AIGC赋能的“智能影像技术”课程数智化教学探索与实践

Exploration and practice of an AIGC-empowered digital intelligent pedagogy for “Intelligent Imaging Technology” course

摘要

新一代生成式人工智能技术浪潮正深刻重塑医疗健康领域，对未来医学影像技术人才的知识结构与创新能力提出了颠覆性要求。面对这一挑战，传统教学模式在培养学生工程思维、应对技术快速迭代及弥合产学研鸿沟等方面日渐乏力。为此，该文聚焦高阶能力培养，以“智能影像技术”课程为例，创新性地构建并实践了一种“智赋—践行—创生”三阶递进式数智化教学新范式。该范式以AIGC赋能教学，依托数智化平台引导学生完成从“算法复现—模型创新—临床应用”的全链条实践任务，并构建智驱闭环评价体系，实现“学—练—评—创”的教学闭环。实践表明，该范式能够有效激发学生创新潜能，为服务国家战略的高层次复合型人才培养提供实践支撑。

Abstract

The new wave of Generative Artificial Intelligence is profoundly reshaping the healthcare landscape, imposing disruptive demands on the knowledge structure and innovative capabilities of future medical imaging technologists. Faced with this challenge, traditional pedagogical modes are increasingly inadequate in fostering engineering-oriented thinking, adapting to rapid technological iterations, and bridging the gap between industry, academia, and research. To address this, our study, focusing on the cultivation of higher-order skills within the “Intelligent Imaging Technology” course, proposes and implements a novel, three-stage progressive digital-intelligent teaching paradigm: “intelligence-empowerment, practice-implementation, and creation-generation”. This paradigm leverages AIGC to empower instruction, guiding students through a full-chain practical workflow from algorithm replication and model innovation to clinical application, supported by a digital-intelligent platform. Furthermore, an intelligence-driven, closed-loop evaluation system facilitates a “learning-practicing-evaluating-creating” pedagogical cycle. The results demonstrate that this paradigm effectively stimulates students’ innovative potential, providing tangible support for nurturing the high-caliber, interdisciplinary professionals required to serve national strategic objectives.

Graphical abstract

关键词

生成式人工智能 / “智能影像技术”课程 / 教学改革 / “智赋—践行—创生”范式

Key words

GAI / “Intelligent Imaging Technology” course / teaching reform / “intelligence-empowerment, practice-implementation, and creation-generation” paradigm

新一代生成式人工智能特别是以大语言模型（large language models，LLMs）为代表的技术浪潮，正驱动着一场深刻的医学教育变革^[1-2]。AIGC凭借其强大的内容生成与逻辑推理能力，使医学影像技术从辅助诊断跃升为覆盖疾病“筛—诊—治—管”全周期的智能工具，并进一步拓展至报告自动生成、手术智能规划等全新场景^[3-7]。在《“健康中国2030”规划纲要》与《高等学校人工智能创新行动计划》等国家顶层设计的战略牵引下，人工智能与健康医疗的深度融合对未来医学影像技术人才的知识结构与创新能力提出了颠覆性、系统性的重塑要求^[8-9]。国家战略迫切需求与“新医科”“新工科”的建设理念高度契合，把培养“能够引领未来智能医疗产业变革的高层次复合型人才”推向了我国高等医学影像技术教育改革的前沿。

1 教学现状与挑战

我国医学影像技术专业的教学体系，长期以来遵循以影像物理学、设备学、诊断学等为核心的传统知识框架，尚未升级为对接人工智能时代的系统化教学体系。近年来，面对人工智能技术的迅猛发展，部分院校虽开设相关选修课或在专题讲座中引入AI概念，但大多停留在理论介绍层面，缺乏与临床问题深度融合的系统性实践训练，难以形成从算法到诊断闭环的能力培养通道，在教学模式上存在以下挑战：

（1） 理论与实践应用脱节，工程思维培养缺位

以讲授为主的单向输出，使学生沦为知识的被动接收者。对于人工智能课程所涉及的算法原理、模型构建等内容，学生普遍存在“听得懂、不会用”的现象。这种被动式的知识灌输，导致学生在面对真实的、非结构化的临床问题时，因缺乏系统性的工程思维和动手实践能力而束手无策^[10-12]。

