基于人工智能辅助超声医学诊断意识提升与实践的学科交叉融合教学研究

Interdisciplinary integration teaching for enhancing awareness and practice of ultrasound medical diagnosis based on artificial intelligence

摘要

目的 为提升超声科住院医师对人工智能辅助超声诊断的应用意识与实践技能，解决人工智能科研成果临床转化率低的问题，设计超声诊断相关的人工智能素质学科交叉融合教学课程，探索多学科融合培养的有效路径。 方法 选取2023年1月—2025年11月在首都医科大学附属北京天坛医院超声科进行培训学习的48名住院医师为研究对象，通过调查问卷了解住院医师对人工智能辅助超声诊断的意识现状，通过临床文献研读会、人工智能辅助软件模拟操作及临床教学等方式设计多学科交叉融合教学方案，通过调查问卷了解此教学方案的可行性及认可度。 结果 住院医师对人工智能辅助超声诊断了解程度一般，且缺乏相关培训及实践经验，89.6%的住院医师希望接受人工智能素质教育。97.9%的住院医师对人工智能辅助超声诊断交叉融合教育课程的评价良好，认为其可帮助住院医师构建多学科融合知识框架，培养创新思维，锻炼实践操作技能并满足临床工作需求。 结论 超声科住院医师对人工智能辅助超声诊断已具有基本的意识，且具有迫切学习需求。人工智能辅助超声诊断学科交叉融合素质教育得到住院医师广泛认可，可作为人工智能素质培养的临床教学新思路，培养医学复合型人才，推动智能医疗革新。

Abstract

Objective To design an interdisciplinary teaching curriculum focused on artificial intelligence (AI) literacy for ultrasound diagnosis, and explore effective pathways for multidisciplinary integrated training, so as to enhance the application awareness and practical skills of residents in the department of ultrasound regarding AI-assisted ultrasound diagnosis, and address the issue of low clinical translation rate of AI research achievements. Methods A total of 48 residents who received training in the Department of Ultrasound, Beijing Tiantan Hospital, Capital Medical University from January 2023 to November 2025 were selected as the research subjects. A questionnaire survey was conducted to understand the current status of residents' awareness of AI-assisted ultrasound diagnosis. An interdisciplinary teaching program was designed incorporating clinical literature seminars, simulated operation of AI-assisted software, and clinical teaching sessions. Another questionnaire was administered to evaluate the feasibility and acceptance of this teaching program. Results Residents demonstrated a moderate level of understanding of AI-assisted ultrasound diagnosis, with a lack of relevant training and practical experience. 89.6% of residents expressed a desire to receive AI literacy education. 97.9% of residents gave positive feedback on the interdisciplinary education course for AI-assisted ultrasound diagnosis, noting that it helped them construct a multidisciplinary knowledge framework, cultivate innovative thinking, develop practical operational skills, and meet the demands of clinical work. Conclusion Residents in the ultrasound department possess basic awareness of AI-assisted ultrasound diagnosis and have an urgent learning need. The interdisciplinary literacy education for AI-assisted ultrasound diagnosis has been widely recognized by residents, and can serve as a new clinical teaching approach for AI literacy cultivation, fostering interdisciplinary medical talents and promoting the innovation of intelligent healthcare.

Graphical abstract

关键词

人工智能 / 医学教学 / 学科交叉融合 / 超声诊断 / 住院医师

Key words

artificial intelligence / medical teaching / interdisciplinary integration / ultrasound diagnosis / resident

近年来，人工智能（artificial intelligence，AI）技术迅猛发展，随着深度学习算法的出现，AI被广泛应用于影像学辅助诊断领域，国内外研究^［1-3］显示其可显著影响超声诊断、临床决策和医学教学。目前AI辅助超声诊断在科研方面应用广泛，但未形成有效临床应用^［4］，教学培训不深入甚至欠缺。现有的AI技术主要关注使用单一或有限成像模式的特定任务^［5-6］，但临床实践中，影像学医生必须在医学图像中识别所有潜在的异常特征，这是一项全面且多因素的任务^［7］。医学图像往往呈现的是从器官系统到整个身体的一系列尺度上的信息^［8］，但临床超声诊断仪器具备的AI辅助诊断功能仅各自聚焦于不同部位器官的诊断，无法完全满足临床诊断及教学的需求。科学研究与临床应用的不契合性、临床任务需求的全面及多因素性、仪器配备AI辅助诊断功能的局限性，都对AI辅助超声诊断的人才培养提出了新要求。

