人工智能（artificial intelligence，AI）是一门新的技术科学，旨在开发和应用能够模拟、延伸和扩展人类智能的理论、方法和技术，包括机器人、自然语言处理、语音和图像识别、专家系统等。人工智能涉及多个学科，如计算机科学、数学、控制论、语言学、心理学和哲学等。人工智能可以分为弱人工智能和强人工智能：弱人工智能专注于特定领域的问题解决，而强人工智能则是指具有全面的认知能力，能够在多个领域进行深度学习和推理，甚至超越人类的智能水平。目前，人工智能的应用领域也在不断扩大，包括自动驾驶、智能家居、医疗保健、金融服务、教育等。同时，人工智能技术也在不断进步，如深度学习、机器学习等，使得计算机能够更好地模拟人类的思考和行为
[1-6]。
2020年，中国标准化管理委员会《国家新一代人工智能标准体系建设指南》中，提出了覆盖智能诊断、健康管理、医疗机器人等领域技术标准的医学AI标准框架。中国人工智能在医学领域的核心应用主要包括医学影像智能分析、临床辅助决策系统（CDSS）、药物研发与精准医疗和智能健康管理等几个应用场景。中国在基于深度学习的CT、MRI、X线图像分割与病灶识别（如肺结节、乳腺癌、脑卒中病灶检测）等技术方面取得了较大的进展。腾讯的Miying平台通过图像分割、特征提取和分类算法，自动标注病灶位置，可检测肺结节，灵敏度达97%。谷歌DeepMind开发的乳腺癌筛查系统，误诊率比人类放射科医生低11.5%
[7]。临床辅助决策系统通过实时分析患者生命体征、用药记录和最新指南，提供动态治疗建议。例如，约翰霍普金斯医院的AI模型预测脓毒症风险，使患者生存率提高20%
[8]。AI将新药研发周期从13年缩短至8年，成本降低75%。AI生成的药物分子在I期临床试验成功率高达80%~90%，远超行业平均水平。Tempus平台通过整合基因组数据（如全基因组测序）、代谢组学分析和临床记录，预测患者对特定疗法的反应，已为超过50万癌症患者定制治疗方案
[9]。慢性病动态监测与管理使得患者通过智能手环、血糖仪等可穿戴设备，实时采集心率、血压、血糖等生理数据，实现糖尿病患者的血糖波动预测、高血压患者的用药依从性提醒，实现AI智能健康管理
[10]。AI技术融合基因数据、生活习惯、环境因素等多维度信息，构建疾病风险模型，实现心脑血管疾病、癌症的早期预测。AI使用病人的体质数据生成个性化饮食计划（如低GI食谱推荐）和运动处方，通过语音识别和自然语言处理分析情绪波动，最终形成个性化健康干预方案。AI还可以通过利用时空数据分析传染病传播趋势，通过模拟突发公共卫生事件下的医疗资源配置方案，参与公共卫生决策支持。
2023年，随着ChatGTP等大语言模型工具的问世及其不断的发展更新，使得人工智能以一种不可逆转的方式进入医学专业各个领域。中国自主研发的DeepSeek等AI大模型的横空出世，标志着中国AI相关性研究进入国际领先水平。在人工智能技术快速发展的背景下，医学教育亟须构建“AI+医学”的融合教育体系，以培养具备数字素养的新一代医学人才。探讨如何高效地将人工智能融入医学教育，可以为未来的医学生打好数字基础，培养数字素养
[1-4]。医学研究生作为医学临床研究和基础研究的主力军，在未来势必会参与许多AI工具的研发和使用。研究生们对于AI的了解以及AI发展趋势的态度，从一定程度决定了未来研究生医学教育的走向。
本研究通过问卷调查初步了解医学研究生对于人工智能理念的理解，学生对于人工智能对医学职业影响的预测。问卷获得的结果和分析对于解决目前医学教育中亟待解决的问题，例如如何在医学本科教育和研究生教育中融入涵盖AI诊断工具原理（如影像识别算法）、医疗大数据分析基础及AI伦理等课程，建立AI时代的医学胜任力评估体系，提升医学生准确掌握AI运算的基本原理，运用AI工具解决临床问题的能力，同时又避免陷入“唯技术论”陷阱，最终实现“AI赋能教育，教育重塑医疗”的良性循环。
1 1 研究对象与方法
1.1 研究对象
本文以中南大学湘雅医学院2024级一年级全体专硕和学硕980人为研究对象，按照20%的比例在研究生中进行随机抽样，通过问卷调查了解新生对于人工智能的基本理念及人工智能运用于医学教育及发展的看法。
