AI临床思维训练系统在超声住院医师规范化培训中的应用

Application of AI clinical reasoning training system in standardized residency training for ultrasound medicine

摘要

目的 探讨基于真实病例库与DeepSeek大语言模型的人工智能（artificial intelligence，AI）临床思维训练系统在超声医学住院医师规范化培训（以下简称住培）中的教学效果。 方法 选取2023年12月—2025年6月在首都医科大学附属北京朝阳医院超声医学科参加住培的42名学员作为研究对象，采用随机分组方法将其分为观察组与对照组，每组21名。对照组实施传统讲授式教学与病例讨论相结合的常规培训模式；观察组在常规培训基础上，辅以基于真实病例库与DeepSeek大语言模型的AI临床思维训练系统进行强化训练，干预周期为3个月。培训结束后，比较两组学员考核成绩差异，并从病史信息整合能力、超声图像解读能力、鉴别诊断全面性及诊断准确性4个维度进行深入分析；同时，采用问卷调查两组学员对培训模式的主观满意度。 结果 观察组临床思维能力考核总分［（91.14±2.20）分］显著高于对照组［（84.62±3.02）分］，差异有统计学意义（P<0.001）。多维度分析表明，观察组学员在病史信息整合能力、鉴别诊断全面性及诊断准确性3个方面的得分均优于对照组（P均<0.001）；观察组学员在提升理论联系实际能力、增强自主学习能力、深化临床思维训练等5个维度的满意度均达到100%，显著高于对照组（P均<0.05）。 结论 在超声医学住培中，引入基于真实病例与大语言模型的AI临床思维训练系统进行辅助教学，可有效提升住院医师的临床思维水平与综合诊断能力，尤其在强化病史整合、拓展鉴别诊断思路及提高诊断准确性方面表现突出，并有助于提高教学满意度。

Abstract

Objective To investigate the efficacy of an artificial intelligence (AI) clinical reasoning training system, based on a real case database and the DeepSeek large language model in the standardized residency training for ultrasound medicine. Methods A total of 42 ultrasound residents trained in the Department of Ultrasound Medicine, Beijing Chaoyang Hospital, Capital Medical University between December 2023 and June 2025 were selected as study subjects and randomly assigned to observation group (n=21) and control group (n=21). The control group received traditional conventional training, while the observation group supplemented conventional training with the AI clinical reasoning training system for three months. After the training, a standardized ultrasound clinical reasoning ability assessment was conducted to compare the scores between the two groups, analyzing multiple dimensions including medical history taking integration, image interpretation, differential diagnosis, and diagnostic accuracy. A questionnaire survey was used to assess trainees' satisfaction with the teaching outcomes. Results The assessment results showed that the total score of clinical reasoning ability in the observation group (91.14±2.20) points was significantly higher than that in the control group (84.62±3.02) points (P<0.001). Multidimensional analysis revealed that the observation group significantly outperformed the control group in history taking integration, comprehensiveness of differential diagnosis, and diagnostic accuracy (all P<0.001). The questionnaire survey indicated that the observation group's satisfaction reached 100% across all five aspects: improving theory-practice integration, enhancing self-directed learning ability, and strengthening clinical reasoning, which was significantly higher than that of the control group (all P<0.05). Conclusion In standardized residency training for ultrasound medicine, the supplementary use of the AI clinical reasoning training system can effectively enhance residents' clinical reasoning ability and diagnostic proficiency, with significant effects particularly in history taking integration, differential diagnosis, and diagnostic accuracy, while also achieving higher teaching satisfaction.

Graphical abstract

关键词

人工智能 / 超声检查 / 住院医师规范化培训 / 临床思维 / 医学教育

Key words

artificial intelligence / ultrasound / the standardized residency training / clinical reasoning / medical education

超声医学是一门高度依赖影像学判读的临床学科，其诊断准确性在很大程度上取决于医师对图像信息的综合分析能力及与之相结合的临床思维水平。住院医师规范化培训（以下简称住培）作为超声医师培养体系中的核心环节，其教学质量直接影响医师的岗位胜任力。然而，传统培训模式通常存在病例资源分布不均、训练过程缺乏系统性等问题，难以实现对临床思维全过程的有效训练。近年来，人工智能（artificial intelligence，AI）技术在医学教育领域的应用逐步深入，为超声医学教学模式的创新提供了重要契机。目前，AI在超声医学中的应用研究多聚焦于图像识别与辅助诊断^［1-3］，而在涵盖病史整合、图像解读、鉴别诊断推理等环节的全流程临床思维训练方面，尚缺乏充分的实证研究支持。为此，本研究基于真实超声病例库构建AI临床思维训练系统，模拟从接诊到诊断的完整临床流程，并提供实时、个性化的评估与反馈。通过与传统教学方法进行对照比较，系统评估该系统在超声住培中的实际教学效果，以期为AI赋能超声医学教育提供可靠的研究依据。