（2） 学科壁垒固化，跨学科整合能力不足

在现有课程体系中，医学、计算机科学、数据科学等知识被人为地分割在不同课程中。学生学习的是孤立的知识点，难以构建起有机的知识网络，无法形成解决复杂“医工交叉”问题所必需的跨学科整合能力与系统性思维^[13]。

（3） 教学内容更新滞后，产学研鸿沟显著

人工智能技术，特别是AIGC，正以“月”为单位进行迭代，而传统教材和课程内容的更新周期则以“年”为单位。这种“时差”导致学生在课堂上学到的知识落后于产业界的实际应用，使得人才培养与产业需求之间的鸿沟持续扩大。

（4） 教学目标偏低，高阶创新能力培养乏力

传统教学模式的目标多集中在记忆、理解和应用层次^[14]。对于更高层次的分析（如评估不同算法的优劣）、评价（如判断一个模型的临床适用性）和创造（如设计新的解决方案来应对临床痛点）等高阶能力的系统性培养，尚缺乏有效的教学设计和实践路径。

综上，传统的教学模式在知识体系、思维模式、内容时效性及能力目标四个维度上均难以满足智能时代对高层次复合型医学影像技术人才的要求。如何利用AIGC等前沿技术，打破传统教学的桎梏，构建能有效培养学生工程思维、跨学科整合能力与高阶创新能力的新体系，是医学影像技术教育亟待解决的核心问题。

2 课程设计与实施：“智赋—践行—创生”三阶递进式教学范式

“智能影像技术”是面向医学技术本科生开设的人工智能基础课程，是上海交通大学首批“AI+医学影像技术”微专业项目核心课程。本课程建设过程中，融合了建构主义、体验式学习以及布鲁姆认知目标分类学等先进教育理论，将AIGC定位为贯穿始终的核心驱动力，提出了“智赋—践行—创生”三阶递进式教学范式，以学生高阶能力生成为导向进行整体性顶层设计，旨在打造一个促进知识内化、能力转化和创新升华的完整生态系统。

具体而言，“智赋—践行—创生”三阶递进式教学范式以建构主义为指导，通过引入自适应认知孪生教学平台和AIGC智能体，为学生创设一个支持其主动建构知识的动态学习环境。在此环境中，教学内容与辅助资源可根据学生个体差异进行自适应调整，帮助他们有效应对复杂多样的学习挑战，从而系统性地拓展其能力边界。同时，范式借鉴了柯尔伯（Kolb）体验式学习圈理论^[15]，通过项目驱动的实践，引导学生经历“具体体验—反思观察—抽象概念化—主动实践”的完整学习闭环。整个三阶范式的递进关系能够系统性地引导学生从记忆、理解的低阶认知，向应用、分析，乃至最终的评价与创造等高阶认知能力攀升，在教学理念、内容组织、技术应用、评价方式及能力培养维度上相较于传统模式显著改进，如表1所示。

为确保“智赋—践行—创生”三阶范式的有效落地，本课程设计了一套与之紧密耦合的“四模块”递进式课程内容体系，如图1所示。该体系是教学范式的操作性蓝图与实践载体，系统性地引导学生完成从宏观认知构建到核心技能掌握，再到综合工程实践，最终迈向独立创新探索的认知与能力跃迁。

2.1 “智赋”（Intelligence-Empowerment）——精准的知识赋能与技能入门

此阶段的核心目标是利用智能化手段，高效、精准地为学生搭建坚实的医工交叉知识基础，主要通过以下两个核心策略实现：其一，依托自主研发的自适应认知孪生教学平台，该平台能够将抽象的AI算法和复杂的影像数据处理流程进行动态、可交互的三维可视化，使学生直观洞察每一步操作对数据的影响，从而深刻理解其内在机理，有效突破传统教学的局限性，如图2所示。其二，将AIGC智能体作为官方推荐的通用认知脚手架，辅助学生理解复杂概念、解释代码错误、优化程序结构，降低医学背景学生学习编程和算法的门槛，实现知识的广泛赋能与普及。这一阶段通过人工智能通识导论与人工智能编程框架两个模块落地实施。

首先，人工智能通识导论模块作为课程的认知起点与价值基座，旨在以技术人文主义视角为学生奠定AI伦理自觉。在内容设计上，课程超越了线性AI技术史梳理，而是将AI的发展脉络与产业版图置于社会伦理的框架下进行审视：通过引入医疗影像数据隐私、算法公平性等前沿议题的沉浸式专题研讨，前置并内化学生的伦理考量，确保他们从接触先进创新技术之初，能以一种负责任、可持续的视角看待技术创新，为其未来的职业生涯奠定坚实的伦理根基。

