知识图谱赋能妇产科学智慧教学：应用场景、挑战与模式构建

Intelligent teaching in Obstetrics and Gynecology empowered by knowledge graph:

摘要

妇产科学教学因其知识体系庞杂、临床思维培养难度高、实践教学资源有限及教学方式同质化等问题，面临巨大挑战。知识图谱作为结构化语义知识库，具有整合多源信息、可视化关联关系和模拟智能推理的强大潜力，为革新传统教学模式提供了新路径。本文系统阐述了知识图谱在妇产科学教学中构建系统化知识网络、驱动临床思维训练、实现分层精准教学、赋能技能模拟训练四大核心应用场景，深入分析了其在技术实现、知识更新、教学改革与伦理安全方面面临的主要挑战，并据此构建了一个“知识图谱+”妇产科智慧教学前瞻性模式。旨在为推动妇产科学教学从“知识传授”向“能力赋能”转型提供理论参考与实践方向。

Abstract

The teaching of Obstetrics and Gynecology faces significant challenges due to its complex knowledge system, high difficulty in cultivating clinical thinking, limited practical teaching resources, and homogenized teaching methods. As a structured semantic knowledge base, knowledge graphs possess strong potential to integrate multi-source information, visualize relational associations, and simulate intelligent reasoning, offering a novel pathway to innovate traditional teaching modes. This article systematically elaborates on four core application scenarios of knowledge graphs in obstetrics and gynecology education: constructing systematic knowledge networks, driving clinical thinking training, enabling stratified and personalized teaching, and empowering skills simulation training. It further provides an in-depth analysis of the major challenges in technological implementation, knowledge updating, teaching reform, and ethical safety. Based on this analysis, a forward-looking “knowledge graph+” intelligent teaching mode for Obstetrics and Gynecology is constructed. The aim is to provide theoretical reference and practical directions for promoting the transformation of Obstetrics and Gynecology education from “knowledge transmission” to “capacity empowerment”.

Graphical abstract

关键词

妇产科学 / 知识图谱 / 人工智能 / 临床思维 / 智慧教学

Key words

Obstetrics and Gynecology / knowledge graph / artificial intelligence / clinical thinking / intelligent teaching

妇产科学是临床医学的核心学科之一，其知识体系具有高度的复杂性和集成性。它不仅涵盖女性生殖系统的生理与病理，更深度融合了内科学、外科学、药学、护理学、遗传学乃至医学伦理学等多学科内容^[1]。与此同时，该学科对医学生的临床实践能力与高危重症的应急处理能力提出了极高要求，如何高效地培养具备扎实理论功底和卓越临床思维的医学人才，已成为当前医学教育改革的重点与难点。

然而，传统的妇产科学教学模式正面临诸多严峻挑战。首先，知识碎片化问题突出。学生在学习过程中接触到的往往是孤立的知识点，如疾病的病理生理、药物的作用机制或手术的操作步骤，难以自发地将其整合成针对特定疾病（如子痫前期）的完整诊疗逻辑链，导致“知”与“行”脱节^[2]。其次，临床思维训练严重不足。 以教师讲授、学生被动接受为主的“灌输式”教学仍占主导，学生缺乏主动进行病史分析、鉴别诊断和治疗决策的高阶思维训练机会，批判性思维和解决复杂临床问题的能力培养受限。再次，实践教学资源存在明显局限。产科急危重症场景（如羊水栓塞、产后大出血）不可预测且风险极高，无法在真实临床环境中进行反复演练；妇科检查与腔镜手术等操作也因患者隐私和医疗安全等因素，使学生的见习和实操机会十分有限。最后，教学方案同质化，难以根据学生个体的知识基础、学习进度和认知风格提供个性化的学习路径与资源，无法真正做到因材施教。

为应对上述挑战，知识图谱（knowledge graph）作为一种新兴的人工智能技术，展现出巨大的应用潜力。其本质是一种结构化的语义网络，通过“实体—关系—属性”的三元组形式，能够有效整合来自教材、指南、病历等多源异构的医学知识，构建起一张相互关联的知识网络^[3]。它不仅能够可视化地呈现知识间的复杂关联，解决碎片化问题，更能通过内置的推理规则，模拟临床诊断路径，为学生提供沉浸式的智能交互和思维训练环境^[4]。因此，本文旨在系统阐述知识图谱赋能妇产科智慧教学的具体应用场景，深入分析其面临的挑战，并构建一个面向未来的智慧教学模式，以期为妇产科学的教学改革与创新提供理论参考和实践蓝图。

