基于AI的分层带教体系对影像技术实习生技能提升的研究

Study on the impact of an AI-based hierarchical teaching system on the skill improvement of Imaging Technology interns

摘要

目的 探讨在临床带教中融入人工智能（artificial intelligence，AI）技术的分层带教体系对医学影像技术实习生专业技能提升的效果，从而优化传统教学模式，提高实习生的临床实践能力和职业素养。 方法 选取泸州市人民医院36名医学影像技术实习生，随机分为试验组（n=18）和对照组（n=18）。试验组采用基于AI的分层带教体系，包括岗前分层、AI辅助平台教学、分层技能实训和个性化辅导；对照组采用传统带教模式。实习结束后，通过理论考核、技能测试、问卷调查及教学反馈调查多维度评估教学效果。 结果 试验组的设备操作熟练度［（33.8±2.3）vs.（25.7±3.4）］、影像解读能力［（26.8±1.5）vs.（19.7±1.7）］、临床场景应对能力［（25.8±1.5）vs.（19.3±1.7）］及技能总成绩［（86.5±4.6）vs.（64.7±5.7）］均优于对照组（均P<0.001）。试验组理论知识考核成绩为（87.0±1.6）分，与对照组的（86.8±3.9）分比较，差异无统计学意义（P=0.914）。问卷调查显示，试验组在操作技能提升程度［（88.4±5.1）vs.（84.4±4.7）］、学习兴趣提升［（88.9±5.4）vs.（83.3±5.2）］、疑难病例分析能力［（89.3±6.1）vs.（81.7±4.2）］、学科知识面的扩展［（89.4±5.7）vs.（81.6±4.4）］及临床思维能力的提升［（88.9±5.2）vs.（80.5±4.2）］五个方面均优于对照组（均P<0.05）。教学反馈调查显示，基于AI的分层教学模式可提升临床决策效率、对教学体验满意及自信心增强的实习生比例，试验组均高于对照组（分别为88.9% vs. 38.9%、94.4% vs. 44.4%、88.9% vs. 33.3%，均P<0.05）。 结论 基于AI的分层带教体系能够提升医学影像技术实习生的临床技能，且有助于缓解带教教师的负担，提高教学效率与质量。

Abstract

Objective To explore the effectiveness of integrating an artificial intelligence (AI)-assisted hierarchical teaching system into clinical education for improving the professional skills of medical imaging technology interns, so as to optimize traditional teaching models and enhance interns’ clinical practice capabilities and professional competence. Methods A total of 36 Medical Imaging Technology interns from Luzhou People’s Hospital were selected and randomly assigned to the experimental group and the control group, with 18 interns in each. The experimental group received an AI-assisted hierarchical teaching system, which included pre-training stratification, AI-assisted platform-based instruction, tiered skills training, and personalized guidance. The control group followed the traditional teaching mode. After the internship, the teaching effect was evaluated from multiple dimensions through theoretical assessment, skills testing, questionnaires and teaching feedback surveys. Results The proficiency in equipment operation[(33.8±2.3)vs.(25.7±3.4)], image interpretation ability [(26.8±1.5)vs.(19.7±1.7)], clinical scenario response ability [(25.8±1.5)vs.(19.3±1.7)], and total skill scores [(86.5±4.6)vs.(64.7±5.7)] of the experimental group were all superior to those of the control group (all P<0.001). There was no statistically significant difference in the theoretical knowledge mastery between the experimental group (87.0±1.6) and the control group (86.8±3.9) (P=0.914). The questionnaire survey showed that the experimental group outperformed the control group in five aspects: improvement in operational skills [(88.4±5.1)vs.(84.4±4.7)], enhancement of learning interest [(88.9±5.4)vs.(83.3±5.2)], ability to analyze difficult cases [(89.3±6.1)vs.(81.7±4.2)], expansion of subject knowledge [(89.4±5.7)vs.(81.6±4.4)], and improvement in clinical thinking ability [(88.9±5.2)vs.(80.5±4.2)], all with P<0.05. The teaching feedback survey shows that the AI-based tiered teaching model can increase the proportion of interns who can improve clinical decision-making efficiency, are satisfied with the teaching experience, and have enhanced self-confidence. The proportions in the experimental group are higher than those in the control group (88.9% vs. 38.9%, 94.4% vs. 44.4%, 88.9% vs. 33.3%, all P<0.05). Conclusions The AI-assisted hierarchical teaching system significantly enhances the clinical skills of Medical Imaging Technology interns, helps alleviate the burden on instructors, and improves teaching efficiency and quality.