其次，人工智能编程框架模块旨在消弭医学背景学生进入智能领域的初始技术壁垒，快速构建学生的技术自信与工程兴趣，助其迈出医工交叉的关键第一步，为其后续的深度实践铺设平滑的学习路径。内容上，课程聚焦于Python、SimpleITK及PyTorch等医学影像AI主流工具链，按“医学问题—算法映射—代码实现”逻辑重构知识点，实现领域场景与编程技能的高耦合映射。教学策略上，创新性地采用“翻转课堂”与“AIGC智能体”双轮驱动模式，由AIGC智能体作为个性化的认知脚手架，提供全天候的代码调试与概念解析支持，从而将宝贵的课堂时间聚焦于更高阶的架构思维与问题研讨。

2.2 “践行”（Practice-Implementation）——系统的工程实践与能力内化

此阶段是连接理论与实践的关键桥梁，旨在将学生在“智赋”阶段习得的零散知识，通过系统性的工程项目，整合并内化为解决实际问题的能力。课程围绕真实的临床问题设计了一系列难度递进的项目式学习（project-based learning，PBL）案例。学生以小组为单位，在教师与AIGC智能体的协调引导下，完整地经历一个微缩版“AI+医疗”产品的研发全流程，包括需求分析、数据准备、模型设计、训练调优、性能评估与结果可视化。在这一阶段，教师的角色从“知识传授者”转变为“项目教练”和“技术顾问”，引导学生在真实情境中锤炼系统性的工程思维和解决复杂问题的综合能力。该阶段通过医学智能分析方法模块落地实施。

医学智能分析方法模块是实现从离散知识点到系统化工程能力转化的核心枢纽。内容上，对经典图像处理至CNN、U-Net、Transformer等前沿深度网络实施递进式整合，引导学生构建起解决临床影像问题的“方法论武库”。在实践中，所有算法均要求在真实或高质量公开数据集上完成从问题定义、数据准备、模型构建到性能评估的端到端闭环训练，从而将规范化工程范式内化为认知图式，培育学生将模糊临床需求抽象为可计算问题，并转化为精准、高效、可迁移技术方案的核心能力，实现从“会跑代码”到“会解决临床问题”的本体性跨越。

为具象化展示该阶段如何锤炼学生的工程思维，本研究以基于MONAI的脾脏3D分割模型标准化流程为例进行说明。该案例选用MSD挑战赛中的脾脏分割任务^[16]，其数据的高度异质性可有效锻炼学生对模型鲁棒性的考量。在实施中，学生需在教师和AIGC智能体的引导下，自主完成环境配置，并学习使用MONAI框架构建工业级的数据加载与预处理管道。随后，他们不仅要调用预置的3D U-Net模型，更需深入剖析其网络结构，理解各模块功能。图3展示了训练循环的核心代码，清晰呈现了从数据输入到参数更新的完整流程。项目最终要求学生在独立的测试集上，运用Dice系数等关键指标进行量化评估，并利用专业软件对分割结果进行三维可视化对比，从而进行深入的误差分析，如图4所示。通过这一完整的闭环实践，学生不仅实现了抽象理论向具体技能的有效迁移，更在认知层面内化了系统性工程思维与规范化开发程思维与规范化开发范式。

2.3 “创生”（Creation-Generation）——前沿的创新探索与能力跃迁

此阶段是培养学生高阶能力的关键环节，旨在推动学生从技术的“使用者”和“复现者”，向知识的“批判者”和“创造者”迈进。在这一阶段，AIGC智能体的角色从“认知脚手架”升级为“创新伙伴”。学生在完成基础项目后，被鼓励去探索更具开放性、更符合临床实际的前沿课题，可利用AIGC智能体进行头脑风暴、辅助文献综述、启发实验设计。通过“前沿AI技术文献批判性汇报”等活动，引导学生对顶会顶刊的最新论文进行深度剖析和批判性质疑，培养其不迷信权威、敢于挑战的科学精神。通过“创生”阶段的系列活动，学生最终将完成从“会用AI”到“会想AI”，再到“会创AI”的关键跃迁。该阶段通过项目实践与前沿探索模块落地实施。