1.2 问卷调查
当前医学教育中缺乏医学研究生对人工智能认知与态度的系统性评估工具，尤其是针对临床医学研究生的AI技术接受度研究。调查问卷是在对现有可用文献基础上进行审查开发的。开发适用于中国医学研究生的AI态度评估工具，聚焦其对AI的认知水平、应用态度、教育需求及职业影响预测。调查问卷包括两个部分：第一部分聚焦于医学生对人工智能（AI）的核心态度，包含16个题项。这些题项采用李克特5级量表进行测量（1=强烈反对，5=强烈同意），评估的关键维度包括：AI对医学知识获取的影响、AI在临床决策中的作用、AI对未来职业发展的意义以及相关的伦理关注。同时，该部分也调查了受访者既往接触AI教学的基本情况。第二个部分为开放性问题，共含有三个开放性问题。调查问卷设计符合基础伦理规范；并且将问卷发放给急诊医学、心脏病学、临床信息学、计算机科学和人工智能等研究领域的教师进行评估。最终问卷选项填入问卷星，196名随机抽样的中南大学湘雅医学院2024级研究生通过扫描二维码进行问卷作答。问卷采取自愿参与问答的形式，学生自愿参加且知情同意。
1.3 开放性问题的设置和答案的质性分析
两名调查人员对问卷开放性问题答案文本进行主题分析：对文本进行迭代编码，通过使用开放编码技术，将开放性问题回答的文本分类在不同的概念类属。在调查问卷中发放学生关于人工智能的发展对医师的工作保障态度调查后，问卷发放了一个开放性问题：“请简要解释为什么你认为人工智能的发展会如此影响医师职业”，学生对此问题进行回答。在问卷问题“鉴于人工智能的发展，你考虑继续从事医学职业的可能性有多大？”之后，发放了第二个开放性问题：“请简要说明选择上述答案的原因”。问卷的第三个开放性问题设置在文末，问题为“请准确描述你对医学中人工智能的任何想法或评论”。回答的开放问卷非结构化文本数据等导入NVivo质性分析软件。两位研究者同时采用开放编码技术对评论进行迭代式编码：先反复阅读文本，逐行进行初始编码，通过贴标签（coding）标记文本中的关键概念。两位研究者独立编码后比对结果，通过讨论解决编码差异，合并重复编码，调整编码框架，将关联编码聚类形成子主题，通过不断比较，提炼核心主题。
2 结果
2.1 调查问卷发放回收情况
此次研究随机抽样的196名学生扫描问卷二维码，共收到168份回答，问卷回收率为85.7%。回收问卷中有效问卷160份，8份问卷因为回答部分缺失未通过检测，有效率为95.2%。
2.2 学生对于人工智能的态度和熟悉的人工智能工具调查
95.6%的学生对人工智能感兴趣；69.0%的学生表明自己了解人工智能的基本概念；26.1%的学生了解人工智能的基本计算原理；59.5%的学生了解人工智能的局限性；35.6%的学生接受过人工智能相关的教学。
进一步调查学生对人工智能相关工具的熟悉程度，其中DeepSeek、Kimi、豆包、GPT-4、质谱清言为学生选出的五个最为熟知的人工智能相关工具（如
表1所示）。
2.3 学生对人工智能对于医学职业的影响和预测
对于所有的医学专业，学生认为医疗管理、病理学、职业与环境医学、放射学、公共卫生医学受人工智能的影响最大。外科学、急救医学、麻醉学、儿科医学、精神病学受人工智能的影响最小（如
表2所示）。
结合不同专业的学科特点，受人为因素干预较多的学科在将来的医学发展中被替代的可能性最小，而受计算、形态识别等干预较多的学科极其容易被AI替代。15.4%的学生很担忧人工智能的发展对于医师工作的职业保障，66.7%的学生对人工智能的发展对于医师工作的影响保持中立，17.8%的学生不担忧人工智能对于自己职业的影响。82.1%的学生认为人工智能将从总体上改善医学；56.4%的学生认为在自己的有生之年，一些医学专业将被人工智能所取代。
2.4 学生对于人工智能运用于医学教育的预测和期许
