数智赋能背景下的医学影像设备学课程建设路径探索与实践

Exploration and practice of curriculum development paths for Medical Imaging Equipment under the background of digital intelligence empowerment

摘要

随着人工智能技术的快速发展，高等医学教育正加速向数智化转型。医学影像行业已进入智能化新时代，对医学影像人才的培养提出了更高的要求。本文聚焦于数智赋能背景下的课程建设，系统探讨了医学影像设备学课程建设的有效路径，构建了自组织学习环境中融合生成式人工智能的（GAiSOLEs）教学模式，开展了课程建设教学效果验证，给出了课程建设的思考与启发，为提升数智课程教学质量和推动医学教育的智能化发展提供了有益参考。

Abstract

With the rapid advancement of artificial intelligence technology, higher medical education is undergoing a swift transformation towards digital and intelligent paradigms. The medical imaging industry has also entered a new era of intelligence, which has placed higher demands on the training of medical imaging talents. This paper focuses on the construction of the Medical Imaging Equipment course under the empowerment of digital intelligence. It systematically explores effective pathways for course development and proposes a teaching mode of Generative Artificial-intelligence fusion in Self-Organized Learning Environments (GAiSOLEs). The effectiveness of curriculum implementation is evaluated and reflections and insights are also further analyzed, providing valuable references for improving teaching quality and promoting the intelligent development of medical education.

Graphical abstract

关键词

数智赋能 / 医学影像设备学 / 生成式人工智能 / 课程建设

Key words

digital intelligence empowerment / Medical Imaging Equipment / generative artificial intelligence / curriculum development

人工智能技术的持续突破，为重塑教育形态带来新的机遇和挑战，加快人工智能在高等教育领域的创新应用，是推进教育均衡发展、促进教育公平和提高教育质量的重要途径^[1]。越来越多的高校积极探索人工智能赋能教学全过程和全环节服务，数智赋能高等教育教学变革已经全面开启^[2-5]。同时，人工智能在医学影像行业中的深度渗透，已在影像分析、疾病诊断、治疗规划等方面展现出显著优势，推动医学影像行业加速迈向智能化和精准化发展新阶段^[6-7]。因而，医学影像教育必须直面人工智能技术革新带来的挑战与机遇，将前沿技术深度融合于教学改革之中。

1 课程建设的背景

医学影像设备是能够进行医学图像采集、处理、显示、存储与传输的多功能医疗设备，“医学影像设备学”课程包含了各种医学影像设备的结构、原理、图像处理技术及其在临床中的应用，综合了X线、CT、超声、MRI及核医学成像技术及设备知识，其理论深奥、结构严密且实践性强，是医学影像技术和工程专业的核心课程，也是医学影像学科基础理论和实践体系的重要支撑^[8]。上海健康医学院“医学影像设备学”课程经过多年建设与实践，先后获批上海市课程思政示范课程和一流本科课程。

“医学影像设备学”课程在转型过程中存在以下特点：一是作为专业核心课程，不仅承担着夯实专业基础的主要职责，同时在价值观养成方面具有重要的育人功能；二是课程内容丰富，涉及大量的抽象概念，要在较短时间内掌握各种医学影像设备的原理与结构、厘清各类医学成像技术间的异同，学生学习的负担较重；三是课程尚缺乏人工智能技术在医学影像设备中应用的系统性呈现，未充分体现新技术对专业发展的驱动作用；四是过程性考核对学生成绩区分度不高，评价主要依赖人工，反馈周期较长，缺乏个性化学习指导。

针对上述问题，课程持续探索融合数字技术与教育理论促进课程教学效果的提升。前期，借助网络课程平台与在线虚拟仿真实验平台开展线上线下混合式教学^[9]，取得了一定的教学改革成效，人机协同和人机交互理念也已渗透到医学影像设备学教学全过程^[10]。然而，传统网络课程平台主要发挥知识传输和教学管理工具的作用，在线虚拟仿真实验平台为学生提供了教师主导下的人机协同实验，两者均缺乏深度人机协同自主学习和协作学习的机会，而这正是智能时代需要重点培养的学习能力。因此，教师如何为学生构建人机协同环境，引导学生开展有效自组织学习，促进学生自主学习由外力推动到自主发展，促进学生解决问题能力和创新能力的提升^[11]，成为数智赋能背景下课程建设亟待解决的核心问题。