1 对象与方法

1.1 研究对象

选取2023年12月—2025年6月期间在首都医科大学附属北京朝阳医院接受超声医学住培的42名学员作为研究对象。采用随机数字表法将纳入对象分为观察组与对照组，每组21名。纳入标准：①超声医学专业在培住院医师；②自愿参与本研究并签署知情同意书。排除标准：住培前已具备超声医学相关工作经验者。

1.2 研究方法

1.2.1 AI临床思维训练系统

该系统由迈瑞公司基于DeepSeek大语言模型研发，构建了以真实超声病例为核心的结构化训练平台，涵盖腹部、妇产、心血管及浅表器官等多个亚专业。系统利用大语言模型构建自动化评估体系，可从病史信息整合、影像特征识别与解读准确性、诊断逻辑链的严谨性与完整性、鉴别诊断范围的全面性等维度对学员作答进行多维度分析，同时具有记录作答历史及重新作答功能，便于用户反复查看和学习。此外，系统还可针对超声相关问题提供专业解答，包括鉴别诊断、相关病理机制及临床知识等内容。为确保评估系统的准确性验证，多位经验丰富且理论功底深厚的教师使用该系统进行了学习，并对系统的病例评估及专业知识解答能力进行了全面评估，最终一致认为该系统具备非常高的准确性。

1.2.2 培训方法

本研究采用“标准教学（对照组）”与“标准教学+AI辅助工具（观察组）”的对比设计。对照组采用传统常规培训模式，主要包括观摩指导教师临床工作、参加专题讲座及病例讨论等，同时进行每天2 h的自主学习。观察组在常规培训基础上，辅以AI临床思维训练系统进行辅助学习，同样学习每天2 h，整个培训周期为3个月。两组在培训时长、核心课程、师资等关键教学变量上保持一致。观察组学员进入AI临床思维训练系统，选择亚专业病例库，根据病史及图片以及作答要求进行解答，提交后系统会进行综合评价，同时根据作答要求的项目进行评分。学员根据评价结果自行进行AI搜索相关疾病的超声诊断要点以及鉴别诊断等相关知识（图1）。为确保教学的同质性，对照组在实验结束后也接受了AI临床思维训练系统的学习。

1.3 观察指标

1.3.1 超声临床思维能力考核

参考《住院医师规范化培训结业临床实践能力考核标准方案（2022版）》（超声医学科）^［4］超声临床思维站中的评分细则，结合本研究AI系统训练目标，设计超声临床思维能力考核方案。考核采用基于真实病例的结构化临床思维评估试卷，共包含10个标准化病例，涵盖腹部、妇产、心血管及浅表器官4个亚专业。每例病例均设置标准化病史资料与超声图像，要求学员在规定时间内完成完整的诊断流程。每个病例10分，总计100分，比较两组考核总成绩。

为系统验证AI临床思维训练系统的教学效果，同时从以下4个维度评估学员的临床思维能力：①病史信息整合能力：评估学员从主诉、现病史、既往史中提取关键信息，并与超声表现建立关联的能力。评分依据为关键病史信息提取完整性与整合逻辑性。②超声图像识别与解读能力：评估学员对超声征象的识别准确性及对图像特征的描述规范性。评分依据为征象识别正确率及描述术语规范性。③鉴别诊断全面性：评估学员基于病史与图像特征提出的鉴别诊断范围广度与逻辑的合理性。评分依据为鉴别诊断条目数量、排序合理性及排除依据充分性。④诊断准确性及逻辑严谨性：评估学员最终诊断结论的准确性，以及从“病史-图像-诊断”的推理链条完整性。评分依据为诊断结论正确率及推理过程逻辑性。每维度满分20分，共计80分，比较两组在病史信息整合能力、影像学特征识别与解读准确性、鉴别诊断全面性及超声诊断准确性等方面的差异。

所有考核试卷由2名具有10年以上超声教 学经验的高级职称医师采用双盲法独立评分，取平均分作为最终成绩。评分者间信度采用组内相关系数（intraclass correlation coefficient，ICC）进行评价。

1.3.2 问卷满意度

考核结束后采用匿名问卷进行调查。问卷题目均为单选题，完整作答视为有效问卷。学员对各项教学效果指标选择“满意”或“不满意”，满意度=满意人数/总人数 × 100%。

