多模态影像+AI的PMDS融合课程在本科生眼科学教学中的应用

Application of the PMDS integrated curriculum based on multimodal imaging+AI in Ophthalmology education for undergraduates

摘要

目的 探究多模态影像与人工智能（AI）的PMDS融合课程在本科生眼科学教育中的应用价值。 方法 选取西安交通大学第一附属医院79名临床医学本科生，按班级随机分为试验组（采用PMDS融合课程，n=40）和对照组（采用传统教学，n=39）。依托“多模态影像融合病例库”联合AIforEye人工智能（AI）及秘塔AI平台，开展PMDS教学实践，并从理论考核、操作考核及学生满意度三个方面评估教学效果。 结果 两组学生在理论考核总分上未显示出差异［（76±8）vs.（75±10），P=0.589］，试验组无不及格者，而对照组有2人（5.0%）不及格。病例分析题（考察综合分析与临床应用能力）结果显示，试验组得分高于对照组［26（25，27）vs.23（23，26），P=0.008］，提示PMDS教学模式更有助于培养学生解决实际临床问题的能力，在信息整合、逻辑推理与诊断思路构建方面具有优势。试验组学生在小组病例讨论（操作考核）中的得分高于对照组［47（45，49）vs.43（41，48），P=0.007］。学生满意度调查显示，试验组在多个维度评价高于对照组，尤其在趣味性［23（21，25）vs.22（20，24），P=0.043］和实际收获［23（22，25）vs.22（19，23），P=0.003］两个维度上优于对照组。 结论 多模态影像联合AI的PMDS融合课程教学模式通过闭环病例训练的创新教学方法，有助于提升医学生的眼科临床综合能力（突出表现为临床问题解决能力提升）与学习体验，为破解眼底病教学中的影像分析瓶颈提供新思路。

Abstract

Objective To evaluate the application value of a problem-oriented multi-dimensional skill integration (PMDS) curriculum based on multimodal imaging and artificial intelligence (AI) in Ophthalmology education for undergraduates. Methods A total of 79 undergraduates majoring in Clinical Medicine from the First Affiliated Hospital of Xi’an Jiaotong University were enrolled and randomly assigned by class to the experimental group (PMDS-integrated curriculum, n=40) and the control group (traditional teaching, n=39). The PMDS teaching was implemented using a Multimodal Imaging Integrated Case Database alongside the AIforEye and MetaAI platforms. The teaching efficacy was assessed through theoretical examination (including case analysis questions), practical skills assessment (group case discussions), and student satisfaction surveys. Results No statistically significant difference was observed in theoretical examination scores between the two groups [(76±8) vs. (75±10), P=0.589]. No student failed in the experimental group, whereas two students failed in the control group. Analysis of case-based questions (assessing comprehensive analysis and clinical application abilities) revealed significantly higher scores in the experimental group [26 (25, 27) vs. 23 (23, 26), P=0.008], indicating the PMDS model’s superiority in cultivating clinical problem-solving abilities through enhanced information integration, logical reasoning, and diagnostic thinking. The experimental group also achieved higher practical assessment scores in group case discussions [47 (45, 49) vs. 43 (41, 48), P=0.007]. Satisfaction surveys demonstrated significantly better evaluations of the experimental group across multiple dimensions, particularly in engagement [23 (21, 25) vs. 22 (20, 24), P=0.043] and perceived learning gains [23 (22, 25) vs. 22 (19, 23), P=0.003]. Conclusion The PMDS-integrated teaching mode based on multimodal imaging and AI improves medical students’ comprehensive ophthalmic clinical competencies (notably in problem-solving) and learning experience through innovative closed-loop case-based training, offering a novel strategy to address image analysis challenges in fundus diseases education.