自组织学习理论主张学习是学习者与教学环境相互作用并进行自组织的过程，只要借助新兴技术为学习者创设一个开放、共享且适合于自主探究和协助的自组织学习环境，给予学习者足够的激励吸引其好奇心，同时确保教师最小化干预，学习者就能开启自组织学习，在实践探索中主动建构知识^[12-13]。生成式人工智能（generative artificial intelligence，GAI）具备强交互性和重个性化的学习环境，便于学习者开展自主探索和解决问题，这正与自组织学习理论的核心观点“学习是一个主动构建知识的过程”吻合^[12]，因此，探索自组织学习环境中融合GAI的（generative artificial-intelligence fusion in self-organized learning environments，GAiSOLEs）教学模式是破解促进学生自我发展与创新能力培养难题的有效抓手。

本课程建设将紧扣学校办学定位和专业人才培养目标，秉持以学生发展为中心、产出导向和持续改进的理念，进行课程整体规划并形成教学闭环，创新性地构建和实施适合于本课程的GAiSOLEs教学模式，开展课程建设的教学效果验证，旨在培养具备“精通临床业务、掌握工程技术、具备数据思维”的复合型医学影像人才，以应对行业“智能跃迁”所带来的深刻变革。

2 课程建设路径探索

2.1 内容组织

课程以立德树人为根本任务，围绕国家发展、社会责任、伦理道德与职业精神等维度，系统挖掘并提炼课程中蕴含的思政元素，将其有机嵌入教学情境与项目任务中，开发典型的课程思政案例，借助知识图谱对思政点进行可视化呈现，实现专业课与思政教育达成“自然融入、盐溶于水、润物无声”的融合效果，全面提升课程的育人效能。

课程采用知识图谱对知识结构进行可视化呈现^[14]，知识图谱由知识层、能力层和问题层组成。其中，知识层以每类设备成像原理、设备结构、工作过程、临床应用、图像质量控制及发展趋势为主线，系统构建五类医学影像设备的核心知识点，如图1所示。能力层明确了5项主能力与23项子能力，覆盖172个知识点。问题层包含1个全局层、5个概念层和40个方法层，层层递进，促进不同设备知识之间的关联挖掘，建立跨设备逻辑整合和系统性知识架构，实现有限课时内课程体系贯通和优化。同时，课程动态融入“新知识、新技术、新需求、新形势”，表1展示了新增的人工智能在医学影像设备中的应用教学内容。

GAI的模型幻觉问题引起的学习误导亟待引起重视，通过检索增强技术整合外部知识源可以有效减少模型的幻觉现象^[15]。课程所在的教研室结合了大模型语言和专业知识库，定制开发了专属智能体“小影侠医学影像技术”，显著提升了医学影像设备学知识问答的准确性和可靠性。此外，课程还引入了配备智能助手的在线虚拟仿真实验平台开展混合式实验教学，一方面，学生可以利用智能助手学习理论知识，辅助完成设备操作与图像分析任务；另一方面，教师可根据教学需求，优化迭代智能助手的语料库，进一步促进学生实践能力的提升和创新思维的养成。

2.2 教学模式

GAI的广泛应用，推动了课堂教学从“师-生”二元交互结构转变为“师-机-生”三元共生结构^[16]。课程依托网络课程平台、在线虚拟仿真实验平台和互联网等数字基座，构建了支撑三元交互的智能化自组织医学影像设备学学习环境，实施GAiSOLEs教学模式^[12]，强调以“大问题”为驱动，在课前、课中与课后各学习阶段中有机嵌入人机协同任务，引导学生开展持续性、深层次的探究学习与知识内化。以“磁共振成像设备图像质量控制与检测”教学小节为例，基于GAiSOLEs教学模式开展人机协同教学，其教学流程如图2所示。

（1） 课前启思

在“课前启思”阶段，通过“人机共探”方式引导学生进入自组织学习状态。教师基于教学目标利用GAI制作“走进MRI质控”课前学习任务，通过网络课程平台推送至学生端。学生在自组织学习环境下建立清晰的章节知识结构，利用GAI引导完成案例探索，在学习单中填写疑难问题并提交到网络教学平台。教师借助GAI进行学情分析和问题聚类，为后续课堂教学提供依据。