关键词

人工智能 / 分层带教 / 实践技能 / 临床决策 / 医学影像技术 / 教学质量

Key words

artificial intelligence / hierarchical teaching / practical skills / clinical decision-making / Medical Imaging Technology / teaching quality

医学影像技术作为现代医学诊疗的重要手段，近年来在高分辨率影像设备、三维成像和分子影像等技术推动下取得显著进步。这些技术的广泛应用显著提升了临床诊断和疗效评估的精准性，但同时也对影像技术人员在专业技能、临床思维和图像分析方面提出了更高要求^[1]。然而，当前的临床教学模式仍存在局限，传统带教以理论讲解和操作演示为主，难以有效满足实习生在影像图像分析、设备操作及学习资源等方面的个性化需求^[2]。此外，带教教师时间与精力有限，难以兼顾所有实习生的技能进展和学习反馈。为改善教学效果，分层带教体系逐渐受到重视。该体系通过岗前评估对实习生进行能力分层，并采用分阶段教学方式，使教学内容与个体需求更好匹配，从而提升教学效率和质量^[3-5]。然而，在实际应用中，该体系仍面临学习进度评估不精准、教学方案调整滞后等问题，影响其在医学影像技术教学中的广泛推广。近年来，人工智能（artificial intelligence，AI）技术在医学教育领域的应用逐步拓展，包括智能影像判读、虚拟仿真实训、个性化学习推荐等，AI技术的引入为带教模式创新提供了契机^[6-8]。基于AI的分层带教体系可提供实时学习反馈、个性化学习路径规划，并结合常规及特殊病例检查训练，增强教学的精准性和针对性，特别是在医学影像教学中，AI辅助教学平台能够模拟复杂的临床场景，强化实习生的影像分析与决策能力，提高其自主学习能力和实践技能。

本研究旨在探讨基于AI的分层带教体系对医学影像技术实习生临床技能提升的作用，并通过随机对照研究（randomized controlled trial，RCT）评估其教学效果，为医学影像技术实习教学的优化提供参考。已有研究主要聚焦于传统分层带教模式的应用，而本研究首次结合AI技术，构建了完整的“岗前分层—智能学习路径—分层技能实训—个性化反馈”教学体系，并通过RCT研究验证其教学成效，以期为医学影像技术教学的改革提供借鉴。

1 研究对象与方法

1.1 研究对象

选取2023年6月— 2024年12月在泸州市人民医院医学影像科进行医学影像技术实习的36名实习生为研究对象。

1.2 研究方法

将研究对象随机分为试验组和对照组，每组各18人。试验组采用基于AI的分层带教体系，对照组则采用传统带教模式。两组均按照相同的教学大纲、教材及学习指导进行实习，教学进度与课时安排保持一致。本研究已获得伦理委员会批准，所有研究对象均已知情同意参与本教学方法研究。

1.2.1 对照组教学安排

对照组采用传统临床带教模式，分三阶段实施：

（1）岗前培训（1周），通过讲座讲解X线、CT、MRI设备原理、影像解剖及质量控制标准，并由主管技师演示标准化设备操作（如体位摆放、辐射防护、急诊处理等）。

（2）科室轮转（12周），实习生依次轮转CT、MRI、DR及诊断组，按固定大纲完成训练，带教教师每日抽查操作，主要以口头反馈为主。

（3）终期考核（1周），依据医学影像技术操作规范进行设备操作考核，重点评估流程合规性（如辐射防护、MRI安全检查等）。

1.2.2 试验组教学安排

试验组基于AI辅助教学平台（如联影智能uAI平台、CLMRI云实验室）实施系统化的分层带教模式，包括能力分层评估、AI增强型理论学习、分层技能实训及闭环反馈机制，以精准匹配实习生的学习需求，提高教学效率与质量。教学实施的详细流程如下：