关键词

多模态影像 / 人工智能 / PMDS融合课程教学模式 / 融合课程 / 本科教育

Key words

multimodal imaging / AI / PMDS integrated curriculum teaching mode / integrated curriculum / undergraduate education

眼科学是一门理论与实践并重的临床学科。眼底病作为眼科最具复杂性的领域之一，是眼科学习和培训的重点^[1]。传统教学模式依赖教师讲授、文字描述和静态图像，初学者被动接受知识，难以使课程与临床实践紧密联系，缺乏对病理改变与影像征象对应关系的直观认知。在完成眼底病教学的各个阶段后，学生难以整合和理解“碎片化知识”，导致学习效率低下^[1]。我们团队在临床教学中观察到，随着糖尿病、高血压等发病率的上升以及人口老龄化，眼底病表现更为复杂多样（例如，糖尿病视网膜病变合并视网膜静脉阻塞的病例增多），这无疑增加了教学和诊疗的难度。眼底多模态影像是眼底病教学的重要辅助手段，能够提高学生对眼底病的直观认识^[2]。尽管眼部光学相干断层扫描（optical coherence tomography，OCT）能清晰显示糖尿病性黄斑水肿的层次结构，光学相干断层扫描血管成像（optical coherence tomography angiography，OCTA）分层显示浅层、深层血管微血管瘤及新生血管形成，眼底荧光血管造影检查（fluorescein fundus angiography，FFA）能动态展示新生血管的渗漏过程，帮助医学生直观理解眼底病的形态变化，但学生常反馈“看图懂机制难”。基于指导本科生教学的经验，本团队发现学生在自学眼底病时常陷入“知识碎片化”和“盲点不自知”的困境。如何从大量的临床影像中筛选出最具教学价值的典型病例图并予以标注，设计出能引导学生深入思考的问题链，是我们团队当前在教学准备中花费精力最多的地方。学习眼底影像需要首先具备眼底病理论基础，本研究教学设计的“多模态影像融合病例库”教学模块，核心在于引导学生从影像表现出发，逆向溯源发病机制的学习过程。例如，学生学会分析糖尿病视网膜病变典型病例影像表现FFA荧光渗漏动态过程、OCTA局部血流密度下降与OCT黄斑区水肿的关系，更易于理解由于血管内皮细胞损伤导致血-视网膜屏障破坏的机制。该过程旨在帮助学生系统学习和巩固基础理论知识，训练其从影像表象推导病理生理过程的诊断推理能力^[3]。因此，有效利用现有平台帮助学生动态追踪学习知识盲点，结合高效反馈机制（如同伴互评或简短的导师线上答疑），整合碎片化的知识点，快速构建眼底病系统知识网络，也是本教学改革中重点探索的方向。

尽管眼科多模态影像技术可以从多维度展示眼部病变特征，为眼底病的诊疗提供了丰富的影像学数据^[4]，但传统按“成像模式”逐一讲解的教学模式，导致初学者仅能从单一层面和角度理解病变特征。这种按模态分割的教学，与临床实际诊疗中需要综合判读多种影像才能做出诊治决策的模式存在明显差距。Shi等团队^[1]将基于病例的多模态成像应用于研究生眼底病教学中，结果表明试验组在多模态图像分析、期末理论考试、病例分析成绩上均显著高于传统教学组（P=0.02，0.01，0.02）。近年人工智能（artificial intelligence，AI）技术在眼科领域提供多元化的辅助医疗模式^[5]。AI通过对眼底图像的深度解析，提高常见眼科疾病的诊疗效率，在处理眼底多模态影像及构建图像数据库方面发挥了重要作用^[6-7]。魏文斌团队^[8]证实AI糖尿病视网膜病变病灶分割系统的高效性（节省99.9%时间，P<0.001）。此技术应用于眼科研究生教学，将教师精力从繁琐的标注转向教学设计、问题引导和宝贵的师生互动。AI模型可以提供远程教学，打破“定时定点”的局限。通过AI教学的方法相较传统教学，显著提高学生学习的主动性（P=0.001），增加学生对眼底病变的全面认识和深入理解^[1]。