（2） 课中内化

在“课中内化”阶段，通过“师-机-生”协同，推动学生在自组织学习中对知识深度内化与吸收。①导入环节。借助GAI创设“正常和异常磁共振图像”案例，了解教学目标，激发问题意识。②前测环节。聚焦“磁共振质控体模”内容，借助GAI进行学情诊断。③参与式环节。针对“质控参数检测”难点，教师设置大问题，例如“如何用体模完成一次磁共振设备日常质控检测”，学生利用在线虚拟仿真实验平台开展人机协同实验，教师遵循“最小干预”原则，通过引导性提示而非直接解答具体问题支持学生深度探索。④后测环节。组织学生展示实验成果，开展小组间的GAI辅助思辨讨论，形成理性探讨和辩证思考的氛围。⑤总结环节。教师总结核心内容，布置课后学习任务。

（3） 课后升华

在“课后升华”阶段，通过“人机协同”强化学生在自组织学习中对知识的迁移应用。教师利用GAI分析学生的学习过程，根据学情设计课后作业。学生利用在线虚拟仿真实验平台完成MRI质控实验考核和实验报告撰写，借助GAI获得个性化建议和拓展资源，巩固知识与技能，激发创新思维，提升学习效果。教师利用GAI分析学生的学习成果，识别学生学习中的强项和薄弱项，反思教学过程，优化教学方案。

2.3 考核评价

课程遵循以学生的发展为中心、成果导向和持续改进的教育理念，通过形成性评价与持续反馈，全面提升学生的知识、能力、素质目标达成度。课程考核由形成性评价和终结性评价组成，各占总成绩的50%。其中，形成性评价由考勤、资源学习、课程积分、课后作业、分组任务、实验报告及实验考核等部分组成；终结性评价为闭卷考试形式，试题题型分客观题和主观题，客观题重点考察学生对基础知识的掌握度，主观题重点考察学生的思维能力和应用能力。课程注重形成性评价改革，在教学过程中利用网络教学平台动态追踪学生的学习行为，借助GAI工具的可视化反馈，定期向学生发布学习改进建议，侧重对学习的积极性和任务完成质量的考察，着力提升形成性评价的反馈价值和干预实效。

3 课程建设成效

3.1 思政育人

课程围绕 “中国制造”与“健康中国”战略，深入贯彻“把人民群众生命安全和身体健康放在首位”的核心理念，融入“医者仁心、救死扶伤、甘于奉献”的职业精神，引导学生在学习医学影像设备结构与工作原理、临床应用等专业知识过程中，树立“科学精神、工匠精神、质量意识”和“民族品牌”自信。通过图像“矛盾观”、设备“统一观”、新技术“发展观”等哲学视角，引导学生以辩证思维理解医学影像技术，提升数据伦理意识与技术责任感，培育高素质、复合型、创新型应用人才，实现知识传授与价值塑造的协同，切实增强学生的专业认同、社会责任与使命担当。

3.2 教学效果

（1） 课程成绩定量分析

以2024 — 2025学年2023级医学影像技术本科1班（62人）、2023 — 2024学年2022级影技1班（64人）及2022 — 2023学年2021级影技1班（60人）的期末成绩作为研究对象，使用SPSS27.0软件进行统计分析，计量资料以(x±s)表示，以P<0.05为差异具有统计学意义。结果显示：2023级学生成绩为（78.90±6.24）分，高于2022级的（77.53±8.64）分和2021级的（74.32±6.18）分；2023级学生成绩在80分以上的优良率为51.6%，高于2022级的43.8%和2021级的20.0%。独立样本t检验结果表明，2023级与2022级之间的成绩差异无统计学意义（P=0.321），但与2021级之间差异具有统计学意义（P<0.001）。上述结果表明，随着课程教学改革和数智赋能建设的不断推进，学生的综合学习能力呈现稳步提升的趋势。

