深度学习辅助诊断技术在中医院校影像教学中的应用探索

Exploration of the application of deep learning-assisted diagnostic technology in imaging education of TCM colleges and universities

摘要

目的 探讨基于深度学习技术的人工智能辅助诊断（artificial intelligence supported diagnosis，AISD）软件在中医院校医学影像实践教学中的应用价值。针对传统教学模式因二维图像认知难度大、课时有限而导致的学生对复杂影像理解不足与实操能力短板的问题，本研究旨在通过实证研究，为构建智能且高效的医学影像教学模式提供依据。 方法 研究对象为2023年7月至2024年7月在上海中医药大学参加医学影像课程的100名2020级本科见习生，随机分为试验组（n=50）和对照组（n=50）。试验组使用头颈动脉AI辅助诊断系统，通过影像后处理（包括曲面重建、容积重建、最大/最小密度投影）到智能分析（涵盖斑块性质识别、狭窄程度分析、数据测量工具）等功能的全流程学习，实现对头颈动脉影像的多角度、定量化探索，对照组则采用传统多媒体幻灯片教学。两组均完成2课时学习。通过笔试、自我效能感和自我导向学习能力测试，对两组学生的学习效果进行评估，并对数据进行统计学比较。 结果 教学结束后，试验组学生的笔试总成绩（86.50±3.16）分高于对照组（77.38±3.47）分（P<0.001）。在具体项目评分上，试验组头颈动脉识别得分为（52.28±2.11）分，对照组为（46.30±1.88）分（P<0.001）；病变动脉狭窄程度评判得分为（16.84±1.17）分，对照组为（15.58±1.80）分（P<0.001）；斑块性质判断得分为（17.38±0.92）分，对照组为（15.50±0.95）分（P<0.001）。教学前后，试验组在自我效能感上的提升［（4.38±1.43）分］大于对照组［（1.02±0.65）分］（P<0.001）；在自我导向学习能力上的提升［（21.8±1.90）分］也高于对照组［（10.5±1.37）分］（P<0.001）。 结论 基于深度学习的AISD软件可提升中医院校学生的影像理解能力、阅读技能和三维思维能力，增强自我效能感与自主学习能力，为医学影像教育智能化转型提供了可参考的实践模式。

Abstract

Objective To exploring the application value of artificial intelligence supported diagnosis (AISD) software based on deep learning technology in the practical teaching of Medical Imaging in traditional Chinese medicine (TCM) colleges and universities. In view of the problems of students’ insufficient understanding of complex images and short practical ability caused by the difficulty of two-dimensional image cognition and limited class hours in the traditional teaching mode, this study aims to provide the basis for the construction of intelligent and efficient Medical Image teaching mode through empirical research. Methods The study involved 100 undergraduate interns of grade 2020 who participated in Medical Imaging course in Shanghai University of Traditional Chinese Medicine from July 2023 to July 2024. They were randomly divided into the experimental group (n=50) and the control group (n=50). The experimental group used the AI-aided head and neck artery diagnosis system to realize the multi-angle and quantitative exploration of the head and neck artery image through the whole process of image post-processing (including surface reconstruction, volume reconstruction, maximum/minimum density projection) to intelligent analysis (covering plaque property identification, stenosis analysis, data measurement tools), while the control group used traditional multimedia slide teaching. Both groups completed 2 hours of study. Through the written test, self-efficacy and self-directed learning ability test, the learning effects of the two groups of students were evaluated, and the data were statistically compared. Results When the teaching ended, the total written test score was significantly higher in the experimental group (86.50±3.16) than in the control group (77.38±3.47), (P<0.001). In terms of specific item scores, the experimental group also outperformed the control group acrossed domains: head and neck artery recognition [(52.28±2.11) vs. (46.30±1.88), P<0.001], evaluation of arterial stenosis severity in the diseased group [(16.84±1.17) vs. (15.58±1.80), P<0.001], and characterization of plaque nature [(17.38±0.92) vs. (15.50±0.95), P<0.001]. Before and after teaching, the experimental group showed a greater improvement in self-efficacy (4.38±1.43) compared with the control group (1.02±0.65) (P<0.001); The improvement in self-directed learning ability (21.8±1.90) was also higher than that of the control group (10.5±1.37) (P<0.001). Conclusion The AISD software based on deep learning can improve the image comprehension ability, reading skills, and three-dimensional thinking ability of students in TCM colleges and universities, enhance their self-efficacy and self-learning ability, and provide a practical reference mode for the intelligent transformation of medical imaging education.

