面向医学影像专业的人工智能实践课程教学探索与实践

Exploration and practice of teaching in artificial intelligence practical courses for Medical Imaging majors

摘要

目的 以医学影像专业本科生为对象，探索人工智能实践课程教学模式。 方法 通过设计医学影像人工智能任务，采用“案例引导—任务驱动—方案设计—实践验证”四阶段教学法，将理论、实践和具体临床应用场景有机结合。在教学过程中，学员通过具体任务实践，系统掌握机器学习与深度学习基础理论，培养其医学课题设计与临床问题解决能力。 结果 典型临床案例引导的任务驱动型教学模式可显著提升学员学习主动性，93.3%的学员对课程的教学设计表示满意，认为对专业学习有很大帮助。 结论 该教学模式能有效激发学员学习兴趣，案例教学与分组协作对跨学科能力培养具有促进作用，可为医学院校开展人工智能实践课程教学提供参考。

Abstract

Objective This study investigates an instructional framework for artificial intelligence (AI) practical courses tailored to undergraduate Medical Imaging majors. Methods By systematically integrating AI-driven medical imaging tasks within a four-stage teaching mode of “case guidance-task-driven-solution design-practice verification”, the research harmonizes theoretical knowledge, practical skills, and clinical relevance. During the teaching process, students acquire proficiency in machine learning and deep learning principles while cultivating competencies in project design and problem-solving within medical contexts. Results This task-driven teaching mode based on typical clinical cases can significantly improve students’ learning initiative. 93% of students were satisfied with the teaching design, and approved its effectiveness in improving academic learning. Conclusion It is evident that the teaching mode can effectively stimulate learning interest. Case teaching and group collaboration play a positive role in the cultivation of interdisciplinary abilities and can provide a reference for medical colleges and universities to conduct artificial intelligence practical courses.

Graphical abstract

关键词

医学影像 / 人工智能 / 实践课程 / 教学探索

Key words

Medical Imaging / artificial intelligence / practical courses / teaching exploration

近年来，我国先后出台多项政策推进医疗领域人工智能（artificial intelligence， AI）应用与复合型人才培养。2017年，《新一代人工智能发展规划》^[1]率先提出要大力加强人工智能领域的高端人才培养，特别是在医疗等关键行业。2020年，国务院办公厅发布《关于加快医学教育创新发展的指导意见》^[2]，明确要求推进“医学+X”多学科背景培养模式，促进医工交叉融合，推动我国培养具有国际视野的高层次创新医学人才。2024年，国家卫生健康委办公厅等印发的《卫生健康行业人工智能应用场景参考指引》^[3]为医学教育领域应用人工智能技术提供了具体的应用场景和参考方向，鼓励在医学教育中探索和应用人工智能技术，提升医学教育质量和效率。

随着AI技术的快速发展，其在医疗领域的应用越来越广泛，尤其是医学影像领域。AI技术的发展为医学影像的读取、分析和诊断提供了重要支撑，极大地提升了医疗诊断的效率与准确性^[4-5]。掌握AI技术成为影像医师实现从“经验判断”到“量化决策”跨越、从“辅助科室”向“智慧医疗核心”转型的关键。然而，要实现AI技术在医学影像中的广泛落地与应用，亟须培养既通晓医学影像又掌握AI实践应用的复合型专业人才。因此，在医学影像专业中开展人工智能实践课程，可有效对接“医学+AI”人才培养政策要求，构建医工融合的知识体系，培养符合人工智能时代需求的复合型医学影像人才，帮助学员更好地适应未来职业发展。

1 当前医学影像专业人工智能课程教学存在的问题

医学影像专业不仅要培养学员掌握医学影像前沿技术的基本知识，还要培养其医学影像信息采集、分析和处理的能力。专业技能应用性强，注重实践，最终以学员能够运用医学影像分析解决实际临床问题为目标。在当前AI赋能的时代，已有许多高校^[6-9]针对医学影像专业课程进行了教学改革，利用AI技术辅助专业教学的各个环节，提高教学质量；也有医学院校对本科生人工智能通识课程教学进行了探索^[10]，以提高医学生应用AI技术分析和解决本领域问题的能力。然而，当前医学院校尚未系统开设针对医学影像专业的人工智能实践课程，导致学员难以有效整合医学影像与AI技术，无法培养出具备跨学科实践能力的复合型医学影像人才。