（1）能力分层与个性化学习路径（第1周）

入组评估 通过AI系统进行基线测试，综合评估实习生的知识和技能水平。包括知识维度（影像解剖标注测试，如CT横断面肝门静脉分叉位置的标注）和技能维度（虚拟设备操作模拟，如MRI颅脑扫描基础定位及序列参数调整对图像信噪比的影响）。

动态分层 根据测试结果将实习生分为A（高阶）、B（进阶）、C（基础）三组，并结合学习进度动态调整层级。

（2）AI增强型理论学习（第2 — 4周）

智能推送 基于AI训练平台分析个人学习记录，定制个性化内容（如B组侧重MRI、CT血管后处理技术，C组强化解剖基础和扫描定位训练）。

交互式学习 利用联影智能uAI平台实现多平面影像重建与实时解剖标注反馈。

（3）分层技能实训（第5 — 14周）

A组（高阶） 通过AI平台搜索复杂病例，评估图像质量，并学习特殊解剖结构、优化扫描方案及联合增强技术（如先心病冠脉+头颈CTA扫描，MRI腹部增强呼吸不能配合者如何选择扫描序列）。

B组（进阶） AI辅助下完成规范化操作流程优化（如利用深度学习算法实时提示CT扫描参数合理性，并强化低剂量扫描意识）。

C组（基础） 基于虚拟仿真系统（如CLMRI云实验室）进行设备操作强化训练，系统实时检测错误操作（如MRI定位不规范警示，参数修改不合理等）。

（4）闭环反馈机制与实时质量监控

AI系统自动分析实习生操作数据（如CT扫描协议修改频次、MRI定位及序列选择准确率），并生成个性化学习记录表。采用双师制辅导，每周由带教辅助系统生成学习报告，带教教师针对技术难点提供个性化指导（如增强扫描方案选择），AI教师推送学习资源（如专业微课扩展）。

1.3 教学效果评价

1.3.1 理论考核

实习结束后，组织全体实习生进行统一的理论闭卷笔试考核（总分100分），以全面评估其理论知识掌握情况。

考核内容：采用影像教研室医学影像技术标准化题库，涵盖医学解剖和物理（25%）、设备原理和技术（55%）及质量控制标准（20%），确保考核内容的系统性与针对性。

题型优化：在传统考题基础上，增加临床情境判断题（如“肥胖患者腹部CT扫描时是否需启用迭代重建算法”），以考核实习生的临床应用能力，同时减少单纯记忆型题目比例，优化考核结构。

1.3.2 技能测试

技能测试分为设备操作熟练度、影像解读能力及临床场景应对测试三个维度。三项考核的汇总成绩采用百分制，考核总成绩按以下公式计算：技能测试总成绩（总分100）=设备操作熟练度（总分40）+影像解读能力（总分30）+临床场景应对测试（总分30）。

（1）设备操作熟练度：评估实习生在影像设备操作方面的技能表现，以CT设备操作为例，包括定位、扫描协议制定及参数调整等关键环节的熟练度，记录操作得分（总分40）。

（2）影像解读能力：采用联影智能 uAI 平台，随机选择影像病例，考察实习生的影像质量控制、影像解读及诊断能力（如图像伪影识别、增强各期相强化特征分析、个性化扫描方案及危急值识别）。依据实习生的答案与经带教教师核实的AI诊断系统生成的诊断报告和质控报告进行评分（总分30）。

（3）临床场景应对测试：通过模拟临床场景，考察实习生在影像技术应用、应急处理及团队协作方面的能力，根据实习生的临场表现记录考核得分（总分30）。

1.3.3 问卷与教学反馈调查

（1）问卷调查

本研究实习结束后，对两组共36名实习生进行匿名问卷调查，以评估两种教学模式的效果。问卷内容涵盖操作技能提升程度、学习兴趣提升、疑难病例分析能力、学科知识面的扩展、临床思维能力的提升五个维度。每个维度均采用百分制单独评分，实习生根据自身感受填写分数，分数越高表示该方面的教学效果越佳。