项目实践与前沿探索模块作为能力生成闭环的顶点环节，旨在驱动学生完成从技术应用者到知识创造者的认知跃迁。课程建设过程中，构建了实践创造与批判审辩协同路径：其一，依托开放式PBL项目，在高度仿真的科研流程中直面真实临床难题，锤炼解决复杂问题的工程实践能力；其二，通过前沿文献批判性研讨会，对顶刊研究进行深度解构与反思，培养严谨的学术思辨能力。两种路径的有机结合能够培育学生的学术品味与科研创新潜能。

学生在完成基础项目后，被鼓励去探索更具开放性的前沿课题，可利用AIGC智能体进行头脑风暴、辅助文献综述、启发实验设计。其中，“前沿AI技术文献解构与重述”是催化学生批判性思维的核心教学活动。该案例是“创生”阶段的核心环节，其目标是将学生从知识的被动“消费者”，培养成主动的“批判者”与“创造者”。流程始于教师发布智能影像领域的前沿议题（如扩散模型在图像生成中的应用、Transformer在病理分析中的潜力等），学生需以小组为单位进行定向文献检索，并对选定的高水平国际论文进行深度“解构”，剖析其研究动机、方法创新、实验设计巧思与潜在局限。在此过程中，AIGC智能体扮演着“思想火花的催化剂”与“批判性思维的陪练”角色，辅助学生理解复杂理论、启发质疑角度。最终，学生须制作高质量的演示文稿，在全班学生面前进行公开汇报，并接受来自师生的高强度提问与挑战，该闭环有效内化了科研范式，锤炼了批判性思维与学术创新潜能，如图5所示。

3 成效评价：智驱闭环评价体系与教学效果

为科学评估“智赋—践行—创生”教学范式的成效，本研究构建了一套与该范式内在逻辑深度耦合的智驱闭环评价体系。该体系摒弃了以知识考核为主的单一终结性评价模式，转而采用过程性与终结性评价相结合、定量与定性分析相补充的多元化方法，旨在全面、动态地度量学生高阶能力的生成轨迹。

3.1 评价体系设计与智能化实施

评价体系的核心是围绕课程目标构建的多维能力矩阵，其考核维度精准映射三阶范式培养重点：①知识掌握（占比30%）由随堂测验与期末考试衡量；②实践能力（占比40%）以PBL项目质量与代码规范性为核心；③学术素养与创新思维（占比20%）评判文献汇报深度与方案创新性；④团队协作与职业素养（占比10%）采用教师评分与同伴互评相结合的方式，确保评价的全面性与客观性。上述多维指标协同作用，形成覆盖“认知—实践—创新—协作”全链条的闭环评价框架。

为保障上述多维评价体系的精准运行与数据驱动的教学迭代，本研究依托自主研发的智能评测系统进行技术赋能，如图6所示。该系统能够自动汇聚学生在课程全周期内的所有学习行为与评价数据，为每位学习者构建动态更新的能力数字孪生档案与可视化雷达图；其内置的数据分析引擎可基于诊断性指标智能推送个性化学习干预方案，形成“评价—反馈—改进”的个体微观学习闭环。同时，系统还能从班级整体层面开展宏观学情分析，生成教学诊断报告，为教师动态调整教学策略与资源配置提供循证支持，从而构建贯通“教—学—评—创”全链条的宏观教学闭环，实现数智化教学的持续优化。

依托对过程性学习数据的深度挖掘，该智能评测系统成功实现了差异化教学的可计算化。如图7所示，系统通过构建学生个体能力画像与追踪其学习轨迹，能够清晰呈现不同学生异质化的能力结构与成长路径。系统可自动识别编程基础扎实但在创新思维上潜力待挖的学生，并推送挑战性课题；同时也能发现理论理解快但实践能力偏弱的学生，并生成针对性补强方案。这种基于数据的精准画像与动态干预，使得兼顾“补差”与“培优”的双重教学目标成为可能，真正实现了对不同层次学生的因材施教。

3.2 教学效果的量化对比分析

为客观评估“智赋—践行—创生”教学范式的应用效果，本研究对17名学生进行了学期初（前测）与学期末（后测）的能力测评。通过对前后测数据进行配对样本t检验，结果显示，学生在基础知识与技能、工程实践能力、学术素养与创新等核心维度均取得了显著进步（P<0.001，如表2所示）。这一系列量化结果系统性地验证了三阶递进范式在促进学生从知识吸纳到能力生成的系统性跃迁轨迹方面的有效性。