近年来，陆军军医大学面向本科生开设了人工智能实践课程，对医学院校人工智能实践课程体系进行了探索^[11]，并对基于案例式的教学模式进行了实践^[12]。但针对医学影像专业，前期的人工智能实践课程体系设置尚不完善，学员理论基础知识储备不足，在理论与实践结合方面欠缺系统性的指导，尤其缺乏贴合专业需求的教学模式与实践路径，难以满足医学影像专业对复合型人才的需求。一方面，医学影像本身具有高度专业化的特点（理论难度高、知识体系复杂），学员又普遍缺乏人工智能基础知识和编程实践经验，这加大了学员在医学影像与AI交叉领域的学习难度；另一方面，在有限的课时内让学员掌握人工智能课程中所涉及的抽象原理和复杂算法挑战较大，常规的课程教学通常偏重基础算法与模型理论的讲解，实践时间相对较少：这种理论与实践的分离，导致不少学员难以将所学AI知识有效运用到真实医学场景之中，是人工智能实践课程教学的主要瓶颈。

因此，在面向医学影像专业的人工智能教学中如何合理设计实践课程是当前教学改革研究中的关键问题。首先，这类实践课程需要在深度与广度上实现平衡，内容既要涵盖AI在医学影像领域最前沿的应用，也要结合能够快速上手的AI实践技能；其次，教学方法需要创新，包括利用真实医学案例中的影像数据、高性能计算服务器等工具，提升学员的学习体验和应用能力。基于此，本研究聚焦于人工智能实践课程的教学探索与实践，旨在面向医学影像专业开发优化的教学模式，尤其以医学任务驱动的教学方法为理论视角，通过设计真实医学场景任务激发学员的学习兴趣，提升其解决实际临床问题的能力，期望能够通过科学的课程设计与实践框架，解决当前教学中的痛点问题，为人工智能融入医学教育提供新路径，加强医学影像领域人才培养的针对性和实效性，同时为教育改革和学科交叉提供理论和实践参考。

2 典型临床案例引导的任务驱动型教学模式探索

面向医学影像专业本科生开展人工智能实践课程，需要针对专业特点以及人工智能实践课程教学实际，设计专门的教学内容并对传统的教学模式进行改进。对教学内容进行整合优化，否则较多的人工智能抽象理论和复杂算法会导致学员对该课程失去兴趣，降低学习效率。此外，还需要针对医学影像专业特点，对教学设计和方法进行改进，在保证学员学习积极性的前提下，帮助其了解目前人工智能辅助医疗方面的前沿进展和原理方法，使其具备应用所学方法设计研究方案、解决医学问题的能力。

结合领域趋势来看，一些具有标志性的AI医学应用案例^[13-14]为医学影像专业的人工智能实践课程教学提供了新的思路。以四川大学附属华西医院团队开发的中国肺结节报告和数据系统（C-Lung-RADS）为例，通过AI实现了肺结节恶性肿瘤风险评估，特别是提高了极高危结节的诊断准确性^[15]，为医学影像与人工智能的深度融合奠定了坚实基础。因此，我们的人工智能实践课程体系需围绕医学影像专业学员未来发展需要，秉持“以学员为中心”的教学理念，以职业需求和临床案例为导向，充分调动学员的积极性与主动性，启发学员主动探究，引导学员从多方位、多角度思考，并结合多种手段解决临床问题。

具体来说，在面向医学影像专业的人工智能实践课程设计中，我们采用任务驱动型教学模式，如图1所示，其核心架构分为三个维度：首先在顶层设计上，以医学影像领域的实际问题为导向，通过选择典型临床案例构建教学情境，建立专业知识与应用场景的强关联；其次，在教学内容层面，系统覆盖医学影像智能处理的关键任务（如疾病分类、影像分割、病灶检测等），通过解析人工智能在医学影像处理领域的应用实例，帮助学员构建机器学习和深度学习的理论方法体系；最后，在实践层面，通过“案例引导—任务驱动—方案设计—实践验证”的四阶段训练流程，引导学员在复现经典算法的基础上，自主完成医学影像智能分析模型的构建与优化。这种一体化的课程体系不仅能够深化学员对专业知识的理解，更着重培养学员面向临床需求的AI解决方案设计能力。

3 任务驱动型人工智能实践课程教学实践和效果

3.1 教学内容及设计

课程面向陆军军医大学医学影像专业2021级和2022级学员开展实施。该课程共30学时，其中理论教学3学时，研讨3学时，实践24学时。构建了“以练促学”的课程内容，主要包括三个部分：背景知识、基础技能和专业技能。背景知识专题安排3学时理论授课，主要介绍人工智能、深度学习的基本概念及其在医学中的应用，目的在于帮助学员了解相关基础概念和实际应用，激发学员学习兴趣，提高学习积极性；基础技能专题安排6学时实践授课，主要介绍Python编程基础知识，帮助学员快速了解Python基础和医学数据处理和分析技巧，并设置验证类实验供学员练习，为后续实践课程奠定基础；专业技能专题安排3学时文献研讨交流及18学时实践授课，主要通过文献汇报讨论交流机器学习以及不同深度学习任务（分类、分割与目标检测）的项目开发基本流程，借助课程案例库开展教学实践，具体教学安排如表1所示。