本研究设计的教学模式，以问题导向的多维能力整合（problem-oriented multi-dimensional skill integration，PMDS）理念为核心：以实践（practice）为驱动，利用AIforEye平台让学生动手分析真实病例影像；围绕典型病例（medical record）构建学习情境；通过小组讨论（discussion in groups）探究多模态影像关联与治疗方案；并引导学生将临床问题与科学研究有效结合（scientific research），基于量化数据（如秘塔AI平台生成的血流密度与水肿高度关系）提出假设并验证，理解病理机制。该模式下，教师以典型病例为中心开展临床带教，提升学生的临床技能，全面锻炼学生综合能力；引导学生主动从临床实际问题出发，通过小组针对性讨论，进行思考、研究设计与实践^[9]。申屠形超团队^[10]将基于多模态影像云的“教学研”结合教学方式成功应用于眼科住院医师规范化培训，与对照组相比，显著提升了受训者的临床专科技能、临床思维与决策及临床科研能力（P<0.05）。该成果启发了本团队探索如何将类似模式适配于本科教学阶段，并融合AI工具以应对其规模化实施的挑战。

综上所述，多模态影像融合AI在眼底病诊疗中已显优势，但其在教学领域的应用价值尚待挖掘。本研究拟依托我校第一附属医院眼科初步构建的“多模态影像融合病例库”，覆盖教学大纲要求的核心病种（如糖尿病视网膜病变、视网膜动脉阻塞、视网膜静脉阻塞、视神经炎、缺血性视神经病变、病理性近视性视网膜病变等），共纳入30例典型病例。课程将整合AIforeye平台用于图像分析、学生小组练习，利用秘塔AI平台构建智能问答助手辅助学生自学与答疑。面向本科生，本团队将开展多模态影像联合AI的PMDS模式融合课程教学实践，旨在评估该课程的实际教学效果，以期为本科生眼科教学模式的革新提供新思路。

1 研究对象和方法

1.1 研究对象

本研究纳入2024年3 — 6月在西安交通大学第一临床医学院进行眼科学眼底病学习的临床专业本科生79名，按照班级随机分组：试验组（n=40，采用PMDS融合课程教学模式）和对照组（n=39，采用传统教学模式）。所有学生已经接受了初步的眼科学通识教育。

1.2 教学模式设计

传统的教学模式主要包括理论学习和门诊见习。理论学习以深化理论知识和典型病例学习为主；门诊见习主要让学生接触真实眼底病患者的常规诊疗流程，并熟悉眼底病临床诊疗常见的设备。为弥补传统教学的不足，本团队提出并实践了PMDS融合课程教学模式。该模式整合了多模态影像与AI技术，核心包含四个方面：

①案例学习与模拟 利用多模态影像数据集（包括眼底照相、OCT、OCTA、FFA等），结合AI算法，创建虚拟病例，让学生打开网页可随时随地进行练习。针对眼底病教学中的短板，本团队设计病例库，引导学生利用秘塔AI平台对典型病例（如糖尿病视网膜病变、视网膜静脉阻塞等）进行交互式探索。例如，教学中通过小组讨论，引导学生通过标注超广角眼底成像中视网膜周边无灌注区位置与范围，利用OCTA算法生成对应区血流密度下降的程度，结合OCT提示黄斑水肿的形态，自主发现无灌注区与黄斑水肿空间关联。

②个性化学习路径 每位学生可以依据AI技术分析了解自己的学习进度和知识盲点，为自己定制个性化的学习计划和内容推荐，以优化学习效果。

③医学与AI交叉前沿技术应用 让学生了解医学图像处理算法及其在眼科诊断中的具体应用（如自动病灶识别、量化分析），引导学生体会大数据挖掘对提高医疗质量的作用，包括预测疾病风险、辅助诊断、个体化治疗等。例如，在秘塔AI平台上，学生能量化分析黄斑区血流密度值下降X与水肿高度Y的动态变化关系（如典型病例黄斑区血流密度下降11%，黄斑水肿高度增加383μm）。这种基于证据的量化关联，使学生理解“缺血程度—血管渗漏—水肿严重度”的病理生理链条，是“解图溯病理”的关键环节。