关键词

人工智能 / 深度学习 / 中医院校 / 医学影像学

Key words

artificial intelligence / deep learning / TCM colleges and universities / Medical Imaging

医学影像学作为一门兼具临床实用性与复杂知识体系的学科，要求学习者不仅要掌握正常解剖结构的影像表现，还需精准识别各类疾病的影像特征^[1]。然而，在传统教学实践中，二维图像的认知局限性显著增加了空间结构理解难度，加之师资力量与教学时间的双重制约^[2]，难以通过常规PPT教学完整呈现典型病例图像，更无法给予学生充分的个性化指导。这种困境在中医院校尤为突出：医学影像课程普遍存在课时压缩现象，导致学生专业基础相对薄弱；而临床见习阶段的时间限制，又对教学效率提出了更高要求。在此背景下，人工智能（artificial intelligence, AI）辅助教学凭借其突破时空限制的技术优势，为重构医学影像教学模式提供了关键突破口，在医学影像教学中的应用迅速发展^[3-5]。以卷积神经网络（convolutional neural network， CNN）为代表的深度学习算法，已成功应用于肺结节检测、乳腺病变分类等临床场景^[6-9]，其强大的图像解析能力为构建三维可视化教学系统奠定了技术基础。通过AI技术对影像数据进行多维度重构，不仅能有效提升学生的空间思维能力，更能创建沉浸式学习环境以强化自主学习效能。

尽管AI辅助教学工具展现出巨大潜力，其推广仍面临现实挑战：高算力需求带来的硬件门槛、软件操作的专业性要求，以及师生数字素养的适应性培养等问题亟待解决。本研究引入基于深度学习技术的人工智能辅助诊断(artificial intelligence supported diagnosis, AISD)教学系统，在优化临床诊断流程的同时，构建起AI技术与教学实践的创新桥梁。相较于传统教学模式，该平台通过智能化病例库建设、三维影像动态演示和即时反馈系统，显著提升了教学资源的利用效率。这种双轨并进的教学改革，既强化了学生的影像判读实践能力，又通过自适应学习机制培育其自我效能感，为医学影像教学的数字化转型提供了兼具理论深度与实践价值的解决方案。

1 材料和方法

1.1 研究对象和分组

本研究选取上海中医药大学2020级医学影像专业课程的本科生中，2023年7月— 2024年7月见习的100 名学生作为研究对象。按照学号随机分为试验组和对照组，每组各50 名。

1.2 方法

本研究旨在比较基于深度学习技术的AISD软件教学与传统多媒体示例片教学在脑血管疾病课程中的教学效果。研究指标包括课后两组学生的笔试成绩以及课前后自我效能感和自我导向学习能力的变化情况。

1.2.1 师资及设备器材

师资方面，试验组及对照组均由具有主治及以上职称的教师带教，这些教师均具备5 年以上教学经验，并通过教研室考评及青年教师培训，具有较高的教学水平及带教能力。

设备器材方面，试验组采用基于深度学习技术的AISD软件（深睿医疗Dr.Wise^®）。对照组采用传统多媒体示例片。

1.2.2 教学内容及方法

研究以脑血管疾病（如头颈动脉斑块狭窄引起的脑梗死）为核心，选择目前最常用的无创性颈动脉检查——头颈动脉CTA的影像图像进行教学及对比研究。

教学内容：①头颈动脉主干识别，包括两侧颈总动脉、颈内外动脉、椎-基地动脉及两侧大脑前、中、后动脉的识别。②狭窄判断，采用北美症状性颈动脉内膜切除试验（north american symptomatic carotid endarterectomy trial，NASCET）方法测量。头颈动脉狭窄程度的计算公式为：（1-A/B）×100%，其中A代表颈动脉最窄处管径，B代表狭窄远端正常管径。根据NASCET、欧洲血管外科学会2023动脉粥样硬化性颈动脉和椎动脉疾病临床实践管理指南、欧洲心血管放射学会专家共识，将头颈动脉狭窄程度分为3级：轻度狭窄（0%~49%）；中度狭窄（50%~69%）；重度狭窄（70%~99%）。③斑块分类，通过多排螺旋CT并结合血管分析软件，根据CT值将颈动脉斑块分为非钙化斑块（<60 HU）、混合斑块（60~130 HU）以及钙化斑块（>130 HU），直观显示病变情况。