该课程教学采用“分组实践”的方法组织学员进行课程案例的学习与实践，引导学员按照人工智能项目实践中所涉及的数据准备、算法编程和论文撰写等任务进行分工，帮助学员构建自己的研究团队，发挥每位组员的主观能动作用。在课程的实践教学过程中，首先进行基础理论讲解，以不同的医学场景应用任务，引导学员思考如何分析问题，然后配合相应的实践练习，帮助学员深入理解理论知识，在实践练习过程中体会算法原理并运用其解决相关的任务问题。在课程教学过程中适时收集学员反馈意见，灵活调整相应教学内容及课程进度。在课程的最后，学员分组对课程学习和项目实践任务完成情况进行总结和汇报，交流在临床中应用人工智能的认识体会，帮助教员更好地评价教学效果，形成教学闭环。具体的教学过程设计如图2所示。

在背景知识模块中，以具体的临床应用激发学员兴趣，建立专业知识与应用场景之间的关联，充分利用网络资源，例如科普动画、中国大学MOOC、国家精品课程在线学习平台和教员录制的微课等形式，帮助学员理解难懂的知识。因医学影像专业学员前期已学习“C语言程序设计”课程，并且正在学习“医学图像处理”课程，学员具备基本的编程基础知识，对医学图像处理有一定认识，在教员的引导下，对课程的基础技能模块较容易掌握。在专业技能模块，首先通过研讨课借助文献帮助学员掌握人工智能项目开发基本流程和科研论文写作基本框架等内容，然后创设临床案例，引导学员从临床问题入手，设置任务，驱动其使用人工智能方法设计解决方案，培养学员分析问题、解决问题的能力，学员分组协作完成实践任务，帮助学员快速掌握实践技能，培养其团队协作和沟通能力。整个过程“以学员为主”，学员在实践过程中，表现积极主动，基本能够完成每次课的实践练习任务，特别是对机器学习应用案例的研究思路有深刻的认识。

3.2 教学效果及评价

由于本课程属于实践类课程，因此对学员学习效果的评价采取形成性评价（50%）与终结性评价（50%）结合的方式。形成性评价主要包括课堂到勤率（15%）、课堂积极性（15%）和文献研讨汇报成绩（20%），终结性评价采用分组PPT汇报的方式实施，其中PPT内容准确性和完善性占25%，PPT形式质量占10%，汇报表达情况占15%，旨在从各方面考查学员的知识、能力与素质。从课堂表现来看，学员在与具体临床应用场景紧密结合的任务驱动下，学习积极性高、主观能动性强。从课程课终成绩（图3A）来看，6名学员成绩在90分以上，20名学员在80~90分，4名学员为75~80分，成绩整体呈正态分布，良好以上占比86.7%，表明大部分学员能够较好地掌握本门课程的教学内容，达到了本门课程的教学目标。

为了更全面地掌握课程教学实践的效果，我们专门设计了课终调查问卷，采用学员匿名的方法对本次课程教学进行了评价，共发放问卷30份，收回问卷30份。问卷调查结果（图3B）显示，26名(86.7%)学员认为在本门课程中最大的收获是对人工智能基础知识及其应用有了基本了解；20名(66.7%)学员表示通过本门课程的学习，自己的人工智能实践能力得到提升；28名(93.3%)学员表示本门课程对于其专业课程的学习有很大帮助，并对课程的教学设计感到满意；29名（96.7%）学员表示后续会根据实际需要继续关注人工智能在临床中应用的相关研究及进展。总体而言，该课程围绕临床案例，以专业任务为驱动进行教学改革，取得了较好的教学效果，得到了学员的高度认可。

3.3 教学反思

本次面向医学影像专业的人工智能实践课程教学改革探索在取得显著成效的同时，也为后续课程优化积累了宝贵经验。基于“案例引导—任务驱动—方案设计—实践验证”的课程设计，成功构建了理论—实践—临床的三维学习闭环。问卷调查显示，93.3%学员认可该课程的教学设计，表明该模式在医学人工智能教育中具有适用性，特别是在医学影像分割、疾病分类等典型任务中，学员能够通过临床案例理解算法原理。通过实践验证与临床对接，这种“从临床中来，到临床中去”的路径设计具有较好的示范价值。本次教学实践证明，以临床需求为锚点、以项目任务为载体的教学模式，能够有效破解医学人工智能教育中“理论抽象化”与“实践碎片化”的困境。此外，96.7%的学员表现出持续学习意愿，这种课程的自主延伸效果可以形成良性循环，验证了临床需求导向的教学设计对医学生科研素养培养的催化作用。