（2）教学反馈调查

实习结束后，向两组共36名实习生开展教学反馈调查，围绕以下三个方面评估教学模式在主观体验中的影响。

临床决策效率提升：是否认为当前教学模式有助于提高做出临床判断的效率。

教学体验满意度：是否对本次教学模式整体感到满意。

自信心增强：是否认为本次教学模式增强了独立进行影像检查的信心。

以上问题均为“是/否”题型，统计实习生中选择“是”所占比例。比例越高，说明该教学模式在该方面的主观体验越好。

1.4 统计分析方法

采用 SPSS 27.0软件对数据进行分析。符合正态分布的计量资料用(x±s)表示，两组比较采用独立样本t检验，多组比较采用方差分析，方差分析事后的多重比较采用Tukey HSD法；计数资料用n(%)表示，组间比较采用χ²检验。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

试验组男性7名（38.9%），女性11名（61.1%），年龄（20.9±1.0）岁；对照组男性8名（44.4%），女性10名（55.6%），年龄（20.9±1.2）岁。两组实习生一般资料（性别、年龄等）差异无统计学意义（P>0.05）。结果如表1所示。

2.2 试验组和对照组考核成绩的比较

试验组和对照组实习生理论试卷总成绩分别为（87.0±1.6）和（86.8±3.9），差异无统计学意义（P=0.914）；而试验组在技能测试总成绩、设备操作熟练度、影像解读能力、临床场景应对等四方面的得分均高于对照组[（86.5±4.6）vs.（64.7±5.7），（33.8±2.3） vs. （25.7±3.4）， （26.8±1.5） vs. （19.7±1.7），（25.8±1.5） vs. （19.3±1.7）]，差异均具有统计学意义（P<0.001）。结果如表2所示。

试验组A、B、C组与对照组考核成绩的两两比较：

①理论成绩 四组的成绩[对照组（86.8±3.9）、试验A组（88.5±1.1）、试验B组（87.0±0.9）、试验C组（85.2±1.2）]差异有统计学意义（F=3.524，P=0.023）。事后Tukey HSD检验表明：试验A组与试验C组差异有统计学意义（P<0.001），试验B组与试验C组差异的P=0.049；对照组与各试验组间差异无统计学意义（P>0.05）。

②设备操作熟练度 四组的成绩[对照组（25.9±3.2）、试验A组（36.2±0.8）、试验B组（33.7±0.5）、试验C组（30.8±0.8）]差异有统计学意义（F=35.188， P<0.001）。事后Tukey HSD检验表明：所有试验组（A、B、C）操作熟练度均高于对照组（P<0.001或P=0.026）。试验A组优于试验C组（P<0.001），试验B组与试验C组差异有统计学意义（P=0.045）。

③影像解读能力 四组的成绩[对照组（19.7±1.7）、试验A组（28.2±0.8）、试验B组（26.8±0.4）、试验C组（24.8±0.8）]差异有统计学意义（F=118.724，  P<0.001）。事后Tukey HSD检验表明：所有试验组（A、B、C）成绩均高于对照组（P<0.001）。试验A组优于试验C组（P<0.001），试验B组与试验C组差异有统计学意义（P=0.012）。

④临床场景应对能力 四组的成绩[对照组（19.4±1.5）、试验A组（27.8±0.4）、试验B组（25.8±0.4）、试验C组（24.5±0.6）]差异有统计学意义（F=315.743，P<0.001）。事后Tukey HSD检验表明，所有试验组（A、B、C）成绩均高于对照组（P<0.001）。可见，试验A组的临床场景应对能力最高，试验C组最低。结果如表3所示。