教学方法：①试验组根据教学大纲收集典型临床病例的病史、体检及影像学资料。在一对多教学系统学习后，学生通过AI辅助诊断系统在规定时间内学习（2 课时共90 min）。具体步骤为教师首先带领学生学习典型示教片并系统地演示与指导操作，包括系统登录、病例数据调取、影像后处理、智能分析及影像结论输出的全流程。为保障教学效率与体验，该软件界面设计注重易用性与功能分区，其核心功能更是集多模态影像重建与智能分析于一体，涵盖曲面重建（curve planar reformation，CPR）、容积重建（volume rendering，VR）、最大/最小密度投影（maximum/minimum intensity projection，MIP）等三维后处理技术，并具备斑块性质识别、血管狭窄程度量化分析、精准数据测量及结构化报告自动生成等高级辅助诊断功能；随后学生自主使用AISD软件，对颈动脉图像进行多角度分析，同时观察AI生成的诊断结果，并结合个人理解反思学习内容。AI系统提供全面的诊断信息和结构化报告^[10]，学生可自由选择病例进行深入学习。②对照组采用传统多媒体教学法。在一对多教学系统学习后，运用多媒体幻灯片示例片学习（2 课时共90 min），即教师通过多媒体幻灯片展示典型病例，指导学生逐步分析案例并展开讨论。课后，教师将教学课件上传至学习群，学生通过复习幻灯片进一步巩固学习内容。整个过程中，学生主要通过示例片中二维图像进行连续观察和分析，教师对复杂影像提供必要的辅助讲解。

1.3 教学效果评价

两组学生均使用相同的教学效果评价工具。

1.3.1 笔试

在学习结束1 周后，两组学生参加考试。运用见习带教系统线上测试，包括选择题、填空题。考试内容包括10 例头颈动脉相关病例的三项评估：头颈动脉识别（60 组，每组1 分，共60 分）、颈动脉狭窄程度判断（20 处，每处1 分，共20 分）及斑块性质判断（20 处，每处1 分，共20 分），总分100 分，考试限时1 小时。成绩客观反映学生对知识点的掌握情况。

1.3.2 学业自我效能量表

（1） 量表来源与理论依据

本研究采用的学业自我效能量表由华中师范大学梁宇颂等编制^[11]，在参考Pintrich & DeGroot(1990)编制的学业自我效能问卷理论框架与维度划分的基础上，结合中国文化背景进行了本土化修订。选择此量表主要基于以下考量：第一，该量表在国内医学教育领域已得到广泛应用，具有良好的信效度；第二，量表所涵盖的学习能力与学习行为自我效能感等维度，与本研究探讨影像教学场景高度契合，能有效反映研究干预的效果。

（2） 量表结构与评分设计

该量表分为学习能力自我效能感和学习行为自我效能感两个独立的维度。前者是指评价学生能否完成学业，取得满意的成绩，反映个体对自己学习能力的自信程度；后者是指对学生是否认为其学习行为能够达到学习目标的评价，体现个体对自己学习行为的自信和执行能力。每个维度包含11 道题，共22 道题，采用五分制评分（1~5 分）：完全不符合（1 分），非常不符合（2 分），有点符合（3 分），非常符合（4 分）和完全符合（5 分）。总评分范围为22~110 分，分数越高代表效能感越强。