1 知识图谱概述及其教学赋能价值

知识图谱是一种基于图结构的知识表示形式，其核心由实体（entity）、关系（relation）和属性（attribute）构成^[5]。实体指现实世界中的对象或概念（如子痫前期、硫酸镁），关系指实体间的联系（如治疗、禁忌），属性则用于描述实体的特征（如疾病的发病率）^[6]。这种“图”结构高度符合人类认知事物间关联的思维方式，使得复杂知识更易于被理解；同时，它也是一种机器可读、可处理的标准化格式，为人工智能应用提供了丰富的语义信息基础，是实现知识推理和智能问答的关键。

构建一个高质量的妇产科知识图谱需遵循一系列关键技术流程。首先，是知识建模，通常采用“自顶向下”的方式^[7]。由妇产科领域专家（如教研教师、临床医生）主导，定义核心本体（ontology），即确定知识图谱的顶层框架和分类体系。这包括明确核心实体类型（如疾病、症状、体征、检查检验、药品、手术操作、解剖部位等），并规范这些实体间可能存在的关系类型（如“疾病—伴随—症状”“药品—治疗—疾病”“检查—诊断—疾病”），从而为后续的知识组织提供蓝图^[8]。其次，是知识抽取，即从多源异构数据中提取出结构化的知识三元组“实体—关系—属性”。数据来源包括权威教材、临床实践指南（如中华医学会妇产科系列指南）、UpToDate等循证医学数据库，以及结构化的电子病历数据^[9]。此过程可结合自然语言处理技术，从非结构化文本中自动抽取信息。最后，是知识融合与表示。由于不同来源的知识可能存在命名歧义或表述差异，此步骤旨在消除冲突与冗余，将同义术语进行统一（如将“妊高征”统一为“妊娠期高血压疾病”），并最终形成一个语义一致、规范化的高质量知识库。

将上述技术应用于教学领域，知识图谱展现出三大核心赋能价值。其一，化零为整，构建系统知识体系。它能将碎片化的知识点有机整合成一张互联互通的知识网络，帮助学生形成完整的学科认知框架^[10]。其二，化静为动，驱动临床思维训练。基于图谱的推理能力可以模拟真实诊疗路径，引导学生主动进行鉴别诊断和决策制定，而非被动记忆静态知识^[11]。其三，化被动为主动，支持个性化探索学习。学生可以依据个人兴趣或知识薄弱点，在图谱中进行自主、非线性探索，实现知识的意义建构，系统也能根据其学习轨迹提供个性化资源推荐^[12]。

2 知识图谱在妇产科学教学中的核心应用场景

2.1 构建系统化知识网络，破解知识碎片化难题

传统妇产科学教学常按章节讲授，学生虽能记忆孤立知识点，却难以建立跨章节、跨领域的全局知识视图，导致知识体系碎片化。知识图谱通过其强大的语义关联能力，能够将分散的知识点有机整合，构建成一个系统化、网络化的知识体系，从而彻底改变学生认知和记忆知识的方式^[6]。

以“妊娠期高血压疾病”（hypertensive disorders of pregnancy，HDP）这一典型且复杂的教学单元为例。在传统教材中，其病理生理、临床表现、分类、治疗原则、药物机理、护理要点等内容分散于不同章节。学生需要自行在脑海中进行拼接，学习负担重且容易遗漏关键关联。而基于知识图谱构建的智慧教学平台，则能将这些元素动态地、可视化地连接成一个整体。具体而言，图谱中的“子痫前期”作为一个核心疾病实体，将与一系列实体建立多维关系：①与症状体征关联：“表现为”水肿、蛋白尿、高血压；“严重时可并发”HELLP综合征、子痫。②与病理生理关联：“病理基础为”全身小血管痉挛、内皮细胞损伤。③与检查检验关联：“需进行”尿蛋白定量、肝功能测定、眼底检查；“特征性指标为”尿酸升高。④与治疗药物关联：“一线治疗药物为”硫酸镁；“降压药物可选用”拉贝洛尔、硝苯地平。⑤与护理监测关联：“护理重点包括”监测血压、尿量、膝跳反射（预防硫酸镁中毒）。如图1所示。