通过教学评估数据与形成性考核分析，我们也发现当前课程实施中存在两个需要进一步优化的教学环节：⑴分组协作机制下，考核结果呈现趋同性特征，具体表现为成绩标准差低于预期值，且存在个别学员在团队贡献度不足却获得正向评价的教学异化现象。后续课程建设中可借助AI助手建立多维度评估体系，重点强化团队协作效能，实现个性化评估。⑵通过后期调研发现，由于部分学员对深度学习开发环境配置无法准确理解，导致项目文件管理频繁出现错漏。后续可在课程基础技能模块增设2学时的环境配置工作坊，增强学员对所用环境的认知，从而更好地管理项目，提高项目开发与实践的效率。

4 结束语

本次教学实践对任务驱动型的人工智能实践课程教学模式进行了探索，选择典型临床案例构建教学情境，设计基于医学影像的不同类型人工智能任务，围绕“案例引导—任务驱动—方案设计—实践验证”四个阶段开展教学，在教学过程中将理论、实践和具体临床应用场景进行了有机结合。实践结果表明，以专业任务驱动的教学模式提高了学员的主观能动性，深化了学员对专业知识的理解，特别是案例分享和分组实践对学员的专业学习有较大帮助。通过本门课程的教学，学员具备了能够运用课程中积累的人工智能项目实践经验针对临床问题和需求设计解决方案的能力，可为医学院校医学影像专业开展人工智能实践课程教学提供参考。

参考文献

[1] 国务院. 国务院关于印发《新一代人工智能发展规划》的通知(国发〔2017〕35号)[EB/OL]. (2017-07-08)[2025-04-24].

[2] 国务院办公厅. 国务院办公厅《关于加快医学教育创新发展的指导意见》(国办发〔2020〕34号)[EB/OL]. (2020-09-17)[2025-04-24].

[3] 国家卫生健康委办公厅、国家中医药局综合司、国家疾控局综合司. 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(国卫办规划函〔2024〕420号)[EB/OL]. (2024-11-06)[2025-04-24].

[4] EGGER J, GSAXNER C, PEPE A, et al. Medical deep learning: A systematic meta-review[J]. Computer Methods and Programs in Biomedicine, 2022, 221: 106874.

[5] 陈冲, 夏黎明. 积极稳妥地推进人工智能在医学影像的应用[J]. 中华放射学杂志, 2022(1): 5-8.

[6] 周娟. 融合人工智能的医学影像教学与实践的思考[J]. 中国当代医药, 2022(30):147-149.

[7] 张璋, 张宁男楠. AI辅助自主教学在医学影像学“三全育人”中的初探[J]. 教育教学论坛, 2023(20):14-17.

[8] 覃丽燕, 邓益斌. 人工智能时代背景下医学影像学专业实践教学改革的研究[J]. 右江医学, 2024(8): 761-764.

[9] 张配配, 冯朝燕. 人工智能技术在医学影像课程实习教学中的应用思考[J]. 智慧健康, 2024(8): 1-4.

[10] 王静, 齐惠颖, 王路漫, 等. 医学本科生人工智能通识课程的设计和教学实践[J]. 中华医学教育杂志, 2024(2): 89-92.

[11] 刘丽, 吴毅, 谭立文, 等. 初步医学院校开展人工智能课程的研究: 以陆军军医大学为例[J]. 中华医学教育探索杂志, 2021(2): 147-149.

[12] 张小勤, 谭立文, 吴毅, 等. 基于案例式的医学本科生人工智能课程教学与实践[J]. 重庆医学, 2020(13): 2226-2231.

[13] SAJID U, KHAN R A, SHAH S M, et al. Breast cancer classification using deep learned features boosted with handcrafted features[J]. Biomedical Signal Processing and Control. 2023, 86:105353.

[14] XIANG H, XIAO Y, LI F, et al. Development and validation of an interpretable model integrating multimodal information for improving ovarian cancer diagnosis[J]. Nature Communications. 2024(1): 2681.

[15] WANG C, SHAO J, HE Y, et al. Data-driven risk stratification and precision management of pulmonary nodules detected on chest computed tomography[J]. Nature Medicine. 2024(11): 3184-3195.

基金资助

重庆市自然科学基金面上项目“基于多任务学习的宫颈鳞状上皮细胞病变分级诊断模型研究”(cstc2021jcyj-msxmX0965)

陆军军医大学教育改革研究课题“多学科协作案例教学在医学人工智能实践类课程中的改革与实践研究”(2023B07)