（2） 问卷调查定性分析

课程组对每个年级的平行班均同步实施了教学改革，最新一届2023级影技1班学生成绩（78.90±6.24）与2023级影技2班学生成绩（78.26±8.75）处于同一水平，且问卷调查反馈趋高度一致。此外，针对2023级影技1班62名学生的问卷情况（问卷回收率为100%）进行分析，如表2所示。结果表明，课程在多个维度获得了学生的广泛认可：①在知识构建方面，100%的学生认为课程能帮助了解医学影像设备构造与系统组成；②在能力与素养提升方面，98.4%的学生反馈课程巩固了设备物理原理、提升了操作设备的规范意识和基本能力、增强了对智能影像新技术的了解；96.8%的学生认为课程对熟悉医学影像设备临床应用及发展趋势、提升个人自主学习与查阅技术资料的能力有帮助；③在数智赋能接受度和自我效能方面，93.6%的学生认为引入“知识图谱”“智能体”等工具有助于理解课程结构和内容；95.2%的学生认为课程对评估并改进自己的学习效果有帮助。

（3） 半结构化访谈分析

通过定性研究中的半结构化访谈法，深入了解往届学生对课程的学习体验、归纳学生的学习需求和探讨课程的改进方向。10位受访者中，5位来自2022级，5位来自2021级。学生普遍认为传统课程在抽象原理的可视化呈现、专业知识的即时答疑、沉浸式实践机会的提供方面存在不足。一名在医院放射科工作的受访者（2021级学生A）指出：“目前岗位最需要的是对设备工作原理和基础构造的深入了解与应用。如果在新教学模式下能够通过学科智能体辅助理解原理与构造，并能在学习过程中随时随地获得个性化指导，学习效果会显著提升”。另一名正在医院放射科实习的受访者（2022级学生B）认为：“若能模拟放射科常见的设备应急场景及不同体型患者的扫描参数调整需求，并能提供智能反馈导引，学生能反复沉浸式练习，能快速提升适应实习岗位的实际工作”。这些反馈从纵向视角印证了在本轮课程建设中打造自组织学习环境实施GAiSOLEs教学模式的必要性和有效性。

3.3 建设启发

医学影像设备学课程数智赋能建设，有效提升了学生的学习效果，成果体现在：①教学内容智能化，打造了课程知识图谱，融合了思政元素，动态更新前沿知识；②教学环境智能化，构建了融合专属智能体、线上虚拟仿真实验平台及网络教学平台的自组织多元学习环境；③教学模式智能化，实施了GAiSOLEs人机协同教学模式，开展持续性、深层次的探究学习与知识内化；④评价智能化，利用网络教学平台提升形成性评价的反馈价值和干预实效。

课程建设过程中新技术的使用带来的负面影响也应该引起重视，主要有：①学生急于完成任务而忽视GAI幻觉现象和算法偏差等技术伦理问题，教师需强化数据伦理观念和培养学习行为规范；②学生过度依赖工具导致主动思考和批判性思维能力下降，教师应引导学生正确认识工具不能代替人进行思考，使用工具时要主动思考；③教师作为教学活动的设计者和主导者，要深入理解GAI技术原理，从而更好地引导学生有效使用工具；④教师需要意识到人机交流取代不了人际交流，应增加与学生探讨创造性问题的时间，促进学生的创新能力培养。

本课程建设的关键实施要素可概括为：①知识体系相对复杂的课程，应构建以动态知识图谱为核心的内容体系，推动知识结构化组织、可视化呈现和前沿内容的动态更新；②打造自组织多元学习环境，为学生开展深度人机协同自主学习和协作学习提供支持；③推行以人机协同为特征的教学模式，强化教师在教学设计、过程引导和技术伦理规范中的主导作用；④坚持以学生发展为中心、产出导向和持续改进的理念，实施“教—学—考—练—评”闭环评价和反馈机制，实现教学过程的动态监测与持续优化。课程建设的核心理念和实施路径，特别是自组织学习环境构建及GAI的深度融合方面形成的教学策略，为同类课程在促进学生自我发展与培养创新能力提供了可推广的方案。