最具革命性的教学体验体现在交互式探索中。当学生在图谱中点击“硫酸镁”节点时，不再是看到一个孤立的药名和几句说明书式的描述，而是瞬间洞察它在整个HDP诊疗网络中的角色：它“用于治疗”子痫前期（预防抽搐）；但其使用“可能导致”中毒反应（呼吸抑制）；因此“需要监测”膝跳反射、尿量和呼吸频率；一旦发生中毒，“其解毒剂是”葡萄糖酸钙^[13]。这种学习方式，使学生不再是记忆枯燥的“知识点”，而是理解了一个活的、相互关联的“知识网”。它清晰地揭示了医学知识的内在逻辑，帮助学生从机制上理解为何要选择某种药物、为何要进行某项监测，从而将被动接收转变为主动的意义建构，有效培养了学生的系统思维能力和临床知识整合能力^[10]。

2.2 驱动临床思维训练，打造智能化虚拟诊疗平台

知识图谱最具革命性的教学价值在于其能够驱动临床思维训练，赋能智能化虚拟诊疗平台的构建，为学生提供一个无风险、可重复、高仿真的临床决策环境^[14]。该平台以知识图谱为“大脑”，通过模拟真实诊疗流程，引导学生完成从信息收集、鉴别诊断到治疗决策的全过程高阶思维训练。以下以一个典型病例为例，详细阐述其工作流程：学生接诊一位“停经38周，阴道流血1小时”的虚拟患者。①信息输入与初步关联：学生输入主诉“停经38周，阴道流血”，平台后台的知识图谱即刻启动推理，自动关联起“前置胎盘”“胎盘早剥”“见红”等可能的实体，形成初步的鉴别诊断列表。②问诊查体与动态推理： 学生开始交互式问诊和虚拟查体。当学生选择询问“出血特征”并勾选“无痛性”“持续性”等选项时，这些信息被实时输入图谱推理引擎。图谱根据内置的规则（如“无痛性阴道流血”高度提示“前置胎盘”）动态计算各诊断的置信概率，“前置胎盘”的可能性被显著提高，而“胎盘早剥”的概率则相应下降。③辅助检查与诊断确认：学生根据推理线索，申请“B超”检查。虚拟系统即刻返回“胎盘覆盖宫颈内口”的典型结果。该结果与图谱中的“前置胎盘”诊断标准完全匹配，图谱引擎从而确认诊断，并向学生反馈诊断依据。④治疗决策与循证反馈： 学生进入治疗决策阶段。平台提供“期待疗法”与“立即终止妊娠（剖宫产）”等选项。若学生选择“期待疗法”（适用于一般情况好、孕周较小者），图谱会判断其与患者“孕38周”的条件不符，自动触发预警，提示“孕周已足月，期待疗法非最佳选择，建议终止妊娠”，并推送相关临床指南摘要作为循证依据。若学生正确选择“剖宫产终止妊娠”，图谱会进一步生成可能的并发症预警，如“术后注意预防产后出血”“关注新生儿呼吸状况”等，引导学生建立全面的围术期管理思维，如图2所示。该平台将静态的知识点转化为动态的、有逻辑的临床推理路径，引导学生主动运用知识而非简单记忆，实现了对病史采集、鉴别诊断、检查选择、治疗决策及并发症管理这一完整临床思维链条的、无风险、可重复、流程化的闭环训练，极大地提升了教学效率和效果。

2.3 实现分层精准教学，促进个性化学习

传统教学模式难以有效应对学生的个体差异性，普遍存在“优生供给不足、差生难以跟进”的教学困境。知识图谱技术的引入，为在规模化教育中实现个性化教学——“因材施教”提供了可行的技术路径。其核心机制在于，知识图谱不仅能够呈现结构化的静态知识体系，更可作为智能认知引擎，动态追踪、评估并响应每一位学生的实时学习状态与认知需求^[15]。该系统通过持续采集学生在虚拟诊疗平台、在线测试及资源学习等环节中的行为数据，构建具有个体针对性的学习轨迹图谱。该图谱与学科知识图谱形成语义映射，从而精准识别每位学生在知识掌握程度与能力结构上的薄弱环节。例如，当系统通过算法识别出某学生在“卵巢肿瘤鉴别诊断”（例如浆液性囊腺瘤、黏液性囊腺瘤与畸胎瘤的区分）知识节点上反复出现诊断错误或决策延迟时，即可自动激活干预机制。