由于单一学科难以解决临床遇到的复杂难题，国内外学者多采用医工学科交叉融合教学的方式进行人才培养，但聚焦AI软件学习及超声医学交叉融合教学的研究较少。AI数据库的开源提供了良好的开放共享环境^［9］，但住院医师通常因不具备软件应用基础技能而无法利用。若住院医师能具备自行筛选开源模型并应用的能力，则能更好地应对临床与科研问题。因此，本研究旨在了解住院医师对于AI学习的需求，探索多学科交叉融合素质教育的有效路径，为培养医学复合型人才提供新的教学思路。

1 对象与方法

1.1 研究对象

选取2023年1月—2025年11月在首都医科大学附属北京天坛医院超声科进行培训学习的48名住院医师为研究对象，其中女性39名、男性9名。参与本研究的人员均已签署书面知情同意书，并自愿参与本研究。

1.2 学科交叉融合教学课程设计

树立学科交叉融合教学理念，针对住院医师学习阶段制定AI辅助超声诊断的学科交叉融合教学课程（表1）。

1.3 研究方法

1.3.1 人工智能辅助超声诊断交叉融合教育住院医师培养计划

人工智能辅助超声诊断交叉融合教育住院医师培养计划如图1所示。

1.3.2 人工智能辅助超声诊断意识现状调查

参与人员匿名填写纸质调查问卷，通过AI辅助超声诊断意识调查问卷了解住院医师们对AI辅助超声诊断意识现状。为量化调查问卷的得分分布，对调查问卷中的各项问题进行赋分，各项问题得分=（选A人数×1分+选B人数×2+选C人数×3+选D人数×4+选E人数×5）/总人数×100%。分数越高，所对应问题内容的表现越佳或重要度及需求度越高。分数位于［1，2.33）区间为负面倾向，［2.33，3.67）区间为适中程度，［3.67，5］区间为正面倾向。

1.3.3 住院医师对课程满意度调查

入组住院医师对学科交叉融合课程设计进行审阅，根据课程设计内容进行满意度调查问卷的填写，问卷评价项目包括：教学内容（内容规范完整、时间安排合理）、保障措施（学习环境安全、沟通反馈机制）、素质提升（知识基础、实践技能、诊断能力）以及整体满意度。每个项目满意程度采取Liket 5级评分法^［11］，1～5分分别表示非常不满意、不满意、一般、满意、非常满意。调查住院医师对此课程设计的满意度情况及对本课程的意见与建议。

1.4 统计学方法

采用SPSS 25.0软件对调查问卷进行探索性因子分析以检验信效度。以Cronbach's α系数≥0.7为信度良好，KMO值>0.6且Bartlett球形检验P值<0.05为适合因子分析，各题项载荷因子>0.5为效度良好。

2 结 果

2.1 人工智能辅助超声诊断意识现状调查问卷结果

集中发放填写问卷48份，收回有效问卷48份，有效问卷收回率100%。问卷中各项问题选项分布情况见表2。AI了解程度自评2.87分，AI运用能力自评2.89分，AI仪器帮助能力3.00分，AI协助临床能力3.25分，AI带教传授效果2.75分，AI带教培训比重2.47分，AI自主学习程度2.58分，均为适中程度；增加AI培训需求4.08分，为正面倾向。调查问卷评分计算结果见图2。调查问卷量表信度分析Cronbach's α系数为0.828，效度分析KMO值为0.794，Bartlett球形检验P值<0.001，各题项因子载荷（0.714～0.927）均>0.5，量表信效度良好。

2.2 课程设计满意度调查问卷结果

住院医师对交叉融合教学的满意度如表3所示，问卷中各项评分分布情况见图3。调查问卷量表信度分析Cronbach's α系数为0.810，效度分析KMO值为0.729，Bartlett球形检验P值<0.001，各题项因子载荷（0.654～0.874）均>0.5，量表信效度良好。