（3） 量表应用与软件评估

在本研究中，该学业自我效能量表将被用作试验组、对照组间及各组教学前后的评价工具，以评估基于深度学习技术的AISD软件辅助教学对学生自我效能感水平的影响。

1.3.3 自主学习量表

该量表旨在评估被试者对学习目标的清晰程度、对学习意义的认识深度等。共包括学习意识、学习行为、学习策略、学习评价和人际交往技能五个维度，每个维度包含12 道题，五分制评分（1~5 分）：从不（1 分），很少（2 分），偶尔（3 分），经常（4 分），总是（5 分）。每个维度的评分范围为12~60 分，共五个维度，总评分范围为60~300 分。根据总分来评估被试者的自主学习能力水平，得分越高表示自主学习能力越强。

1.4 统计分析方法

采用GraphPad Prism 10.2.3软件对数据进行分析。计量资料采用（x±s）表示，组间比较采用独立样本t检验，教学前后比较采用配对t检验。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

试验组平均年龄为（23.2±1.3）岁，对照组平均年龄为（23.6±1.2）岁，两组年龄差异无统计学意义（t=1.599，P=0.113）。试验组中男性28名（56.0%），女性22名（44.0%）；对照组中男性26名（52.0%），女性24名（48.0%），性别分布差异无统计学意义（χ²=0.161，P=0.688）。

2.2 两组学生考试成绩比较

10例头颈动脉图像中，试验组和对照组学生的总成绩得分[（86.50±3.16）vs.（77.38±3.47）]、头颈动脉识别准确性得分[（52.28±2.11） vs. （46.30±1.88）]、病变动脉狭窄程度评判得分[（16.84±1.17） vs. （15.58±1.80）]及斑块性质判断得分[（17.38±0.92） vs. （15.50±0.95）]差异均有统计学意义（均P<0.05），试验组均高于对照组，如表1所示。

2.3 两组学生学业自我效能感和自我导向学习能力比较

结果显示，试验组与对照组在开始教学前的学业自我效能感和学业自主学习能力均无统计学差异（P>0.05）。而教学结束后，对两组学生的学业自我效能感及学业自我导向学习能力得分进行比较，试验组的得分均较对照组有所提高（P<0.001）。教学前后，两组学生在自我效能感及自我导向学习能力得分的变化量上表现出差异：试验组在自我效能感上的提升量（4.38±1.43）高于对照组（1.02±0.65）（P<0.001）；在自我导向学习能力上的提升量（21.8±1.90）也高于对照组（10.5±1.37）（P<0.001）。总体而言，试验组在教学前后的进步幅度高于对照组，如表2所示。

3 讨论

本研究旨在探讨基于深度学习技术的AISD软件在医学影像学实践教学中的应用效果。AISD软件的引入不仅优化了临床诊断，也为教学模式创新创造了条件，在教学过程中显著提高了学生的综合能力。这表明，AISD软件在医学影像教学中具有重要的促进作用。

3.1 教学效果实证

实验数据显示，使用AISD系统的试验组在笔试成绩、自我效能感量表及自主学习量表评分均优于对照组。其中，试验组与对照组在开始教学前的学业自我效能感和学业自主学习能力均无明显差异，但在教学前后及教学后两组得分对比均有所提高。值得关注的是，两组学生在三维空间思维能力评估方面，试验组正确识别头颈部血管及血管狭窄程度判断，相较对照组形成显著差异。这验证了Yammine等^[12]关于三维可视化促进实践技能的理论，同时揭示其提升维度主要聚焦于临床思维而非纯理论知识记忆。由此可见，基于深度学习的AISD软件在影像教学中展现出一定优势。

3.2 研究定位与技术背景

人工智能技术正深刻重塑医学实践与教学模式。张鲲鹏团队^[13]开发的主动脉瓣三维重建系统，通过精准术前预测验证了AI在复杂解剖结构解析中的独特优势。这种技术迁移性在医学影像教学中同样显著：基于CNN的深度学习技术，凭借其强大的特征提取与端到端图像处理能力^[14-15]，为构建智能教学系统提供了核心引擎。本研究聚焦开发的AISD软件，正是这一技术范式的教学转化——通过构建病变检测模型与三维影像重建算法，实现血管狭窄、微小动脉瘤等病变的智能识别与标注，为实践教学搭建数字化操作平台。