④基于证据的诊疗决策训练（融合PMDS） 将PMDS的核心要素（P—实践，M—病例，D—小组讨论，S—科研）融入课程，强调应用所学知识解决临床实际问题。学生基于OCT测量黄斑水肿高度及秘塔AI平台分析的血流动力学变化，通过小组讨论制定个体化的抗VEGF治疗方案（如是否需要连续3~4月治疗），并预测治疗反应。通过追踪治疗后水肿消退的影像变化（复查OCT/OCTA），学生能直观验证血管内皮修复与血-视网膜屏障恢复的机制过程，达到“看图懂机制明”的教学效果。学生还可根据AI交互式平台学习抗VEGF药物治疗的机制及药物治疗黄斑水肿疗效的临床研究证据，将科研思维融入临床诊治决策。

1.3 评价指标

教学效果将从理论知识考核、眼底查体考核、小组病例讨论评分及学生满意度四个方面进行评估。理论知识考核在结课时进行，旨在全面检验学生对核心知识点的掌握程度，学生接受闭卷的随堂考试成绩，满分100分，60分及以上为及格。眼底查体和小组病例讨论在小班教学时进行，学生互相查体后以小组为单位进行病例讨论，两项评估各50分。病例讨论设计结构化评分表，含4个维度（临床思维15分、团队协作10分、问题解决15分、知识应用10分）。学生满意度调查在结课时进行，学生通过电子问卷对学习趣味性、临床思维培养、实际收获和资源满意度4项进行评估，每项25分，满分100分。

1.4 统计分析方法

采用SPSS 26.0进行数据分析。符合正态分布的计量资料用(\overline{x}±s)表示，组间比较采用独立样本t检验；不符合正态分布的计量资料用M（P25，P75）表示，组间比较采用Mann-Whitney U检验。计数资料采用n（%）表示，组间比较采用χ²检验或Fisher确切概率。以P<0.05为差异具有统计学意义。

2 结果

2.1 研究对象一般情况

研究共纳入79人，试验组包括40（50.6%）名临床医学（五年制）专业的学生，对照组包括39（49.4%）名临床医学（5+3）专业的学生。在年龄方面，试验组和对照组学生年龄均分布在22（21,22）岁，差异无统计学意义（P=0.889）。性别构成比例亦未显示出显著性差异[男性：19（47.5）vs.16（41.0），P=0.569]。在学习眼底病前，两个班级的学生均已接受眼科学基础教育，包括眼科学检查法（P=0.832）及眼前段疾病（P=0.300），并在这两部分的阶段考核中未显示出成绩的差异。如表1所示。

2.2 理论知识考核

从理论考试的整体作答情况来看，学生对教学大纲所规定的核心知识点掌握较为扎实，能够较好地理解并运用相关理论知识进行病例分析和综合判断，体现出良好的知识迁移能力和临床思维水平。在成绩分布方面，试验组中没有学生成绩低于60分，未出现大面积低分情况，而对照组有2人（5.0%）考试成绩低于60分。如表2所示。进一步比较两种教学模式下的学业成绩发现，两组学生在考试总分上差异无统计学意义[（76±8）vs.（75±10），P=0.589]。然而，在具体题型的分析中发现，试验组学生在病例分析题中的表现优于对照组[26（25，27）vs.26（23，26），P=0.008]。如表3所示。

2.3 眼底查体和病例讨论

在临床技能考核的查体操作与病例讨论综合评分中，试验组的整体表现优于对照组[89（84，94）vs. 86（81，90），P=0.049]。进一步分析显示，在标准化查体操作方面，两组学生均能较好地掌握基本的操作流程和规范要求。然而，在病例讨论环节，试验组的结构化病例讨论评分高于对照组[47（45，49）vs.43（41，48）,P=0.007]。如表4所示。