1.4 统计学方法

采用SPSS 22.0软件对数据进行处理分析。计量资料以均数±标准差（\overline{x}±s）表示，组间比较采用独立样本t检验；计数资料以例数（百分比）［n（%）］表示，组间比较采用Fisher精确检验。以P<0.05为差异有统计学意义。

2 结 果

2.1 两组学员的基线资料比较

观察组和对照组学员性别、年龄、人员来源及年级等基线资料方面比较，差异无统计学意义（P>0.05，表1）。

2.2 两组学员的超声临床思维能力考核结果比较

两名评分者间信度的ICC值为0.88（95%CI：0.82~0.94），表明评分一致性良好。观察组临床思维能力考核总成绩显著高于对照组（P<0.001）。多维度分析显示，观察组在病史信息整合能力、鉴别诊断的全面性及诊断的准确性方面均优于对照组（P均<0.001），但两组在超声图像识别与解读能力方面无显著差异（P>0.05，表2）。

2.3 两组学员的教学满意度比较

本次培训共发放问卷42份，回收有效问卷42份，回收率100%。调查结果显示，观察组在提高理论与实践结合度、提高自主学习能力、强化临床思维、提高学习兴趣及认清学习盲区5个方面的满意度均为100%，显著高于对照组（P均< 0.05，表3）。

3 讨 论

我国超声医学住培体系建立相对较晚，2013年超声医学才被确立为独立培训专业，其培养体系仍有待完善^［5］。超声医学住院医师结业后需具备独立开展超声诊断工作、获取标准化超声影像，并能够结合患者病史进行疾病诊断与鉴别诊断的能力^［6-7］。然而，当前培训体系在能力培养与反馈机制方面仍存在不足：以知识灌输为主，缺乏情景化临床推理训练；过程性、个性化评价与即时反馈机制缺失；高质量教学资源与带教力量分布不均；实践机会有限，难以实现重复训练和“隐性错误”的及时发现与纠正等^［8-9］。这些问题制约了学员将理论知识与影像判读实践有效结合的能力，影响其临床决策能力的形成。

近年来，AI技术在医疗领域得到广泛应用，涵盖影像检验、康复医疗、护理干预及文献分析等多个方面^［10］。在医学教育领域，AI最早被尝试应用于放射科住培中，通过提供个性化、智能化的人机交互教学，能够在较短时间内有效培训不同专业、不同层次的住院医师，帮助其掌握医学影像学技能^［11］。陈冬河等^［12］在PET培训中应用AI技术的研究发现，AI组在理论知识与操作技能方面均显著优于传统教学组。这表明AI能够提供大量标注精准的影像样本，具备自动评分功能，可有效增加练习量并提供针对性错误分析，从而显著提高学员的技能水平与理论知识掌握程度。此外，AI构建的虚拟病例和沉浸式模拟平台有助于促进诊断思维训练和知识迁移，提高学员处理复杂病例的能力与学习沉浸感，进而提升教学满意度^［13］。

相较于AI在放射影像及核医学培训中的广泛应用，其在超声医学领域的应用主要集中于图像识别、辅助诊断与报告质量控制等方面^［14-17］。目前，AI在超声医学住培中的应用尚处于探索阶段。王慧等^［18］研究发现，采用AI结合PACS教学模式训练后，学员诊断乳腺结节的时间显著缩短，超声报告规范化程度提高，差异有统计学意义（P<0.05）。于晶^［19］的研究也表明，利用AI辅助诊断甲状腺结节，住培学员在图像采集、报告书写及阅片考核等方面的表现均较传统教学模式获得显著提升。一项回顾性研究^［20］显示，基于胎儿NT超声图像的AI辅助培训能有效提高住院医师的测量规范性及诊断准确率。

本研究基于真实超声病例库构建了一套AI临床思维训练系统，通过模拟完整的临床诊断流程，包括病史采集、图像特征提取、鉴别诊断推演和最终诊断确定，为学员提供结构化的思维训练环境，并能够根据学员的作答表现生成个性化的评估反馈。研究结果显示，观察组在超声临床思维能力考核中的成绩显著高于对照组（P<0.001）。进一步分析表明，观察组在病史信息整合能力、鉴别诊断全面性以及诊断准确性方面均优于对照组（P均<0.001）。这表明AI思维训练系统在超声住培中能够有效提升学员的临床思维能力。该系统在训练过程中能够生成个性化评价并及时反馈，使学员能够根据反馈进行针对性改进。这一过程模拟了资深专家的一对一辅导模式，实现了从单一答案正误判断到系统性思维过程评价的范式转变。此外，系统支持重复训练，学员可通过多次练习不断巩固和提升专业技能。