依托知识图谱的语义关联与推理能力，系统可实现智能化的学习资源适配与推送。对于上述存在特定困难的学生，系统并非仅简单反馈错误，而是自动构建个性化的强化学习方案，包括：推荐“卵巢肿瘤影像学特征与病理基础”等相关专题讲座视频，以巩固其理论根基；提供包含易混淆特征的典型临床病例集，开展定向强化训练；生成聚焦鉴别诊断关键点的专项测评题目，以评估学习成效。相反，对于已熟练掌握核心知识点、学有余力的学生，系统可主动推送前沿学术论文、临床研究进展或典型罕见病例（如卵巢甲状腺肿、转移性Krukenberg瘤等）拓展性学习材料，以激发其学术兴趣，培育临床科研思维。由此可见，知识图谱推动教学模式从传统的“一刀切”式单向传递，转向以学习者为中心的“精准滴灌”型赋能范式。该系统保障每位学生皆可在符合自身认知水平的基础上，获得最适合的学习内容与挑战，从而真正实现教学效率与质量的双重提升。

2.4 拓展实践教学边界，赋能技能模拟训练

妇产科学作为一门高度依赖实践的学科，其技能训练长期面临高危场景不可及、操作机会有限且成本高昂的瓶颈。知识图谱与虚拟现实（VR）/增强现实（AR）技术的融合，为突破这一教学边界提供了革命性的解决方案^[16]。在此模式下，知识图谱扮演着虚拟环境的“数字大脑”，为高保真模拟训练注入灵魂，实现从“形似”到“神似”的飞跃。

在高度仿真的虚拟产房环境中，学生可面对动态变化的产程。其每一项临床决策与操作不再是孤立的动作，而是会实时触发后台知识图谱的逻辑推理与评判。例如，当学生为产程进展缓慢的虚拟产妇使用催产素时，图谱会即刻监测其设定的剂量和滴速，若超出安全范围便会发出预警并推送用药规范；当胎心监护仪出现“可变减速”图形时，学生需做出判断，图谱将根据其选择的诊断（如“脐带受压”）评估正确性，并引导其执行正确的干预措施（如改变产妇体位、给氧）；最终在决定分娩方式时，学生的选择（如产钳助产、剖宫产）将受到图谱的全面审视，其决策依据必须符合当前的产程标准，否则系统将提供循证反馈。

同样，在虚拟宫腔镜手术训练中，知识图谱的作用更为精细。它不仅是操作步骤的检查者，更是实时的智能导师。当学生的器械在虚拟宫腔内移动时，图谱可实时识别其所在的解剖层次（如子宫内膜层、肌层），并提示邻近的重要结构（如血管、肠道），发出风险预警；若学生操作电切镜时停留时间过长、功率过高，图谱会基于热损伤模型即时提示“子宫穿孔风险增高”；每一步操作是否符合手术规程，都将得到即时的评价与指导。由此，知识图谱将VR/AR模拟从静态的场景重现升级为动态的、可交互的、具有深度知识支持的智慧训练系统，使学生在无任何风险的条件下获得近乎真实的临场经验和系统化的技能强化，极大地提升了实践教学的质量与安全性^[16-17]。

3 面临挑战与对策

尽管知识图谱在妇产科学教学中展现出显著潜力；但是，其在实际构建与应用过程中仍面临多方面的现实挑战，需要系统地应对与解决。

3.1 技术门槛与跨学科合作挑战

知识图谱构建是一项技术复杂度高的系统工程，涵盖自然语言处理、图数据库管理、机器学习等多个专业领域，这些能力通常超出临床教师的专业范畴，高度依赖计算机科学专家的深度参与。若医学与工程团队之间沟通不充分，易导致所构建的知识图谱与临床实际需求脱节，最终成为脱离实践的“技术陈列品”^[18]。为应对这一挑战，亟须加强医工学科的深度融合与协作。高校及附属医院应牵头成立稳定的跨学科研发团队，明确各方职责与贡献。长远来看，应重点培养和引进兼具医学与信息科学背景的复合型人才，支持临床教师掌握相关知识和工程技术，并鼓励计算机专业人才了解医学应用场景，从而有效弥合学科间的沟通隔阂，保障图谱兼具医学准确性与技术先进性。