2.4 学生满意度调查

在学生满意度调查中，试验组学生在整体教学过程中的满意度评分高于对照组，差异具有统计学意义[（89±5）vs.（84±5），P<0.001]。进一步分析显示，在趣味性[23（21，25）vs. 22（20，24），P=0.043]和实际收获[23（22，25）vs. 22（19，23），P=0.003]这两个维度上，试验组学生的评分均高于对照组（如表5所示）。

3 讨论

眼底病学理论机制繁杂，涉及视网膜、脉络膜及视神经等多个解剖结构，并与多种全身系统性疾病密切相关^[10-11]。传统按单一成像模式的教学导致本科生难以整合碎片化的知识^[12]。针对临床眼科教学资源局限（多模态影像整合不足）、学生参与度低等教学痛点，本研究构建“PMDS本科教学框架”，以临床真实案例（如糖尿病视网膜病变）为驱动，围绕该典型病例（M）构建学习情境整合学习路径。在实践（P）层面，学生利用AIforEye平台自主分析多模态影像，例如在超广角成像中标注视网膜无灌注区，并与OCTA中低血流密度区域进行关联分析。教师角色转变为过程监督者（如纠正AIforEye病灶误标），而非知识单向传递者。在讨论（D）层面，小组基于量化数据（如秘塔AI生成的血流密度与水肿高度关系）提出假设并验证，理解病理机制。引导学生通过秘塔AI交互式问答，分组设计抗VEGF治疗方案模拟研究不同治疗方案对黄斑水肿的影响。在科研（S）层面，通过OCT追踪水肿变化，验证抗VEGF药物治疗的作用机制，通过AI推送的文献学习药物治疗黄斑水肿安全性和有效性的临床研究。

本研究结果显示，试验组和对照组学生在年龄、性别构成比例以及学习眼底病前的阶段考核成绩（眼科学检查法、眼前段疾病）上差异均无统计学意义（P>0.05），表明两组基线特征具有可比性。在眼底病相关理论知识考核总分上，两组学生成绩差异无统计学意义（P>0.05）。在成绩分布方面，试验组未出现不及格（<60分）学生，而对照组有2人（5.0%）不及格。进一步分析不同题型的得分发现，尽管理论总分无显著差异，试验组学生在侧重考察综合分析与临床应用能力的病例分析题中表现优于对照组[26（25，27）vs. 26（23，26），P=0.008]。该结果提示，PMDS融合课程教学模式在培养学生解决实际临床问题的能力，特别是在信息整合、逻辑推理与诊断思路构建等方面展现出一定优势。在临床技能考核方面，试验组在查体操作与病例讨论的综合评分优于对照组[89（84，94）vs. 86（81，90），P=0.049]。具体分析各考核环节显示，两组学生在侧重基础操作流程和规范掌握的标准化查体操作上表现相当。然而，在更能体现临床综合能力的结构化病例讨论环节，试验组的评分高于对照组[47（45，49）vs. 43（41，48），P=0.007]。该评分结果反映出试验组学生的以下优势：①临床思维整合能力。基于多模态影像提出鉴别诊断的数量及合理性。②团队协作效能。主动发起讨论与回应组内其他学生观点的次数。③问题解决质量。诊疗方案与指南的吻合度。④临床知识应用水平。病理机制分析准确性。学生满意度调查结果进一步支持了上述客观评价的发现。试验组学生对整体教学过程中的满意度评分高于对照组[（89±5）vs. （84±5），P<0.001]。具体在“趣味性”[23（21，25）vs.22（20，24），P=0.043]和“实际收获”[23（22，25）vs.22（19，23），P=0.003]两个维度上，试验组评分均高于对照组。这表明PMDS融合课程教学模式不仅提升了学生在临床能力（如综合分析与病例讨论）考核中的表现，也增强了学生的学习体验、获得感及知识内化程度，显示出其在培养临床应用能力和提升教学体验方面的潜在优势。