3 讨 论

3.1 AI辅助超声诊断的应用现状及教育面临的挑战

住院医师培训是医学人才培养的重要阶段，也是衔接理论与实践的过渡期，在此阶段不仅能积累超声基础知识及技能，还能在住院轮转中发现实际临床问题，更了解是否需求AI辅助超声诊断交叉融合素质教育。调查问卷显示住院医师对AI辅助超声诊断已具备一定了解，但应用意识一般，缺乏培训及实操经验，这与Chen等^［4］的调查结果一致，甚至37.5%的住院医师在日常临床工作中从未应用过AI辅助超声诊断。AI技术与医学教育的融合是大势所趋，目前正处于探索阶段，学校及医院均致力于培养智能医学工程高素质“医-工-信”复合型人才^［12-13］。住院医师普遍认为科室对AI教育的开展情况不足，89.6%的住院医师希望接受相关教育。

3.2 交叉融合教学课程的认可度及意义

交叉融合教学课程满意度调查问卷结果显示，97.9%的住院医师对课程整体表示满意。在问卷建议中，住院医师们对课程沟通反馈机制是否完备以及自身的实践技能提升方面更为关注。本课程设计模块中的临床文献研读^［10］可选择包括综述、科学研究、案例报告等多种形式，帮助学员聚焦具体的临床问题，培养其评估及应用临床文献的能力，建立批判性、逻辑性、创新性及系统性的临床科研思维。目前部分AI辅助超声诊断系统经商业化后被批准应用于临床，以提高工作效率及保证图像质量^［3，14］，临床实践教学利用临床案例引导教学，在诊疗过程中指导学员应用超声仪器的AI辅助诊断功能，协助住院医师改正受经验和主观因素影响而出现的诊断偏差^［15］。AI辅助软件实践操作教学以课程练习、同伴教学、独立实践等形式进行^［16］，在安全、可控和可复制的学习环境中不断发展技能，且不会危及患者。学员可先建立科研目标，后续根据科研目标进行有的放矢地学习。授课教师每次教学后收集学员对本课程的总结及建议，根据学习情况及反馈情况调整授课次数、授课时间、教学内容等安排，不断增加课程的可行性与互动性。

3.3 交叉融合教学课程的创新性

3.3.1 理论融合：构筑AI与超声医学的交叉认知框架

着重搭建跨学科、多维度的知识融合体系，解决学员对跨领域AI理论认识不足的痛点。将AI的理论精髓巧妙融入医学影像的知识脉络中，构建起从抽象理论认知迈向具体实践应用的基石，为未来的学术探索与职业发展蓄力。

3.3.2 模型应用：释放AI在超声诊断中的创新潜能

通过深入剖析具体案例，使学员深刻感受AI技术在超声图像识别、病灶分割、疾病分类及治疗规划等中的作用，理解AI模型的应用原理。结合可信安全与医学伦理的探讨，引导学员全面思考AI技术在医疗领域应用的伦理边界与社会责任，培养学员成为兼具技术实力与人文关怀的医学人才。

3.3.3 实践深化：锤炼临床技能与智能化工具的协同应用能力

直面实践不够的问题，让学员熟练掌握AI辅助医学影像学习与研究的基本操作技巧，深入理解AI应用的实际工作流程。以实操训练为主线，不断锤炼学员应变能力与综合素养。采用分层教学与任务驱动的教学模式，针对不同水平的学员设置差异化的学习目标与任务挑战，确保每位学员能够在适合的节奏下获得进步。通过模拟课题挑战与临床案例分析等环节，提升学员对临床技能与智能化工具的协同应用能力，为未来的医学实践与创新奠定坚实基础。模型学习的理论、应用及实践的关系具体见图4。

3.4 研究局限性

本研究存在一些局限性：①本研究为单中心研究，样本量有限；②本研究是对住院医师AI辅助超声诊断学习意识及交叉融合课程设计满意度评价的初步调查，尚未实施具体课程。后续应进行多中心研究并扩大样本量，实施课程计划，通过验证性分析及课程实施前后对比，证实其对住院医师意识和能力提升的具体价值。

