AI医学影像：双螺旋教学模式的实践与思考

AI medical imaging: practice and reflection on the double helix teaching model

摘要

目前人工智能（artificial intelligence，AI）已深入临床应用，传统教学培养方式亟待革新。本研究以双螺旋教学模式为理论指导，基于AI医学影像课程实践，将AI垂域应用与教学创新相融合。该模式强调“知识链”与“能力链”的互嵌协同，“知识链”垂直整合医学影像知识与AI算法，“能力链”横向贯通临床问题发现与工程实践转化。该模式旨在培养学生以应用为导向的学习模式，突破传统知识框架局限，转向兼具临床思维深度与技术落地广度的跨学科能力提升。该双螺旋模式有望为智能时代医学人才培养提供新路径。

Abstract

Given the pervasive integration of artificial intelligence into clinical applications, there is an urgent need for innovation in traditional teaching and training methods. Adhering to the double helix teaching model, This study integrates AI vertical domain applications with pedagogical innovation through practical AI medical imaging courses. This model emphasizes the interwoven synergy between the "knowledge chain" and the "capability chain". The knowledge chain employs a vertical integration of medical imaging knowledge with AI algorithms, while the capability chain facilitates a horizontal bridging of clinical problem identification with engineering practice translation. The objective of this initiative is to cultivate an application-oriented learning approach among students, thereby liberating them from the constraints imposed by traditional knowledge frameworks. This is intended to foster interdisciplinary capabilities that combine clinical depth with technological breadth. The double helix model is expected to offer a potential new pathway for the training of medical professionals in the intelligent era.

在国家科教兴国与教育强国战略背景下，2025年5月，《中国智慧教育白皮书》正式发布，着力推进人工智能（artificial intelligence， AI）技术与教育体系深度融合，培育面向新质生产力的复合型创新人才^［1］。医学影像学是AI技术开展最早，获批医疗器械产品注册证最多的学科，在医院中使用率最高、覆盖率最广^［2］。AI技术的快速发展正在深刻重塑医学影像的临床诊疗范式^［3-5］，其辅助诊断系统已融入常见病和慢性病的诊断场景中，如肺结节筛查^［6］、肿瘤分期评估^［7-8］等，推动医学影像从经验判断向智能量化转型^［9］。然而，传统医学影像教育体系面临严峻的结构性挑战——解剖学与影像形态学主导的课程框架难以适应多模态数据整合分析的需求^［10］；以人眼识别为核心的教学模式，滞后于影像组学、深度学习等技术的迭代速度^［7-8］；更关键的是，现有教学体系缺乏对医工交叉能力的综合培养，导致医学生难以深入理解算法逻辑^［9］，难以在临床实践中有效验证与优化AI工具^［11-12］，形成“知识传授”与“技术进化”的断层，使医学生难以驾驭智能化诊疗新场景^［13-14］。

为应对AI的快速发展，探索医工交叉人才培养新模式，促进教育教学改革，复旦大学于2024年秋季启动了“AI-BEST”人工智能课程体系和教育模式改革会战。其中，AI在医学影像的多场景应用是AI垂域应用（指聚焦于特定学科领域的深度应用与实践^［15］）领域核心课程之一。在教学实践中，创新性地应用双螺旋教学模式，通过基础算法解析、医院实景教学、企业产品开发逻辑推演的多重联动，重塑从理论到转化的完整能力链条，为智能时代医学影像人才培养提供创新路径。

1 面向医学影像AI的“知识链-能力链”双螺旋教学模式

双螺旋教学模式以分子生物学中DNA双链螺旋为理论隐喻，构建“知识链”与“能力链”相互缠绕、协同攀升的动态教育体系^［16］，旨在破解医学影像领域“知识迭代滞后于技术发展”“能力培养脱节于临床需求”的深层矛盾^［17］。