3.3 传统教学困境及智能技术突破

传统二维横断面图像多媒体教学模式存在双重局限：一方面，头颈部血管受骨质干扰的成像特性，使二维图像难以准确呈现病变空间关系，制约学生空间思维发展；另一方面，常规教学依赖教师人工标注与讲解，在有限课时内难以覆盖典型病例。这种结构性矛盾在中医院校尤为突出，影像学课时压缩与见习时间短缺进一步放大了教学供需失衡。

AISD软件通过三项技术革新突破上述瓶颈：①融合专家标注数据的深度学习模型，实现VR/CPR/MIP等多模态影像的自动重建，不仅能准确识别血管狭窄和斑块，还消除了传统去骨操作对教学流程的干扰，提升检查效率；②以血管为中心的智能阅片系统，支持图像自由旋转与病灶动态演示，使抽象解剖概念具象化，突破时空限制的技术优势，为重构影像教学模式提供了关键突破口；③集成自动测量与诊断建议功能，模拟临床工作场景，通过即时反馈机制强化学习沉浸感，为影像实践教学注入了新活力。

3.4 技术挑战与应对策略

尽管基于深度学习的AISD软件在医学影像教学中展现出显著优势，但其规模化应用仍面临数据、算法及系统集成三方面的技术瓶颈，需针对性解决。

3.4.1 数据异构性与标注质量问题

多中心数据的异构性可导致模型泛化性能下降10%~30%，而专家对斑块边界标注的一致性（组内相关系数，intraclass correlation coefficient, ICC）常低于0.8，制约了高质量训练集的构建。对此，研究提出构建标准化数据联盟，联合三甲医院制定统一的头颈动脉CTA扫描协议（涵盖对比剂浓度、层厚等参数），实施自动化结合人工的双重质控流程，确保入库数据合格率>95%，并通过“双专家标注+仲裁”机制提高标注质量，结合AI预标注工具提升效率。

3.4.2 复杂影像特征泛化能力不足

现有模型在复杂影像特征，尤其是罕见病变（如<3 mm动脉瘤）的判读泛化能力不足，其F1值降幅达15%~20%。为此，采用3D ResNet或3D DenseNet等网络直接处理三维体数据，强化空间特征提取能力，引入Vision Transformer (ViT)架构以建模血管的长程依赖关系^[14]；此外，构建增量学习框架（知识蒸馏）融入新病例数据以支持模型在临床应用中的持续迭代优化。

3.4.3 系统集成兼容性壁垒

AISD软件与医院现有的HIS/PACS系统及教学平台之间普遍存在兼容性壁垒，阻碍了其在临床与教学环境中的无缝部署与应用。解决方案在于实施接口标准化与构建适配层，这是破除技术壁垒的有效路径，确保AISD软件与不同厂商的异构系统实现高效互操作。

综上所述，通过系统性地攻克数据、算法与集成瓶颈，可为AISD软件的可持续发展奠定坚实基础，从而加速其在医学教育领域的深度融合，最终推动医学教育与临床诊断的智能化转型。

3.5 技术比较与发展前瞻

相较于其他三维影像教学手段，AISD展现出独特优势：与3D打印技术相比，其动态演示功能更利于理解血流动力学特征；对比虚拟现实（virtual reality, VR）系统，尽管VR在教育中具有显著的影响力^[16]，但其优势在于无需昂贵外设的轻量化设计，更符合国内院校实际。尽管当前系统在微小动脉瘤检出率及敏感性优于住院医师平均水平，但CNN模型对罕见病变的识别仍需持续优化。这种技术迭代与教学需求的动态适配，正推动医学影像教育向智能化、标准化迈进^[17-18]。

4 结论

在中医院校的医学影像教学中，引入基于深度学习技术的AISD软件，能够有效弥补传统教学方法的不足。AISD软件通过高效的三维成像及智能分析，帮助学生更直观地理解和掌握医学影像诊断技巧，从而提高了学生的影像阅读技能。在使用软件过程中，学生的影像阅读能力、自我效能感和自主学习能力得到了显著提升。此外，AISD技术为虚拟环境中的模拟实践教学提供了新的机遇，学生能够在模拟环境中进行高效的诊断训练，提升其实际操作能力和应对复杂临床情况的能力。这种实践机会，不仅增强了学生的动手能力，也为他们将来进入临床工作提供了坚实的基础。未来可通过5G网络实现AISD软件的云端部署，结合实时视频交互功能，构建远程影像教学平台。借助互联网，不同地区的学生和教师可以进行实时互动与协作，这为医学影像教学提供了更加灵活和广阔的发展空间。随着技术的不断进步，医学影像教学也将逐步迈向全面数字化和智能化的时代。影像科医师应当充分利用AI技术，不断创新教学方法，为医学影像教学事业做出更大贡献。