4 结 语

随着近几年一系列相关开展医疗领域AI应用政策的出台^［17］，标志着国家AI应用中试基地（医疗领域）对外服务能力正持续拓展和深化，多学科技术融合、诊断标准化和个体化治疗将引领潮流。AI辅助超声诊断交叉融合教学方式符合发展趋势，不仅促进AI辅助超声诊断从科研应用向临床应用的转型，解决临床应用不便捷的困境，更有利于提高住院医师的AI应用意识及实践操作能力，有望推广至其他影像学或多模态影像学的教学领域中。在可预见的未来，复合型医学人才不仅可通过应用AI技术提高影像学诊断准确性和效率、减少临床工作量，跨多系统、多因素病变的精确检测也将逐渐实现并趋于成熟。

参考文献

[1] Daum N， Blaivas M， Goudie A， et al.Student ultrasound education， current view and controversies. Role of artificial intelligence， virtual reality and telemedicine［J］. Ultrasound J， 2024， 16： 44.

[2] Yu T F， He W， Gan C G，et al.Deep learning applied to two-dimensional color Doppler flow imaging ultrasound images significantly improves diagnostic performance in the classification of breast masses： a multicenter study［J］. Chin Med J， 2021， 134（4）： 415-424.

[3] Deslandes A， Avery J， Chen H T， et al. Artificial intelligence as a teaching tool for gynaecological ultrasound： a systematic search and scoping review［J］. Australas J Ultrasound Med， 2024， 27（1）： 5-11.

[4] Chen M， Zhang B， Cai Z， et al. Acceptance of clinical artificial intelligence among physicians and medical students： a systematic review with cross-sectional survey［J］. Front Med （Lausanne）， 2022， 9： 990604.

[5] 甘雨洋，卫东明，闫瑞隆，等. 基于深度学习超声特征构建乳腺癌（≤2.5 cm）腋窝淋巴结转移的预测模型［J］. 中华超声影像学杂志， 2025， 34（9）： 751-758.

[6] Bian Y， Li J， Ye C， et al.Artificial intelligence in medical imaging： from task-specific models to large-scale foundation models［J］. Chin Med J， 2025， 138（6）： 651-663.

[7] Kim S， Lee C K， Kim S S. Large language models： a guide for radiologists［J］. Korean J Radiol， 2024， 25（2）： 126-133.

[8] Greenwald N F， Miller G， Moen E， et al.Whole-cell segmentation of tissue images with human-level performance using large-scale data annotation and deep learning［J］. Nat Biotechnol， 2022， 40（4）： 555-565.

[9] 赵媛媛，毕晓郁，曹海勇.大型仪器设备共享平台培训体系建立的探索与实践［J］. 医学教育管理， 2024， 10（4）： 492-497.

[10] 中国医师协会.住院医师规范化培训教学活动指南（2022年版）［EB/OL］.（2024-10-17）［2025-11-10］.

[11] 符元证，刘红梅，刘爽，等.基于满意度调查的住院医师规范化培训现状与对策研究［J］.中国毕业后医学教育， 2025， 9（10）： 751-755.

[12] 是晓康， 陈真. AI在医学教育的应用现况和未来发展趋势［J］. 医学教育管理， 2025， 11（5）： 495-501.

[13] 陈卉，韩小鹏，张楠，等.智能医学工程专业建设与人才培养构想——以首都医科大学为例［J］. 医学教育管理， 2025， 11（2）： 169-174.

[14] 金金， 何文， 于腾飞， 等. S-Detect联合超声造影对乳腺BI-RADS4类病灶的应用价值［J］. 中华超声影像学杂志， 2023， 32（5）： 392-398.

[15] Yan L， Li Q， Fu K， et al. Progress in the application of artificial intelligence in ultrasound-assisted medical diagnosis［J］.Bioengineering（Basel）， 2025， 12（3）： 288.

[16] Daum N， Schwanemann J， Blaivas M， et al. Teaching methods， facilities， and institutions in student ultrasound education （SUSE）： e-learning， simulation，and ultrasound skills labs［J］.J Ultra-son， 2025， 25（101）： 20250014.

[17] 北京市卫生健康委员会.北京市卫生健康委员会关于开展医疗领域人工智能应用评测工作的通知［EB/OL］.（2025-11-07）［2025-11-10］.

基金资助

国家自然科学基金青年科学基金项目(82102038)