“知识链”聚焦垂体整合医学影像核心知识体系与AI基本算法逻辑，包括解剖结构的数字化三维重建、数据预处理和特征提取、多维影像组学特征的量化解析以及深度学习算法的底层架构等，实现诊断决策的可计算化表达，实现医学经验与算法逻辑的深度耦合及诊断决策的可计算化表达，其目的是确保学生具有支撑发现问题及解决问题的知识积累。“能力链”以临床和企业场景为锚点，遵循“问题发现-技术实现”路径，引导学生将复杂的临床需求转化为可计算问题，并将算法输出映射为诊疗决策依据；然后，依托校级智能计算平台（computing for the future at Fudan， CFFF），完成从临床问题发掘到解决方案设计的角色跨越；最后，通过企业及医院等真实场景进行闭环验证，提升学生的辩证思考与合作交流能力，实现双螺旋协同攀升。该模式将“学”融于“用”，帮助学生快速搭建“知识”和“能力”的桥梁，满足复合型创新人才的要求。

2 教学案例介绍

AI在医学影像的多场景应用课程自2024年秋季开设后，始终以“双螺旋教学模式”为理论根基，AI垂域应用为教学目标，通过多学科交叉的课程、多场景化的教学实践、分层能力培养及动态评价机制，构建AI医学影像教育的新范式。本课程为选修课，面向临床医学、生物医学工程、人工智能、计算机科学与技术等专业的一年级新生，每学年独立开设，供当年新生选修。课程已在复旦大学邯郸校区及枫林校区开展2学年，总共80学时，为双螺旋教学模式提供理论及实践基础。教学场景包括学校（理论课）、附属医院及企业（实践课）。基于不同教学场景，教学团队共有20余名教师。

2.1 多学科交叉的课程体系

课程体系由3个模块构成，包括AI技术模块（机器学习算法、基础大模型、前沿技术）、应用模块（放射、超声、核医学的多场景AI应用）和转化模块（AI伦理、临床试验、产业解决方案）。学科内容包括医学影像学、计算机科学、信息科学、生物医学工程学等，打破传统学科壁垒，构建多学科交叉融合的教学框架。①AI技术模块：系统讲授机器学习算法、基础大模型及轻量化部署技术，能力端培养采用学生基于CFFF开发单病种AI模型，如肺炎的X线筛查模型。②应用模块：聚焦多模态影像的图像处理和智能分析，由放射、超声、核医学的医生讲授AI在不同场景下的应用，能力端培养强调学生要掌握影像与病理、临床相关联的逻辑映射。③转化模块：授课教师来自研究院、医院和企业，强调技术层面之外的与AI落地相关联的基本要素，如隐私保护、产品注册、行业动态等。尤其在伦理课堂增加了让学生模拟伦理委员会评审流程，以医院提供的真实数据为蓝本，提出符合《中华人民共和国个人信息保护法》的隐私保护方案。多学科交叉的课程体系能够帮助学生打通学科认知壁垒，提升融会贯通和以应用为导向的能力。

2.2 丰富的场景化教学

课程突破传统的课堂边界，构建“学校-医院-企业”多场景联动体系，强化从技术开发到临床落地的闭环验证。在学校场景中，教学团队通过理论授课与案例研讨相结合的方式，系统讲授医学影像基础、人工智能算法原理及双螺旋教学模式的理论框架，为学生搭建“AI+医学”交叉学科的知识底座；同时依托CFFF和开源数据集，组织学生完成肺结节检测、影像分割等基础算法实验，初步培养其模型构建与调优能力。在医院场景教学中，请学生对接影像科室的工作流程，亲手操作人工智能辅助软件完成肺结节初筛，对比AI与医师诊断结果，分析假阳性案例成因；在学生使用“磁共振血管成像动脉瘤智能筛查”的AI辅助诊断软件时，要求学生同步掌握血管变异、动脉瘤定位，并了解如何根据临床需求（量化瘤颈、瘤体和瘤壁的参数），明确优化模型的方向。在企业场景中，工程师通过逆向拆解已获批三类证的医疗AI产品，让学生了解产品开发的核心逻辑和合规性设计要点（如技术文档规范、多中心试验设计等）。多场景教学不仅使学生生动、真实地学习课堂外的知识，更促进了双螺旋教学模式从理论框架到实践验证的完整落地。