本研究中，两组学员在超声图像识别与解读方面的考核成绩差异无统计学意义。分析可能与以下几方面因素有关：①当前住培学员可通过多样化途径进行自主学习。除传统教材外，各类专业微信公众号、网络公开课、医学影像数据库及学术文献等资源已成为其重要学习来源，对照组学员亦能通过自主学习掌握常见超声图像的识别与解读要点，但因知识来源相对零散、缺乏系统整合，其学习过程通常需耗费更多时间。②尽管学习资源相近，不同学员在自主学习的态度投入、时间分配及理解深度方面存在个体差异，这可能影响其对知识的掌握程度与运用能力，从而弱化了组间差异。③本研究纳入样本量有限，可能导致统计检验效能不足，未能检测出实际存在的组间差异。未来研究可进一步扩大样本量，并结合结构化教学干预与长期随访，以便全面评估不同培训模式的效果。

本研究中还调查了两种不同教学方法的满意度，发现观察组在提高理论与实践结合度、提高自主学习能力、强化临床思维、提高学习兴趣及认清学习盲区5个方面的满意度均显著高于对照组。这一结果表明，AI临床思维训练系统在提升教学满意度方面具有显著优势。分析其原因：①AI临床思维系统具备交互式学习功能，能够模拟真实临床病例的分析过程，提供病例分析的要点和步骤，引导住院医师逐步构建从图像识别到临床决策的完整思维链条，这使得理论知识与临床实践能够更紧密地结合，帮助学员更好地理解和应用所学；②AI临床思维系统可以在训练过程中能够实时记录学员的作答情况，并通过数据分析指出其知识掌握的不足之处，使学员能够清晰地认识到自己的学习盲区，通过人工进行AI搜索更有针对性地进行查漏补缺。这些优势共同作用，使得观察组学员在多个维度的满意度评价上均表现出更高的认可。

马骥等^［21］在前瞻性研究中探讨了AI在超声专业住培中的应用前景，指出AI技术有望为不同专业背景与培训层次的住院医师构建个性化、人机交互的新型学习模式，从而有效培养其自主学习能力。本研究可视为对上述理念的具体实践探索。与既往多数聚焦于影像识别或诊断辅助的研究^［18-20］不同，本研究将AI系统深度整合于超声住培教学场景中，不仅关注学员对典型图像的识别与诊断，更注重培养其临床思维链条的完整性，以及在模拟考核中答题的逻辑性与报告撰写的规范性，显示出较高的教学集成价值。

本研究中，AI临床思维训练系统在超声住培中展现出的教学价值具有一定的独特性，其核心在于实现了从结果评价向思维过程重构的转变。与侧重于诊断结论准确性的传统教学模式不同，该系统通过结构化的诊断流程设计，将学员内在的思维过程予以外显化呈现，有助于精准识别其认知偏误——明确问题是源于病史采集疏漏、图像特征识别不足，或鉴别诊断范围局限，从而实现从“知其错”到“知其所以错”的认知深化。相较于传统带教模式，AI系统具备即时反馈、错误归因分析以及支持无限次重复训练等技术优势，在培养学员形成结构化、标准化的临床分析思维方面有积极作用。此外，该系统通过可视化方式呈现学员与标准思维路径的差异，帮助学员清晰认知自身知识体系的薄弱环节，从而促进其从被动接受知识向主动构建知识的学习主体转变。

4 结 语

本研究存在一定的局限性：①样本量有限且干预周期较短，AI临床思维训练系统的远期教学效果及其在临床实践中的实际应用价值，尚须通过延长随访时间、开展纵向研究等予以进一步验证；②本研究仅记录了学员的单次使用时长，未对使用频率、完成病例数量等关键变量与考核成绩提升之间的量效关系进行量化分析，难以全面评估系统使用强度对学习效果的影响；③AI系统对不同特征学员的适用性可能存在差异，部分学员获益显著，而另一些学员可能因对系统交互设计不适应而导致学习效果受限，后续研究应开展亚组分析或纳入调节变量，深入探讨AI辅助教学的优势人群特征，为实现精准化、个性化的教学干预提供科学依据；④本研究构建的AI辅助教学系统仍处于初级阶段，系统中的知识问答模块与超声病例考核模块相对独立，因而无法根据学员在病例答题中暴露的知识薄弱点自动推送相关的理论复习内容；⑤当前AI的评估功能主要集中于对学员答案的全面性与规范性进行评价，尚不能基于评估结果自动生成个性化的学习路径或强化训练方案；⑥系统缺乏对病例相关知识的自动延伸与拓展能力，未能有效引导学员进行更深层次的探索性学习。