2.3 问卷和教学反馈调查结果

问卷调查显示，两组实习生在操作技能提升程度[（88.4±5.1）vs.（84.4±4.7）]、学习兴趣提升[（88.9±5.4）vs.（83.3±5.2）]、疑难病例分析能力[（89.3±6.1）vs.（81.7±4.2）]、学科知识面的扩展[（89.4±5.7）vs.（81.6±4.4）]、临床思维能力的提升[（88.9±5.2）vs.（80.5±4.2）]五个方面差异均具有统计学意义（P<0.05），而且试验组评分均高于对照组(如表4所示)。教学反馈调查显示，基于AI的分层教学模式可提升临床决策效率、对教学体验满意及自信心增强的实习生比例，试验组均高于对照组（分别为88.9% vs. 38.9%、94.4% vs. 44.4%、88.9% vs. 33.3%，均P<0.05）。结果如表5所示。

3 讨论

3.1 基于AI的分层带教体系对实习生技能提升的有效性

本研究结果表明，基于AI辅助教学平台的分层带教体系在提升医学影像技术实习生的技能方面具有显著优势。试验组在设备操作熟练度、影像解读能力及临床场景应对方面的表现均优于对照组（P<0.001）。这种差异可能归因于AI辅助教学平台的分层带教体系实时反馈和个性化学习路径，该体系能够提供精准化指导，尤其在影像分析和设备操作的实际应用中表现突出。基于AI辅助教学平台的分层带教体系不仅可以为实习生提供实时的影像质量反馈，还能根据个人能力水平调整学习内容和任务，确保实习生的学习进度与难度更加匹配，从而有效提高其设备操作技能和影像解读能力^[9-10]。试验组内部层级（A/B/C组）间差异进一步验证了分层教学的有效性。例如，试验A组在设备操作熟练度中表现最优，可能得益于其高强度的模拟训练与即时反馈机制。这一结果与既往研究一致^[11-12]，强调实践导向教学在临床技能培养中的核心作用。然而，理论成绩的组间差异无统计学意义[试验组（87.0±1.6）vs.对照组（86.8±3.9），P=0.914]，且对照组与各试验组之间的比较差异无统计学意义（P>0.05），提示传统理论教学与新型方法在知识传递上效果趋同，未来需探索理论—实践深度融合模式（如案例整合教学）。另外，分层教学的差异化效果方面，试验ABC组的比较显示，不同层级教学策略对技能提升的影响存在梯度差异。例如，所有试验组(A、B、C)成绩均高于对照组（P<0.001）。可见，试验A组的临床场景应对能力最高，试验C组最低。这可能与A组采用的个性化进阶模拟训练有关，结果支持实验干预对临床场景能力的显著提升效果。而理论成绩仅在A组优于C组（P<0.001），提示高阶认知若要达到目标（如临床推理、批判性思维）需进行针对性教学设计，此结果支持分层教学在资源有限场景下的适用性，但需进一步优化层级间的过渡机制。传统带教模式虽然能提供基础的理论和操作指导，但由于带教教师人力资源的不足和缺乏针对性的个性化反馈，往往难以满足每个实习生的具体需求。相比传统带教模式，AI教学体系能够弥补教师人力资源的不足，提供针对性的个性化反馈，从而满足不同实习生的具体学习需求^[13]。这可能是对照组在设备操作熟练度、影像解读和临床场景应对方面得分较低的原因之一。基于AI的分层带教体系对实习生技能提升体现如下：