3.3 教学效果的实证分析

在为期一学期的教学实践后，本研究面向上海交通大学医学院医学技术学院首届医学影像技术系的17名选课学生开展了匿名问卷调查（回收率100%，如表3所示）与半结构化质性访谈，以获取教学成效的实证数据。

问卷定量结果显示，学生对本课程的教学改革给予了高度认可。在学习效果层面，学生普遍认为课程有效提升了自身的综合能力，尤其是在课程重点培养的“跨学科学术素养与创新思维”和“运用工程方法解决临床实际问题的医工交叉能力”方面，认可度最高。这两项核心指标与课程聚焦高阶能力和医工融合的培养目标高度吻合，为“智赋—践行—创生”范式的有效性提供了量化证据。

问卷结果也客观反映了课程的学术挑战性。部分学生在“课程难度”与“学习任务量”两个项目上选择了“一般”，这并非负面信号，而是课程学术严谨性与实践强度的客观映射。这表明课程成功地为学生设置了适度的认知负荷，这既是激发高阶思维的必要条件，也为未来依据学生先备知识实施分层教学、动态调节任务量级提供了宝贵的数据支持。

质性反馈为上述量化结果提供了深层确证与情境化阐释。有学生表示：“这门课让我第一次真正明白了‘医工交叉’到底是在做什么，不再是空洞的概念，而是具体的代码、模型和应用场景。”此反馈印证了范式在弥合理论—实践鸿沟上的有效度。另一位自称“编程小白”的学生分享道：“我从一个看到代码就头疼的人，到现在能够独立完成一个分割模型的训练，这门课给了我巨大的信心。”该反馈则有力地证明了“智赋”阶段AIGC智能体在降低技术门槛、激发学习内驱力方面的显著作用。综合学生的原生叙事表明，本研究构建的三阶教学范式在提升学生专业技能、催化创新思维方面均达到预期成效。

4 关键技术实现

为确保“智赋—践行—创生”教学范式的有效落地，本研究自主研发了一系列数智化教学工具，下文将阐述其核心技术实现，以增强研究的透明度与可复现性，如图8所示。

4.1 自适应认知孪生平台

该平台旨在将抽象的智能影像算法与复杂的数据处理流程进行交互式、可视化呈现，其关键技术实现如下：

(1) “监测—诊断—干预”自适应逻辑闭环

其技术核心是融合了专家规则与协同过滤的混合推荐引擎。监测端实时捕获学习者的多元行为数据（如模块停留时长、操作序列、正确率等）构建动态学习者画像。诊断端通过内置规则引擎分析画像，识别认知瓶颈。干预端一旦发现问题（如在模型调参任务中出现“高频试错”模式），便自动触发个性化干预，精准推送理论视频或代码案例。此闭环设计确保了系统能动态适应个体学习节奏，提供即时、恰当的认知脚手架。

(2) 交互式可视化技术

前端采用Vue.js框架开发，并集成基于WebGL的VTK.js库，支持在浏览器端对CT、MRI等三维医学数据进行高性能的实时渲染与交互操作。前端通过WebSocket协议与后端Python服务进行低延迟双向通信，确保操作指令与可视化结果的即时同步。

4.2 智能评测系统

智能评测系统的核心是一个多模态数据分析引擎，旨在对学生的综合能力进行全面、客观的量化与质性评估，从而构建一个立体化的学习者画像，其关键技术实现如下：

（1） 学习绩效的量化分析

针对编程得分、模型性能指标（如Dice系数）等结构化数据，引擎首先运用描述性统计进行基线评估；进而通过相关性分析挖掘不同能力维度间的联系，验证知识迁移能力。同时，系统对关键指标进行纵向追踪，自动生成个人能力雷达图与班级学习进度曲线，为过程性评价提供可视化依据。

（2） 认知深度的质性挖掘

针对项目报告、学习心得等非结构化文本，引擎执行分层自然语言处理流程。首先，通过TF-IDF算法^[17]识别学生报告中的高价值术语，评估其对核心概念的掌握度。随后，利用LDA主题模型^[18]进行文本聚类，识别班级层面的知识亮点与普遍存在的认知盲区。最后，引入情感分析模型^[19]，量化学生在文本中的情感倾向，作为其学习投入度与团队协作态度的辅助判断指标。例如，系统可识别出某位模型性能高但报告主题单一、情感消极的学生，可能存在协作问题，需教师关注。