未来，本系统的优化方向包括：深度融合知识图谱与病例资源，实现考核与学习的智能联动；开发基于学员能力画像的自适应学习推荐算法，并引入生成式AI技术，以提供更灵活的知识拓展与互动问答功能。通过这些改进，有望构建一个更加高效、个性化和强交互的智能超声住培教学平台，为超声住培提供有力支撑。

参考文献

[1] 谭莹， 文华轩， 彭桂艳， 等. 产科超声图像智能质量控制系统的效能［J］. 中国医学影像技术， 2022， 38（9）： 1361-1366.

[2] Zhang X， Lin X， Zhang Z， et al. Artificial intelligence medical ultrasound equipment： applic-ation of breast lesions detection［J］. Ultrason Imaging， 2020， 42（4-5）： 191-202.

[3] 张苗苗， 高子逸， 吴琼， 等. C-TIRADS和人工智能辅助诊断系统在甲状腺结节诊断中的价值［J］. 实用肿瘤杂志， 2025， 40（5）： 447-451.

[4] 国家卫生健康委人才交流服务中心.住院医师规范化培训结业临床实践能力考核标准方案（2022版）［Z］.2022-02-25.

[5] 郭瑞君， 姜玉新. 超声医学科住院医师规范化培训学科设置的历程及意义［J］. 中华超声影像学杂志， 2015，24（8）： 645-647.

[6] 张静， 张进祥， 王静， 等. 超声医学继续医学教育自学模式探索［J］. 中华医学教育杂志， 2022， 42（10）： 929-933.

[7] 于蕾， 朱家安， 张万蕾， 等. 以岗位胜任力为导向的超声医学住院医师培训体系构建［J］. 中华医学教育探索杂志， 2020， 19（2）： 199-202.

[8] 茅凯凯，李秀，周晨，等.基于人工智能的外科动物手术学“三元交互”教学模式的构建［J/OL］.实验动物与比较医学，1-12［2026-01-13］.

[9] 李洋， 张思佳， 张莉晗， 等. 人工智能融合PBL教学法神经外科临床教学管理模式优化路径研究［J］. 中国医院管理， 2025， 45（8）： 70-72，76.

[10] 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.

[11] 张宁男楠， 张璋. 人工智能辅助教学在医学影像规范化培训中的新探索［J］. 教育教学论坛， 2019（25）： 176-178.

[12] 陈冬河， 杨君， 翁婉雯， 等. 人工智能辅助非影像专业住院医师核医学PET短期培训探索［J］. 医学教育研究与实践， 2025， 33（5）： 738-743，754.

[13] 付海荣， 刘炜洁， 朱林雁， 等. 基于华智医慧平台的AI辅助诊断教学路径探索［J］. 继续医学教育， 2025， 39（6）： 112-115.

[14] 解文全， 叶琼玉， 王颖妮， 等. 人工智能在乳腺超声报告生成中的应用［J］. 北京生物医学工程， 2023， 42（5）： 483-487，495.

[15] 王红燕， 李建初， 姜玉新. 人工智能在超声图像和报告质量控制中的创新应用［J］. 中国医学影像技术， 2025， 41（8）： 1368-1371.

[16] 景涵， 耿超， 付曼丽， 等. 人工智能用于儿科超声现状及研究进展［J］. 中国医学影像技术， 2024， 40（12）： 1949-1952.

[17] 马春燕. 人工智能在超声心动图中的临床应用现状［J］. 中国医学影像技术， 2024， 40（8）： 1121-1123.

[18] 王慧， 马佩， 黄华兴， 等. 人工智能结合PACS在辅助超声规培学员鉴别乳腺结节良、恶性中的价值［J］. 现代医学， 2024， 52（）： 104-108.

[19] 于晶. 人工智能辅助超声浅表甲状腺结节诊断的教学实践与效果评估［J］. 进展， 2025（15）： 182-184.

[20] 冯立群， 梁锶蓥， 凌荣波， 等. 人工智能在辅助培训超声规培医师识别、测量与诊断胎儿颈项透明层厚度中的价值［J］. 中华超声影像学杂志， 2025， 34（7）： 579-585.

[21] 马骥， 吴蓉， 唐金华， 等. 人工智能在超声专业住院医师规范化培训中的应用前景探讨［J］. 中国继续医学教育， 2021， 13（36）： 82-85.

基金资助

国家自然科学基金项目(82572228)

北京市自然科学基金项目(7252282)