本研究在本科教学中的核心变革体现在以下几个方面：①能力培养路径重构。以“影像判读—病理机制—诊治决策”的闭环训练，替代理论灌输。学生利用AIforEye平台自主分析糖尿病视网膜病变等案例（如标注超广角眼底成像中视网膜周边无灌注区位置、范围与OCTA血流密度关联），通过FFA渗漏动态图像回溯血-视网膜屏障理论；通过秘塔AI生成量化数据（如黄斑水肿高度与抗VEGF疗效关系），驱动学生提出机制假设；基于AI推送文献设计模拟研究方案（如抗VEGF用药周期优化）。②AI的功能角色重构。从“教师演示的辅助工具”转向“学生自主探究的学习工具”；AIforEye提供实时病灶对比反馈（如学生标注与AI病灶的自动标注对比）；秘塔AI支持分组研究模拟（如调整抗VEGF治疗方案验证水肿消退变化）。③本科教学适应性改造。将复杂研究拆解为“量化分析-方案设计”阶梯任务（如血流密度下降10%对应水肿变化阈值）。④伦理思辨案例化。通过AI误判案例（如OCTA伪影导致新生血管误诊，指导教师纠正）引导学生批判性审核结果。结果证实该模式显著提升本科生知识整合效率［考察综合分析与临床应用能力的病例分析题中试验组表现更好(P=0.008)，自评收获满意度高（P<0.001）］。

本框架的价值在于：①解决“看图懂机制难”痛点。多模态动态关联（如FFA血管渗漏对应血-视网膜屏障理论）。②建立本科AI教学新范式，以“技术实操—诊疗决策—误判审核”模式，AI分析学生的学习情况，提供个性化反馈，根据错误类型推送针对性病例，增强学生的鉴别诊断能力。使其掌握眼科AI工具实操与伦理思辨，初步构建基于AI辅助的临床决策审辨能力，为培养具备AI素养的眼科医师奠定基础^[13-14]。③严格伦理执行。在利用AIforEye和秘塔AI平台进行教学过程中，100%病例数据脱敏和患者隐私保护，并设置AI误判审核环节（AI诊断结果由具有临床经验的医师复核）。教学中明确强调AI的辅助定位，引导学生批判性看待AI结果，避免过度依赖，将伦理意识和数字素养的培养融入教学实践^[15-16]。

尽管上述技术和模式展现出潜力，但需客观认识到，本研究的初步探索存在以下局限性：①研究规模方面，仅纳入的79名本校临床医学本科生，样本量较小且来源单一。可能限制了研究结果的普遍适用性和统计学效力，导致结果出现偶然性和偏差，难以精准反映不同学生群体的学习效果差异。②评估实效方面，研究时间较短，当前评估主要关注短期教学效果（如理论知识、操作技能、即时满意度）。该模式对学生长期能力转化仍有待追踪。③AI辅助决策可能弱化批判思维培养，降低此风险需通过强化教师指导及纠错机制。

综上所述，本研究初步构建了一种融合多模态影像、AI技术与PMDS融合课程教学模式的新型眼底病本科教学课程，旨在应对传统教学在资源整合、学生参与度和知识转化效率等方面的挑战。本研究的核心价值在于：①利用PMDS框架系统化整合了实践、病例、讨论与科研思维要素；②创新性地引入AI平台（AIforEye，秘塔AI）实现个性化学习支持与“影像—决策”闭环训练；③依托本院“多模态影像病例库”和前期技术积累（如VisionFM模型基础）。