83.0%的学生认为人工智能教育应该是医学培训中的一部分。大部分学生认为人工智能是一把双刃剑。人工智能可以在科研以及临床上带来很大的便利，但是人工智能是不会替代医师的，尤其是针对复杂的病情。94.5%的学生提出如果临床设备使用人工智能，希望得到相关学习培训；68.5%的学生希望自己能够推翻人工智能工具的建议；93.0%的学生认为人工智能将在医学中发挥重要作用；82.1%的学生希望自己将来进行临床工作时，会使用人工智能工具。
2.5 AI开放性问题的相关质性研究
问卷调查中还提出了三个开放性问题，主要探讨了AI对于医生未来的工作、医学教育会有哪些影响，共有34名学生回答了这个问题。通过对原始回答的数据逐行编码和分析，学生主要认为AI只是一个工具，AI将对医学产生重大影响，但是不会取代医生。还有学生认为发展变化是生活的常态，医生需要适应新技术的变化（如
表3所示）。
3 讨论
人工智能目前可以帮助医师进行病理、体检报告等的统计，计算机通过“学习”相关的专业知识，模拟医师的思维和诊断推理，从而给出可靠诊断和治疗方案。AI通过大量学习医学影像，可以帮助医师进行病灶区域定位，减少漏诊误诊问题。智能假肢、外骨骼和辅助设备等人工智能技术修复人类受损身体，医疗保健机器人辅助医护人员的工作等。通过计算数百万患者的大数据信息，人工智能系统可以快速、准确地挖掘和筛选适合的药物。根据患者的基因、病史等信息，提供精准的个性化治疗方案。人工智能已在多维度介入医学领域
[1-4]。
本研究通过问卷调查揭示了中南大学湘雅医学院研究生对人工智能（AI）的认知、态度及对其医学职业影响的预测。结果显示，95.6%的学生对AI表现出浓厚兴趣，但仅有35.6%接受过相关教学，凸显医学教育中AI培训的缺位。学生普遍认为医疗管理、放射学等依赖数据分析和模式识别的专业受AI影响最大，而需要复杂临床决策的外科、急救医学等受影响较小（如
表2所示）。这一结果与国际研究的发现部分一致
[5]，但差异体现在学生对急诊医学的“低替代性”认知上，可能与我国急诊病例的复杂性和多因素干预需求有关。值得注意的是，66.7%的学生对AI的职业影响保持中立态度，仅15.4%的学生担忧职业替代风险，提示多数学生认可AI的工具属性，与质性分析中“AI是医师助手”的主题高度吻合（如
表3所示）。
问卷调查结果显示，83.0%的学生支持将AI纳入医学培训，但当前仅35.6%的学生接受过相关教学，印证了学生对AI工具使用培训的强烈需求（94.5%希望临床AI设备配套培训）。这一矛盾呼吁院校参考国内外实践
[11-13]设置合适的与临床研究生相匹配的AI课程，加速开发整合型AI课程。目前，在中国开发的AI课程，如浙江大学提供真实医疗数据用于教学，学生参与开发眼科疾病筛查模型等AI辅助诊断工具的开发和运用。清华大学开设的“医学人工智能”，聚焦AI在影像诊断、基因组学中的应用。上海交通大学医学院在本科生中开设的“医学人工智能与大数据”等必修课，通过虚拟病例库训练学生使用AI辅助决策。课程教学结果显示：学生普遍掌握AI工具在医学场景中的基础应用，学科交叉能力显著提升。哈佛大学在医学数据和科学硕士课程中开设了“机器学习与医学应用”“医疗AI伦理”等核心AI课程。通过医学院、工程与应用科学学院、公共卫生学院等实现跨院校合作教学与实践，学生在
The New England Journal of Medcine,
The Journal of the Amarican Medical Association等顶级期刊发表多篇论文。牛津大学对临床医师和工程师开设人工智能影像短期课程；与DeepMind合作，使用AlphaFold等工具教授蛋白质结构预测。美国麻省理工学院在医学工程与医学物理课程中融入AI模块，学生开发的ICU败血症预测系统获FDA批准试点。加拿大多伦多大学依托Vector Institute（全球顶尖AI研究机构），提供深度学习与医学结合的尖端课程
[13-15]。这些AI融合式学习将医学、计算机科学、统计学和伦理学进行深度交叉，强调产学合作、临床实践与伦理合规。国内外大学将AI与医学专业教育多维度、深层次结合，学生的就业率显著提高，科研转化率及行业影响力也得到了深度发展。如何加速在中国医学研究生培养中AI课程的广泛开发与运用，是目前研究生教学中一个亟待重点研究的方向。
