志, 2024(5): 1062-1071.

[9] 闫寒冰, 杨淑婷, 余淑珍, 等. 生成式人工智能赋能沉浸式学习: 机理、 模式与应用[J]. 电化教育研究, 2025(2): 64-71.

[10] WU B, LIU L. Personalized hybrid recommendation algorithm for MOOCs based on learners’ dynamic preferences and multidimensional capabilities[J]. Applied Sciences, 2023(9): 5548.

[11] CHATURVEDI A, KAUR J. Leveraging advanced AI agents for unified electronic health records: A novel approach to healthcare interoperability[J]. IEEE Transactions on Consumer Electronics, 2023(1): 1363-1370.

[12] MA M W, GAO X S, ZHANG Z Y, et al. Extracting laboratory test information from paper-based reports[J]. BMC Medical Informatics and Decision Making, 2023(1): 251.

[13] 胡钦太, 伍文燕, 冯广, 等. 深度学习支持下多模态学习行为可解释性分析研究[J]. 电化教育研究, 2021(11): 77-83.

[14] 佘杨杨, 陈洁玉, 高峰, 等. 深度学习在口腔颌面部影像诊断领域的研究进展[J]. 中华口腔医学研究杂志(电子版), 2021(3): 185-188.

[15] 傅春燕, 熊晖. 人工智能在口腔正畸学中的应用[J]. 南昌大学学报(医学版), 2023(6): 90-94.

[16] LEE J, YOON W, KIM S, et al. BioBERT: A pre-trained biomedical language representation model for biomedical text mining[J]. Bioinformatics, 2020(4): 1234-1240.

[17] PARK Y J, LEE M A, YANG G J, et al. Web interface of NER and RE with BERT for biomedical text mining[J]. Applied Sciences, 2023(8): 5163.

[18] 赵丹丹, 张俊朋, 孟佳娜, 等. 基于预训练模型和混合神经网络的医疗实体关系抽取[J]. 北京大学学报(自然科学版), 2023(1): 65-75.

[19] 凌佳君, 刘宇, 顾进广. 面向互联网问诊文本的医疗事件时序关系抽取[J]. 计算机应用与软件, 2023(11): 186-193.

[20] QIN R, WANG Y. ImputeGAN: Generative adversarial network for multivariate time series imputation[J]. Entropy, 2023(1):137.

[21] 李祥霞, 谢娴, 李彬, 等. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021(18): 24-37.

[22] 张永, 刘昊双, 章琪, 等. 基于特征校正的多对抗域适应方法[J]. 电信科学, 2024(1): 71-82.

[23] 王子斌. 基于迁移学习的跨领域数据分类方法研究[J]. 大数据时代, 2025(2): 39-43.

[24] 白伍彤, 陈兰香. 基于差分隐私的健康医疗数据保护方案[J]. 计算机应用与软件, 2022(8): 304-311.

[25] 管桂林, 陶政坪, 支婷, 等. 面向医疗场景的去中心化联邦学习隐私保护方法[J]. 计算机应用, 2024(S2): 112-117.

[26] GU X, SABRINA F, FAN Z, et al. A review of privacy enhancement methods for federated learning in healthcare systems[J]. International Journal of Environmental Research and Public Health, 2023(15): 6539.

[27] HONG F, YANG L, MEI Z, et al. Enrichment analysis and deep learning in biomedical ontology: Applications and advancements[J]. Chinese Medical Sciences Journal, 2025(1): 45-56.

[28] 何美娜, 胡慧, 毛树松, 等. 护理领域知识图谱研究进展[J]. 护理研究, 2025(8): 1402-1408.

[29] 郝惠娟, 杨喆, 刘丹红. 基于信息模型的本地医学术语与SNOMED CT的映射方法探索[J]. 中国数字医学, 2019(4): 29-32.

[30] 张驰. 基于领域本体的构件形式化描述与检索的研究[D]. 昆明: 昆明理工大学, 2018.

[31] HOSSAIN E, RANA R, HIGGINS N, et al. Natural language processing in electronic health records in relation to healthcare decision-making: A systematic review[J]. Computers in Biology and Medicine, 2023, 155: 106649.

[32] 包小源, 黄婉晶, 张凯, 等. 非结构化电子病历中信息抽取的定制化方法[J]. 北京大学学报(医学版), 2018(2): 256-263.

[33] 陈迪雅. 基于半结构化数据的领域知识图谱的构建与应用[D]. 北京: 北方工业大学, 2024.

[34] BAYOUDH K, KNANI R, HAMDAOUI F, et al. A survey on deep multimodal learning for computer vision: advances, trends, applications, and datasets[J]. Visual Computer, 2022(8): 2939-2970.

[35] 丁瑞卿, 赵俊峰, 王乐业. 综合实体语义和本体信息的多源中文医疗知识图谱实体对齐[EB/OL]. 软件学报, (2025-04-27)[2025-06-27].

[36] 杨观赐, 许彪, 罗可欣, 等. 知识图谱技术综述: 构建、 推理及典型应用[J]. 贵州大学学报(自然科学版), 2025(2): 1-10.

[37] 肖竹军. 基于SPARQL的RDF数据节点间关系路径检索[J]. 微型机与应用, 2011(9): 50-53.

[38] 刘寄甲. 领域知识图谱构建与实体更新技术研究与应用[D]. 西安: 西安电子科技大学, 2024.

[39] 刘涛. 基于BioBERT混合模型的医学命名实体识别方法研究[D]. 北京: 北京化工大学, 2022.

[40] MAREE M, NOOR I, RABAYAH K S, et al. Head concepts selection for verbose medical queries expansion[J]. IEEE Access, 2020, 8: 93987-93999.

[41] MOHAMED S K, NOUNU A, NOVACEK V. Biological applications of knowledge graph embedding models[J]. Briefings in Bioinformatics, 2021(2): 1679-1693.

[42] 单晓欢, 蒋建涛, 陈泽, 等. 联合规则推理模式和事实嵌入的知识图谱推理[J]. 模式识别与人工智能, 2024(10): 923-935.

[43] 马广迪, 杨为琛. 基于CNN-CBIR的遥感图像分类检索方法[J]. 北京测绘, 2021(5): 634-639.

[44] SALMAN H, POWELL L, ALSUWAIDI L, et al. Profiling of learners in medical schools as a move toward precision education: Protocol for a scoping review[J]. JMIR Research Protocols, 2022(10): e41828.

[45] 官蕊, 丁家满, 贾连印, 等. 基于强化学习的多样性文档排序算法[J]. 计算机工程与科学, 2020(9): 1697-1703.

[46] 李宁, 郭晓云, 廖海, 等. 虚拟仿真教学平台在核医学实践教学中的应用研究[J]. 中国继续医学教育, 2025(1): 17-22.

[47] 刘宝刚, 李玉芳, 王晓萌, 等. 人工智能在口腔疾病诊断中的研究进展[J]. 口腔颌面修复学杂志, 2025(2): 149-154.

[48] 卞佳, 王红霞, 李泉, 等. 人工智能辅助诊断系统在医学影像诊断学实践教学中的应用研究[J]. 中国高等医学教育, 2024(11): 103-104.

[49] 樊琪, 朱锦怡, 龙虎. 人工智能在正畸教学中的应用[J]. 中国美容医学, 2024(2): 191-194.

[50] 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.

基金资助

重庆市研究生教育教学改革研究项目(yjg243054)

重庆医科大学教育教学研究项目(xyjg230204)

重庆医科大学口腔医学院教育教学研究项目(KQJ202401)

重庆医科大学口腔医学院教育教学研究项目(KQJ202301)