（1）设备操作方面：对影像设备界面更加熟悉，序列选择更加精准。

（2）影像分析方面：能够更准确地识别图像伪影，分析增强各期强化特征，结合病史制定个性化扫描方案，并提高对危急值的识别能力。

（3）综合技能方面：在面对患者突发情况时，能更冷静地应对对比剂禁忌证及过敏反应等紧急事件，提高临床实践应变能力。

总之，基于AI的分层带教体系不仅提升了实习生的影像技术应用能力和应急反应能力，还有效培养了其临床实战技能^[14]。

3.2 基于AI的分层带教体系对实习生临床决策能力的提升

试验组实习生在临床决策方面的表现优于对照组。教学反馈结果显示，88.9%的试验组实习生认为该教学模式对其临床决策能力的提升具有积极作用，而对照组仅为38.9%(P<0.001)。AI辅助教学平台能够模拟真实的临床情境，通过提供丰富的检查病例分析和决策方案，从而帮助实习生在复杂临床问题中快速形成诊断思路并做出精准决策。这一模式不仅提升了实习生的临床思维能力，还增强了其应急反应能力和医患沟通技巧。相比之下，传统带教模式更多依赖于教师的经验讲解和口头指导，缺乏系统化的情境模拟和即时反馈，导致实习生在遇到突发情况时可能应变能力不足。而AI辅助分层带教体系能够在教学过程中构建标准化、个性化的临床训练环境，实习生可通过不断训练和反馈优化决策策略，从而提升其临床决策能力和自主应变能力^[15-16]。总之，基于AI的分层带教体系在提升临床决策能力方面显示出明显优势，为未来影像技术教育模式的优化提供了新方向。

3.3 基于AI的分层带教体系对实习生学习体验与自信心的提升

问卷调查与教学反馈调查结果证实了基于AI的分层带教体系的有效性：试验组在操作技能提升、教学体验、自信心等方面均优于对照组（P<0.05）。这种“技能—兴趣—信心”协同提升现象可能源于情境化教学对自我效能感的促进作用^[17]。基于AI的分层带教体系的核心优势在于个性化学习路径和实时反馈机制，能够根据实习生的学习进度和能力水平动态调整教学内容，提供精准化指导。通过该模式，实习生在遇到难题时能够自主查阅资料、独立思考，并及时获得反馈，从而强化学习效果，学习体验得到提升。此外，该体系支持三维可视化教学，帮助实习生更直观地理解解剖结构及影像空间关系，增强虚拟训练与现实操作的衔接，提高学习的趣味性和实践性^[18-20]。相比之下，传统带教模式缺乏智能化的动态调整，教学内容较为固定，难以满足不同能力水平学生的个性化需求。这种模式的被动式学习方式可能导致实习生学习积极性不足，自信心难以有效提升。总之，基于AI的分层带教体系能够通过精准匹配学习需求、实时反馈和三维可视化教学，有效激发实习生的学习兴趣，提升其学习体验和自信心^[21]。

3.4 基于AI的分层带教体系综合评价

总体而言，基于AI的分层带教体系在多维度的教学效果评估中均表现出优势。AI教学平台的应用不仅提高了教学的效率和质量，还缓解了带教教师的工作负担，使其能够更专注于教学中的关键问题。试验组实习生对该教学模式的满意度和体验感均高于对照组（P<0.001），起到了积极的作用。此外，试验组在疑难病例分析和学科知识扩展上的优势（P<0.001），凸显了整合临床问题与跨学科内容的教学价值。这一结果表明，基于AI的分层带教体系在医学影像技术实习教学中的有效性，尤其在提升实习生的实践能力和临床决策能力方面发挥了重要作用。

3.5 局限性与未来研究方向

尽管基于AI的分层带教体系在提升医学影像技术实习生技能方面具有显著效果，但本研究仍存在一定的局限性。首先，试验组理论成绩未显著优于对照组，可能因考核内容偏向传统知识点，未来理论教学方面可能需要配合其他方法（如案例整合教学）。其次，本研究的样本量较小，仅在泸州市人民医院进行，结果可能存在偏倚。最后，本研究主要评估了实习生在设备操作、影像解读及临床决策等方面的提升，未来的研究可以进一步探讨该教学模式对实习生医患沟通、团队合作等其他技能的影响。此外，随着AI技术的不断发展，未来可以考虑将更先进的AI模型和算法应用于医学影像技术教学，以期进一步提高教学效果。

4 结束语

基于AI的分层带教体系能够显著提升医学影像技术实习生的临床技能水平，且能够提升实习生的学习体验和自信心。但对于基础层级的实习生，未来教学应进一步设计进阶路径，使研究更具实际指导意义。总体而言，该体系有效地缓解了带教教师的工作负担，提高了教学效率与质量，具备广泛的临床推广价值。未来可进一步探索该模式在其他医学领域的应用，并进行大规模、多中心的验证，以推动医学影像技术教学的智能化与个性化发展。

参考文献

[1] 钮晓音, 郭晓奎. “新医科”背景下的医学教育改革与人才培养[J]. 中国高等医学教育, 2021(5): 1-2.