参考文献

[1] O’Keeffe G W, Davy S, Barry D S. Radiologist’s views on anatomical knowledge amongst junior doctors and the teaching of anatomy in medical curricula[J]. Annals of Anatomy, 2019, 223: 70-76.

[2] Chen Y, Zheng K, Ye S, et al. Constructing an experiential education model in undergraduate radiology education by the utilization of the picture archiving and communication system (PACS) [J]. BMC Medical Education, 2019(1): 383.

[3] 胡方云, 孙振虎, 周建国. 人工智能技术在医学影像学教学中的应用与评估[J]. 中国卫生产业, 2024, 21(12): 152-155.

[4] 张配配, 冯朝燕. 人工智能技术在医学影像课程实习教学中的应用思考[J]. 智慧健康, 2024, 10(8):1-4.

[5] 李新春, 王鹏, 苏曦, 等. 人工智能辅助教学在医学影像教学中的应用前景[J]. 中国继续医学教育, 2021, 13(4): 86-89.

[6] 韩莎莎, 程留慧, 张卉, 等. 人工智能深度学习在冠心病影像辅助诊断中的应用[J]. 中国中西医结合影像学杂志, 2023, 21(4):467-469.

[7] Ito Y, Miyoshi A, Ueda Y, et al. An artificial intelligence-assisted diagnostic system improves the accuracy of image diagnosis of uterine cervical lesions[J]. Molecular and Clinical Oncology, 2022, 16(2): 27.

[8] Winkels M, Cohen T S. Pulmonary nodule detection in CT scans with equivariant CNNs [J]. Medical Image Analysis, 2019, 55: 15-26.

[9] Kooi T, Litjens G, Van Ginneken B, et al. Large scale deep learning for computer aided detection of mammographic lesions[J]. Medical Image Analysis, 2017, 35: 303-312.

[10] 杨阳, 刁楠, 黄增发, 等. CAD-RADS在冠心病诊断中的应用: 人工智能与人工方法的对照研究[J]. 放射学实践, 2022, 37(4): 413-418.

[11] 梁宇颂. 大学生学业自我效能感与心理健康的相关性研究[J]. 中国临床康复, 2004(24): 4962-4963.

[12] Yammine K, Violato C. A meta-analysis of the educational effectiveness of three-dimensional visualization technologies in teaching anatomy[J]. Anatomical Sciences Education, 2015(6): 525-538.

[13] Zhang K, Gao Y, Lu J, et al. Artificial intelligence-based spiral CT 3D reconstruction in transcatheter aortic valve implantation[J]. Computational and Mathematical Methods in Medicine, 2022, 2022: 5794681.

[14] 陈炜昊. 基于卷积神经网络的医学影像辅助诊断方法研究[D]. 咸阳: 西北农林科技大学, 2024.

[15] 刘子仪. 基于可变形卷积的医学影像辅助诊断算法研究[D]. 成都: 西南交通大学, 2023.

[16] Zhao J, Xu X, Jiang H, et al. The effectiveness of virtual reality-based technology on anatomy teaching: A meta-analysis of randomized controlled studies[J]. BMC Medical Education, 2020, 20(1): 127.

[17] 张添辉, 刘舒珊, 曾锦梁, 等. 人工智能在放射科阅片教学中的应用现状及前景展望[J].继续医学教育, 2023, 37(10): 153-156.

[18] 岳梅, 张叶江. 人工智能时代医学教学改革方向研究[J]. 中国继续医学教育, 2020, 12(7): 6-9.

基金资助

上海中医药大学第二十三期课程建设项目(KECJ2024139)