3.2 知识来源与质量挑战

医学知识更新迅速，尤其在妇产科学等领域，临床指南可能每年修订。知识图谱若未能及时更新，可能导致传播过时或错误知识，进而误导教学实践。此外，不同来源的知识（如教科书、临床指南、研究文献和专家经验）在具体细节上可能存在不一致甚至冲突，如何确保知识体系的权威性与一致性，成为重要难题^[8]。应对策略包括建立规范的知识管理体系：首先，确立以最新权威临床指南（如中华医学会指南）为核心的知识来源，保障基础内容的准确性；其次，设立严格的版本控制与动态更新机制，明确每项知识点的来源、版本及更新时间戳，并建立定期审核流程，聘请领域专家参与评审，以维持知识图谱的科学性与时效性。

3.3 教学改革与接受度挑战

知识图谱的引入意味着教学范式发生转变，教师角色由传统的知识传授者转变为学习过程的引导者、课程内容的设计者以及人机协同的教学组织者。这一转变对教师提出更高要求，部分教师可能因技术适应压力、固有教学习惯或额外工作负担而产生抵触情绪^[19]。推进相关改革须讲究策略：首先应开展系统性的教师培训并提供持续的技术支持，通过实际体验展示智慧教学工具的有效性与便利性，缓解教师的“技术焦虑”；其次，建议采用“以点带面”的推进路径，率先在选修课、临床思维训练课等范围较小、容错率较高的课程中进行试点，通过成功案例和明显成效增强教师信心，逐步扩大应用覆盖范围。

3.4 伦理与隐私挑战

在构建教学案例和训练模型过程中，若使用真实电子病历数据，将不可避免地涉及患者隐私泄露的风险。即便经过脱敏处理，仍存在数据重新标识化的潜在可能，一旦发生泄露，可能引发严重的伦理与法律后果^[20]。为此，必须恪守伦理底线，坚决遵循《中华人民共和国个人信息保护法》及相关医学伦理规范。技术实现上，应优先采用完全仿真的合成病例数据用于模型训练与教学。如确需使用真实病例数据，则必须通过伦理委员会的审查批准，并采用目前主流且不可逆的脱敏技术进行处理，确保所有个人标识信息被彻底清除，从源头上杜绝隐私泄露风险，保障教学创新工作在合规与安全的前提下推进。

4 未来展望与模式构建

基于前述应用场景分析与现存挑战，本研究构建了一个面向未来的“知识图谱+”妇产科智慧教学新模式，如图3所示。该体系架构共分为四层：核心层为妇产科知识图谱本体，充当整个系统的智能中枢，集成疾病、症状、诊疗操作等结构化知识及其间复杂语义关系，为上层应用提供精准可推理的知识服务支撑；应用层作为直接面向用户的功能模块，涵盖智能问答系统（实时答疑）、虚拟诊疗平台（临床思维训练）、个性化学习系统（自适应学习路径推荐）以及融合VR/AR技术的技能模拟系统（操作实训）；用户层服务于学生、教师与教学管理员三类角色，通过统一接口与系统交互，满足差异化需求；评价层则贯穿整个教学过程，通过多模态学习行为数据采集，构建涵盖知识掌握程度、临床推理路径与操作规范性的多维度过程性评价体系，推动教学评价从终结性考试向全过程、发展性赋能转变。

展望未来，该模式与大规模语言模型（large language models，LLMs）的融合具有显著潜力。知识图谱可为LLMs提供可靠的结构化医学知识基底，有效约束其生成内容的“幻觉”现象，提升输出准确性；而LLMs强大的自然语言理解与生成能力，则可显著增强人机交互的流畅性与智能性。二者结合，有望构建兼具精准知识问答、动态病例生成与个性化学习辅导能力的“新一代智能教学助手”，从而深刻重塑医学教学范式。最终，所有技术集成与模式创新的根本目标，在于推动妇产科学教学实现从传统“知识传授”向现代“能力赋能”的范式转型。其核心宗旨是培养不仅具备扎实专业理论基础，更拥有卓越临床决策能力、能够胜任未来复杂医疗场景的卓越医学人才。