[2] 潘雪琳, 孙家瑜, 程巍, 等. CBL在医学影像技术专业规范化培训图像后处理教学中的应用[J]. 中华医学教育探索杂志, 2023(2): 284-288.

[3] 田哲菁, 王蕊, 刘兰英, 等. 以学生为中心强化分层教学的多元化规培带教模式探索[J].中国中医药现代远程教育, 2023(16): 38-40.

[4] 马东伟, 徐志新, 崔更力. 基于“能力本位”理念的分层带教在呼吸科护生规培中的应用[J]. 中华医学教育探索杂志, 2022(10): 1409-1412.

[5] 郭丹, 冯娟, 张丽娜, 等. 全员分层带教结合PBL教学在急诊科护理实习带教中的应用[J]. 中华医学教育探索杂志, 2022(10): 1397-1400.

[6] 杨静文, 杨宗瀚, 李健, 等. 人工智能人脸识别技术在实时评估医学生课堂专注度中的应用研究[J]. 中华医学教育杂志, 2023(1): 31-34.

[7] 郭丽莉, 鲍永珍, 王乐今. 人工智能辅助系统结合CBL教学在眼科住院医师斜视专业教学中的应用[J]. 中华医学教育探索杂志, 2023(3): 416-420.

[8] TING D S W, PASQUALE L R, PENG L, et al. Artificial intelligence and deep learning in ophthalmology[J]. British Journal of Ophthalmology, 2019(2): 167-175.

[9] 高蕾, 彭贤贵, 杨武晨, 等. 应用人工智能图像教学系统提高医学生骨髓细胞形态判读能力[J]. 中华医学教育探索杂志, 2020(5): 569-573.

[10] 雷琳, 戴楠, 李梦侠, 等. 基于人工智能及标准化肿瘤放射治疗案例库的教学体系建设[J]. 中华医学教育探索杂志, 2024(4): 492-495.

[11] 孙钰杰, 冯迪, 张阳. 思政融入实践技能课程的路径: 新生心肺复苏教学效果分析及启示[J]. 中国医学教育技术, 2023(1): 102-106.

[12] 栗红侠, 孙英梅. 思政课“五模块”立体联动实践教学模式探究[J]. 中国医学教育技术, 2021(4): 526-529.

[13] 张璋, 张宁楠. 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.

[14] 马欣伟, 王璇,于洁, 等. AI图像识别系统用于提升住院医师超声引导神经阻滞培训质量的研究[J]. 中华医学教育探索杂志, 2024(12): 1608-1612.

[15] 纪丕友, 梁少华. 系统解剖学引入渐进式思维导图培养学生自主学习能力的研究[J]. 中华医学教育探索杂志, 2020(12): 1377-1381.

[16] 李艳艳, 刘丙进, 陈翠萍, 等. 基于任务导向的体验式教学对提高护生护理临床决策能力的实践[J]. 中国实用护理杂志, 2019(6): 457-461.

[17] 李慧贤, 王晓培, 金李, 等. CBL联合情景模拟教学法在肾内科见习教学中的应用[J]. 中国医学教育技术, 2024(4): 525-529.

[18] 陈闯, 郝惠惠, 蒋厚文. 采用三维可视化技术的CBL教学在肝胆外科住培带教中的应用[J]. 中华医学教育探索杂志, 2022(1): 67-70.

[19] 彭文献, 曹艳, 王婧嫣, 等. “云”磁共振成像实验教学系统的设计与实施[J]. 中华医学教育杂志, 2021(12): 1122-1125.

[20] 孙雨哲, 王宪娥, 张芮初, 等. 三维虚拟仿真牙周病患者病例库在牙周病学前期教学中的应用[J]. 中华医学教育杂志 2024(5): 349-352.

[21] 姜云, 史加海, 周庆, 等. 三维重建结合手术教学法在胸外科实习教学中的应用[J]. 中国医学教育技术, 2022(1): 92-96.