在本研究中，学生对AI伦理问题的低关注度（仅13%提及伦理中立性），与目前国外文献中描述的当前AI中伦理教育缺位相符合
[16-18]。目前，由于AI算法偏见导致诊疗建议不公、虚拟患者数据隐私泄露、医疗数据跨境传输违规、临床模拟场景超出法规许可范围等伦理和法规滞后等问题引起医学教育界的广泛关注，目前可行的规则有聚合各国医疗AI法规，通过NLP提取关键条款并标注应用场景。教师在上传病例数据时，AI自动比对数据来源、脱敏程度与目标地区法规，标记潜在违规项。通过构建AI伦理专项课程，将AI伦理中的公平性、透明度、可问责性、隐私保护四原则深度融入课程教学目标
[17-20]。在AI课程构建过程中，需要开发AI虚拟导师，模拟各领域专家授课与答疑，结合真实医师案例库，提供多学科视角的临床决策训练。教学方式可以采取虚拟导师模拟伦理困境，在伦理决策训练过程中，可以通过分支剧情选择，实时反馈伦理评分。当学生操作触发伦理风险（如未经同意调取模拟患者数据），AI即时弹出警示并生成案例报告。由医学教育联盟发布AI教学工具伦理协议范本，通过构建“法规-技术”协同的动态合规框架来适配动态状况下的伦理和法律要求。通过不断更新和完善相关的法规和伦理标准，确保AI技术在医学教育中的应用符合道德和法律要求。在克服数据隐私和安全、技术可靠性和准确性、教育者和医学专家的参与和合作以及法规和伦理问题等障碍后，还需要学术界、企业和监管机构之间进行合作，以建立统一的标准、框架和指导原则。目前，AI相关性伦理研究的短期研究优先解决“数据隐私保护”与“算法透明性”问题，开发轻量级伦理审查工具供院校快速部署。通过跨学科伦理委员会定期审核AI教学内容与工具，发布行业规范，医学教师学习AI伦理，工程师接受医学伦理培训，推动AI伦理成为医学教育认证的核心指标。建立“伦理学分”制度，与医师执业资格挂钩，是目前相关专家认为解决AI医学教育伦理的长期解决手段和方式。
在本研究中，从
表1可见学生对AI工具的熟悉集中于通用模型（如GPT-4、DeepSeek），但临床专用工具（如医学影像AI）认知有限。实现提高临床研究生的数字化胜任力，提高AI结合能力的最佳手段是实行跨学科融合。通过系统化的开发结合医学与AI的课程模块，如“医学数据分析”“AI在影像诊断中的应用”等，组织跨学科的教师团队，促进医学与计算机科学教师的合作教学，与企业合作建立实验室或实习基地，提供真实医疗数据的分析项目，鼓励学生参与开发医疗AI工具。通过构建以需求为导向、以实践为纽带，课程重构、资源整合、伦理赋能和动态评估，构建“学-研-产-用”闭环跨学科研究项目，最终推动实践落地，AI深度融合医学教育。
本研究的数据仅来自单一医学院校，样本量较小（n=160），可能受地域文化和院校课程设置的影响，结论的普适性需多中心研究验证。方法学依赖自我报告问卷，可能存在社会期望偏倚；开放性问题回答率较低（34/160），质性分析的深度受限。未来可结合访谈或焦点小组补充数据。横断面设计无法追踪学生态度随临床经验增长的动态变化，后续研究需纳入不同年级学生进行对比。后期研究通过扩大样本量，对不同年级的学生进行动态研究，能够为针对不同专业（如放射学与外科学）定制AI教学内容。AI深度介入医学教育是未来医学发展的大势所趋。在解决AI的伦理、培训和基础设施问题后，按照医学教育的规律，深度且多维度地将AI融入医学生培养，将会为教育者和医学专家提供更好的支持和工具，培养具有良好数字素养、懂AI技术、守伦理底线、明法律边界的高质量医学人才。
2024年湖南省普通高等学校教学改革研究重点项目“新医科背景下医学生数字化胜任力的培养探索”(202401000356)
2022年湖南省学位与研究生教学改革立项“医教协同下临床医学专业学位硕士研究生专业实践培训模式探索与实践”(2022JGYB024)
2023年中华医学会医学教育分会和全国医学教育发展中心医学教育研究项目“新医科背景下混合式学习模式的设计与实施”(2023B352)
京公网安备11010202008535号
PDF
(570KB)