5 结束语

知识图谱技术为妇产科学教学模式的革新提供了突破性的解决方案。通过构建结构化知识网络、驱动临床思维训练、实现个性化精准教学以及拓展技能模拟边界，其在提升教学质量、培养学生临床胜任力方面展现出显著优势和巨大潜力。当前，知识图谱在医学教育领域的应用尚处于探索与实践的初级阶段，面临技术整合、资源建设与教学模式创新的多重挑战。未来需要医学教育工作者、临床专家与人工智能技术专家通力协作，共同推进知识图谱与妇产科学教学的深度融合，不断完善智慧教学体系，共同迎接智能化医学教育新时代的到来。

参考文献

[1] 谢幸, 孔北华, 段涛. 妇产科学[M]. 9版. 北京: 人民卫生出版社, 2018.

[2] 王丽敏, 陈泓伯, 王琦, 等. 以公众健康教育与非药物干预为主的膝关节骨性关节炎疾病知识图谱的构建[J]. 中华护理杂志, 2022(10): 1172-1177.

[3] 张山, 刘璐, 吴瑛. 知识图谱在医学护理教育领域中的应用现状[J]. 军事护理, 2025(6): 88-90.

[4] ROTMENSCH M, HALPERN Y, TLIMAT A, et al. Learning a health knowledge graph from electronic medical records[J]. Scientific Reports, 2017(1): 5994.

[5] 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.

[6] 王昊奋, 漆桂林, 陈华钧. 知识图谱: 方法、实践与应用[J]. 自动化博览, 2020(1): 7.

[7] 崔灿灿. 面向医学知识图谱构建的实体识别和标准化研究[D]. 北京:华北电力大学, 2024.

[8] 闻龙, 卢若谷, 种璟, 等. 医学知识图谱构建与应用的研究[J]. 长江信息通信, 2023(10): 1-8.

[9] 张贝贝. 基于中文电子病历的医疗知识图谱构建[D]. 上海: 同济大学, 2018.

[10] 仲于姗. 虚拟现实在教育出版领域应用研究综述: 基于知识图谱的可视化分析[J]. 电脑采购, 2022(50): 139-142.

[11] MEI X, YANG L, JIANG Z, et al. An inductive reasoning model based on interpretable logical rules over temporal knowledge graph[J]. Neural Networks, 2024, 174: 106219.

[12] 张萌, 李鉴. 基于知识图谱的智慧教育研究热点与发展趋势可视化分析[J]. 软件导刊, 2024(5): 101-107.

[13] Gestational Hypertension and Preeclampsia. ACOG Practice Bulletin, Number 222[J]. Obstetrics and Gynecology, 2020(6): e237-e260.

[14] VARSHNEY D, ZAFAR A, BEHERA N K, et al. Knowledge graph assisted end-to-end medical dialog generation[J]. Artificial Intelligence in Medicine, 2023, 139: 102535.

[15] 渊明. 基于知识图谱的自适应学习路径推荐方法研究与应用[D]. 西安:西安理工大学, 2021.

[16] 程建红, 阳莲, 刘剑锋, 等. VR/AR技术在妇产科教学中的应用效果评价[J]. 中国病案, 2022(5): 90-92.

[17] VISAN I G, TOMA C V, PETCA R, et al. Exploring the efficacy of virtual reality training in obstetric procedures and patient care: A systematic review[J]. Healthcare (Basel), 2025(7): 784.

[18] 沈红叶, 肖婉, 季一木, 等. 教育知识图谱的类型、应用及挑战[J]. 软件导刊, 2023(10): 237-243.

[19] 王忠华, 翟璟. 人工智能+教育时代教师专业发展面临的挑战与对策[J]. 中国教育技术装备, 2020(12): 13-15.

[20] PRICE W N, COHEN I G. Privacy in the age of medical big data[J]. Nature Medicine, 2019(1): 37-43.

基金资助

湖北省卫生健康委临床医学教育教学改革研究项目“基于胜任力导向的分层次妇产科住培智慧课程体系建设”(HBJG-250013)

武汉大学研究生精品课程建设“妇产科临床思维（专业必修课）”

武汉大学专业学位研究生教育综合改革项目（案例课程建设项目）“妇产科学”