4 结束语

面向医学影像行业新发展对人才培养的新要求，围绕课程转型中存在的痛点，通过重塑育人理念、建设知识图谱、更新教学资源、创新教学模式和完善评价方法，持续推动医学影像设备学数智课程建设，显著优化了教学流程和学习路径，促进了学生对医学影像设备原理、结构组成及临床应用等核心内容的内化吸收，加强了对学生实践能力的培养。尽管课程建设与教学改革取得了良好的阶段性成果，但在教学研究设计方面仍存在局限性，如未设置平行对照组，难以排除其他潜在因素对教学效果的影响，从而在一定程度上降低了研究结果的可靠性。未来，可通过设置对照组、采用随机实验等方式进行对比，进一步证实课程建设和教学改革的确切效能。同时，课程团队将继续深化课程教学改革，重点推进以下方面的工作：在自组织环境建设方面，定期向学生、教师同行、督导等征求学科智能体的改进建议，结合反馈优化学科智能体提示词、更新修正知识库内容、结合大模型基座的更新实时提升智能体能力等；在精准教学方面，构建融合多维数据的学习者画像模型，通过画像结果精准诊断教学问题，给出教学干预策略等。通过以上举措，不断提升医学影像设备学的教学质量和育人成效，为培养更多的医学影像技术和工程人才以及推动医学教育高质量发展提供持续支撑。

参考文献

[1] 王繁, 刘永强, 周天华. 人工智能引领高等教育数字化创新发展[J]. 中国高等教育, 2024(Z1): 9-12.

[2] 贾辉, 康大力, 战祥毅, 等. 人工智能在医学院校“双课堂”协同教学实践中的探索[J]. 继续医学教育, 2024(10): 33-36.

[3] 孔令希, 朱璇. 人工智能在检验医学教学中的应用[J]. 医学教育研究与实践, 2024(6): 713-717.

[4] 何炼图, 汤庆, 汤佳馨, 等. 人工智能+医学影像教育新模式的作用与构想[J]. 中国继续医学教育, 2018(20): 31-33.

[5] 吴同, 魏愉, 杨伟生, 等. 人工智能视域下护理专业课堂教学行为分析与评价系统设计[J]. 中国医学教育技术 2024(6): 741-745.

[6] 张哲尧, 徐凯. 深度学习在医学影像学中的国内研究新趋势: 基于CiteSpace的科学计量分析[J]. 放射学实践, 2024(9): 1233-1237.

[7] 王蔚凌, 陆明. 2024年北美放射学会(RSNA)年会: 新技术与新业务引领医学影像新潮流[J]. 中国医学影像学杂志, 2024(12): 1201-1202.

[8] 齐现英, 何乐民, 唐峰, 等. 基于SPOC的递进式“CBL+TBL”翻转课堂在医学影像设备学教学中的探索[J]. 中国高等医学教育, 2024(3): 114-116.

[9] 陈珊珊, 汪红志, 夏天, 等. 基于数字孪生技术的智能医学影像实验室构建及应用[J]. 实验技术与管理, 2022(10): 101-107.

[10] 王文军, 叶青, 乔锐, 等. 基于虚拟现实技术的大型医学影像设备计量质控训练系统的设计与实现[J]. 空军军医大学学报, 2024(11): 1249-1252.

[11] 黄明芳, 侯青涵, 张韦. 生成式人工智能在医学教育领域的应用现状与未来趋势[J]. 医学与社会, 2025(1): 29-34.

[12] 朱莎, 李嘉源, 况秀林, 等. 生成式人工智能何以赋能学生数字素养培育: 基于信息科技课程的实证研究[J]. 中国电化教育, 2025(2): 75-83.

[13] 王宇, 杨絮. 基于自组织学习理念的混合式实验教学模式研究: 以“数字图像处理”实验为例[J]. 工业和信息化教育, 2023(1): 79-83.

[14] 张南文, 陈少雅, 郑宁, 等. 基于知识图谱的课程数字化管理在实验药理学中的应用及效果评价[J]. 中国高等医学教育, 2024(10): 64-65.

[15] 丁宁, 宋雨欣, 单泽田, 等. 基于检索增强生成(RAG)技术的医学教学辅助智能问答系统的构建探索[J]. 中国医学教育技术, 2025(1): 1-5.

[16] 袁磊, 徐济远, 刘沃奇. 数智教育生态下人机协同教学范式转型[J]. 开放教育研究, 2025(2): 108-117.

基金资助

教育部产学合作协同育人项目2023年第二批项目(230800562222316)

2025年度上海高校市级重点课程建设立项（磁共振成像技术及设备）

上海健康医学院数智课程建设项目(A1-0200-25-309016-6)