4.3 AIGC智能体

作为贯穿教学的核心组件，AIGC智能体旨在提供即时、精准的个性化辅导。智能体采用检索增强生成（retrieval-augmented generation，RAG）架构，并以OpenAI的GPT-4模型作为核心引擎。我们为其构建了囊括课程教材、权威专著及前沿论文的自定义医学知识库，并利用FAISS（Facebook AI Similarity Search）向量数据库^[20]进行存储与检索。当学生提问时，系统首先检索最相关的知识片段作为上下文注入提示词，引导GPT-4生成基于可靠信源的精准回答。为严格控制大型语言模型的“幻觉”现象并保障内容的准确性，本研究还采取了多重协同机制：第一，约束性提示工程，通过精密设计的提示词模板，严格约束模型必须且仅能依据所提供的检索上下文回答；第二，溯源与核查机制，要求模型在每个回答后附上所依据的知识来源索引，便于师生快速溯源核查，培养批判性思维；第三，人机协同反馈闭环，师生可一键标记不准确的回答，该反馈将用于持续优化知识库、检索算法与提示策略，形成“人机协同、持续改进”的良性循环。

5 挑战与反思

在肯定AIGC赋能教学初步成效的同时，本研究以批判性视角，审视其在真实教学情境中引发的具体挑战以及应对策略。首要挑战：知识基线异质性导致的“认知掉队”风险。在课程初期，部分学生已具备Python编程经验，而有三四名纯医学背景的学生几乎是“零基础”。这一差异在课程初期迅速演变为具体的教学难题：当讲解到PyTorch模型构建等核心内容时，零基础学生明显“掉队”，在环境配置、代码调试等看似基础的环节反复受挫，课堂参与度骤降，并出现习得性沉默。为避免学习进度两极分化，本研究采取了“分层支持—朋辈互助”的干预策略：①算法层面，利用AIGC智能体为编程薄弱的学生创建个性化学习路径，随时解决基础语法和代码报错问题，使其聚焦于更高阶的算法逻辑理解；②组织层面，在项目实践分组时，打破自由组合的常规，实施了“异质分组”，确保每个小组都包含不同编程水平的学生。通过“结对编程”等协作模式，鼓励编程能力强的同学向同伴分享调试经验，在实战中帮助他们跨越技术门槛。这一策略不仅有效解决了“掉队”问题，更将差异性转化为了协作学习的契机，最终所有学生都成功完成了课程的核心实践项目。

另一个核心挑战：从“AIGC高效助手”到“思维惰性与错误引导”的陷阱。AIGC智能体是赋能工具，但也可能成为学生思维的“拐杖”，甚至给出错误信息误导学生。这一挑战在“前沿文献批判性汇报”模块中表现得尤为突出。部分小组为提高解读论文效率，直接使用智能体对一篇关于Transformer在病理图像分析中的应用论文进行总结，然而其解读的相关技术原理与另一篇不相关的论文混淆，给出了一个看似合理但完全错误的解释。基于该真实案例，本研究迅速将此意外转化为一次关于审辩式思维的即时教学，发起了一场关于“如何与AIGC协作进行学术研究”的专题讨论，引导学生反思：AIGC的优势是什么（快速信息检索、语言润色）？它的致命弱点是什么（事实不可靠、缺乏真正的理解力）？如何建立一套“人机协同”的事实核查流程？这次由真实错误引发的深度思辨，让学生们深刻理解了批判性使用AIGC的必要性，真正将AIGC从“答案提供者”定位为“思维催化剂”。

在研究设计层面，本研究存在若干局限性。首先，受本专业小班化教学限制，研究样本量有限（n=17），限制了研究结果的统计功效与普适性；其次，未采用严格的随机对照试验（RCT）设计，采用的单组前后测设计无法完全排除时间效应、霍桑效应等混杂变量的影响，削弱了教学范式因果推断的稳健性；最后，研究场域局限于单一院校的特定课程，情境特异性较高，结论推广至其他学科或教育机构时尚需谨慎。

6 结束语

本研究直面AIGC时代对医学影像人才培养的挑战，创新性地构建并实践了一套以AIGC为核心驱动、以“智赋—践行—创生”三阶螺旋为实施路径的数智化教学新范式。该范式通过耦合自适应认知孪生平台、全链条项目式学习生态和智驱闭环评价体系，实现了知识传授、能力生成与创新孵化的纵向贯通，为“新医科”与“新工科”深度融合背景下的课程改革提供了兼具理论深度、实证效度与可迁移价值的解决方案。

参考文献

[1] CAO Y, LI S, LIU Y, et al. A comprehensive survey of ai-generated content (aigc): A history of generative ai from gan to chatgpt[J]. arXiv Preprint arXiv, 2023: 2303.04226.