未来工作本团队将聚焦于：①扩大研究范围，开展多中心合作（计划纳入至少5所不同背景的医学院校）验证模式的普适性与可推广性；②设计并实施长期追踪评估，考察教学效果的持久性及对临床能力的影响；③持续优化AI辅助功能与伦理教育融入方式，并基于多中心实践成果，积极参与或推动AI应用于眼科教学的相关标准（如AI平台与教学系统的数据交互规范、AI辅助教学评价标准、伦理合规框架等）的制定。通过不断克服现有局限并持续优化，这种融合多模态影像与AI技术的PMDS教学模式有望更有效地提升本科生对眼底病的理解深度、临床决策能力及AI应用能力，为眼科AI整合教学提供可复制的实践范式。

参考文献

[1] SHI X, WANG H, YANG F, et al. Application and evaluation of case-based multimodal imaging in the ocular fundus disease teaching of postgraduate students[J]. BMC medical education, 2025(1): 390.

[2] 张祎冰, 王丹, 武云龙, 等. 多模式眼科影像技术在本科教学中的应用[J]. 科技资讯, 2022(10): 146-8.

[3] 史雪辉, 王海燕, 杨帆, 等. 以疾病为中心的眼底多模影像在专业学位硕士研究生教学中的应用[J]. 医学教育管理, 2024(3): 332-337.

[4] 《眼科人工智能临床应用伦理专家共识》专家组, 中国医药教育协会数字影像与智能医疗分会, 中国医药教育协会智能医学专业委员会. 眼科人工智能临床应用伦理专家共识(2023)[J]. 中华实验眼科杂志, 2023(1): 1-7.

[5] 杨婧研, 魏文斌. 基于眼底影像的人工智能技术在系统性疾病管理中的研究进展及展望[J]. 科学通报, 2025(14): 2136-2142.

[6] 于伟泓, 张潇, 吴婵, 等. 糖尿病视网膜病变眼底彩照人工智能研究标准数据库的建立规范[J]. 协和医学杂志, 2021(5): 684-688.

[7] ANTON N, DOROFTEI B, CURTEANU S, et al. Comprehensive review on the use of artificial intelligence in ophthalmology and future research directions[J]. Diagnostics (Basel), 2022(1): 1-24.

[8] 董力, 王珊珊, 邓卓, 等. 人工智能病灶分割系统及其在糖尿病视网膜病变临床教学中的应用初探[J]. 眼科, 2025(3): 232-235.

[9] 张弘, 张艳艳, 宋甄, 等. PMDS教学模式在眼科学专业的应用与探索[J]. 继续医学教育, 2022(6): 37-40.

[10] 王瑶, 胡中立, 申屠形超. 基于多模态影像云的“教学研”结合教学方式在眼科住院医师规范化培训中的应用[J]. 浙江医学教育, 2023(4): 231-236.

[11] 史雪辉, 杨帆, 王海燕, 等. 以案例为基础的多模影像教学在眼底病教学中的应用[J]. 眼科, 2024(6): 461-466.

[12] 康皓, 李月华, 杨硕. 多模态影像技术交互式教学平台在眼科临床教学中的应用[J]. 中国病案, 2024(7): 89-92.

[13] XU Z, WANG W, YANG J, et al. Automated diagnoses of age-related macular degeneration and polypoidal choroidal vasculopathy using bi-modal deep convolutional neural networks [J]. The British journal of ophthalmology, 2021(4): 561-566.

[14] 王蕊, 朱志鸿, 黄厚斌. 人工智能在眼科临床教学的应用初探[J]. 中国继续医学教育, 2021(29): 62-66.

[15] Younis H A, Eisa T A E, Nasser M, et al. A systematic review and meta-analysis of artificial intelligence tools in medicine and healthcare: Applications, Considerations, Limitations, Motivation and Challenge[J]. Diagnostics (Basel), 2024(1): 109.

[16] 王茹俊, 王丹. ChatGPT介入医学教育的伦理风险及应对策略[J]. 医学与哲学, 2024(2): 76-80.

基金资助

西安交通大学2024年下半年本科教学改革研究青年项目(2402Q-67)