[2] 朗柳玲, 苏金婷, 任文宁, 等. 生成式AI赋能高等医学教育: 从课程到评价的变革之路[J/OL]. 中国医学教育技术, 2025: 1-6. (2025-09-05).

[3] MESKÓ B, TOPOL E J. The imperative for regulatory oversight of large language models (or generative AI) in healthcare[J]. NPJ Digital Medicine, 2023(1): 120.

[4] SLOAN P, CLATWORTHY P, SIMPSON E, et al. Automated radiology report generation: A review of recent advances[J]. IEEE Reviews in Biomedical Engineering, 2024, 18: 368-387.

[5] LI Y, LIU Y, WANG Z, et al. A comprehensive study of gpt-4v’s multimodal capabilities in medical imaging[J]. medRxiv, 2023: 2023.11. 03.23298067.

[6] KHALIGHI S, REDDY K, MIDYA A, et al. Artificial intelligence in neuro-oncology: advances and challenges in brain tumor diagnosis, prognosis, and precision treatment[J]. NPJ Precision Oncology, 2024(1): 80.

[7] KHAN D Z, HANRAHAN J G, BALDEWEG S E, et al. Current and future advances in surgical therapy for pituitary adenoma[J]. Endocrine Reviews, 2023(5): 947-959.

[8] 中共中央 国务院. 《“健康中国2030”规划纲要》 [A/OL]. (2016-10-25)[2024-07-28].

[9] 教育部. 教育部关于印发《高等学校人工智能创新行动计划》的通知(教技〔2018〕3号)[EB/OL]. (2018-04-02) [2024-07-28].

[10] PRINCE M. Does active learning work? A review of the research[J]. Journal of Engineering Education, 2004(3): 223-231.

[11] ZHAO G, FAN M, YUAN Y, et al. The comparison of teaching efficiency between virtual reality and traditional education in medical education: a systematic review and meta-analysis[J]. Annals of Translational Medicine, 2021(3): 252.

[12] 李亭, 李美奇, 李佳璇, 等. 医学影像技术学本科生教学中运用虚拟现实技术的效果评价[J]. 中国卫生产业, 2024(8): 172-175.

[13] 王雪林, 郝飞, 杨超娟, 等. 多学科交叉背景下本科生医工交叉通识课程建设探索与实践[J]. 高教学刊, 2025(20): 17-21.

[14] WANG V, FARMER L. Adult teaching methods in China and Bloom’s taxonomy[J]. International Journal for the Scholarship of Teaching and Learning, 2008(2): 13.

[15] KOLB D A. Experiential learning: Experience as the source of learning and development[M]. FT press, 2014.

[16] ANTONELLI M, REINKE A, BAKAS S, et al. The medical segmentation decathlon[J]. Nature Communication, 2022(1): 4128.

[17] JONES K S. A statistical interpretation of term specificity and its application in retrieval[J]. Journal of Documentation, 2004(5): 493-502.

[18] BLEI D M, NG A Y, JORDAN M I. Latent Dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3: 993-1022.

[19] PANG B, LEE L. Opinion mining and sentiment analysis[J]. Foundations and Trends in Information Retrieval, 2008(1/2): 1-135.

[20] DOUZE M, GUZHVA A, DENG C, et al. The Faiss library[J]. arXiv Preprint arXiv, 2024: 2401.08281.

基金资助

2024年上海市高校青年教师培养资助计划“融合与创新：《医学影像智能技术》课程思政示范课程建设”(BJ1-3000-24-0070)

2024年上海市高校教师产学研践习计划(BJ1-3000-24-0068)

2024年上海交通大学AI+微专业项目“AI+医学影像技术”(BJ1-7000-25-7298)

2024年上海交通大学医学院本科荣誉课程建设项目“智能影像技术”(KJ3-0221-24-7294)