2.3 三阶能力跃升的人才培养

选课学生具有不同的专业背景，其中医学占62%、生物医学工程占12%、计算机科学占15%、数学占11%，而医学里面又包括影像学、肿瘤学、内外科、神经科学、生物与医药、康复医学、皮肤病学等多个学科。为引导不同学科背景的学生各展所长、协同合作，课程构建“基础期-进阶期-突破期”三阶培养路径（表1）。基础期主要是打破学科壁垒，构建医学与技术的知识融合：医学背景学生主导影像特征标注，理工科背景学生负责特征量化与模型参数设计，如学生基于肺结节病例库，标注毛刺征、分叶征等影像特征，并将其量化为机器学习模型的关键权重参数，实现医学经验与算法逻辑的初步耦合。进阶期侧重于以真实临床问题驱动技术方案，完成从提炼医学需求到工程实现的完整验证。学生通过模型开发与效能评估，掌握临床问题拆解、技术路径设计及结果验证的综合能力。突破期则以介绍前沿技术，推动跨学科协作与系统性创新为主，完成从单一技术应用到系统解决方案规划的能力培养，最终成长为兼具临床思维深度与技术落地广度的复合型医学影像人才。

2.4 能力导向的“实践-答辩”复合考核模式

为有效评估学生“知识链”与“能力链”的融合与迁移水平，突破传统笔试的局限性，教师针对不同专业背景的学生，采用了“实践作业+团队汇报”的复合考核形式。该模式重点评估学生运用AI思维和技术解决真实临床问题的能力，以及在跨学科团队中的协作效能。实践作业与教学内容及进度同步，由授课教师设计并发布，要求学生在本学期课程期间内完成。如学生小组需基于教学数据库完成数据脱敏和预处理文档，并利用CFFF平台独立完成一个肺炎X线影像筛查模型的开发及验证流程。团队汇报于期末集中进行，学生小组需在课程中途自选一个疾病领域的AI应用主题，对完成的结果展开辩证式的述评，并接受来自研究院、医院和企业的多学科背景教师的现场提问。如曾有学生受企业人体姿态识别系统启发，构思并初步开发了一套康复动作姿势矫正系统，其在汇报中展示的解决方案与思考过程，引发了来自医院与企业教师的多轮深入质询与建设性反馈。这种高度情境化、互动性的“现场路演”，不仅更真实地映射了学生的综合能力与创新潜力，也为教学效果的闭环评估提供了动态、直接的依据。

2.5 教学反馈

为完善课程体系建设，实现教学相长的目标，在2学年的教学实践中，对106名选课学生开展了问卷调查，反馈结果显示：95%的学生认为课程显著增强了自己对AI临床应用的系统性认知，72%的学生反馈课程有效提升了自身跨学科协作能力，68%的学生表示课程内容为其科研课题的选择提供了明确方向，53%的学生认为所学技能有助于其更好地适应与对接临床实际工作。此外，教学团队与首学年选课学生保持了长期跟踪沟通，发现46%的学生在课程结束后仍在其科研工作中持续推进由课程启发所确立的研究方向。其中，相当一部分学生已进一步取得阶段性成果，如以课程相关课题为基础发表学术论文或成功申请专利^［18］，体现出课程对科研能力培养的持续影响力。本课程有效促进了临床医生从“问题提出者”与“问题解决参与者”的角色拓展，同时助力各专业学生逐步发展起从事跨学科医工合作研究的能力。在收获积极评价的同时，教学团队也收集到多项学生反馈的建议，如建议加强实操环节的指导、根据不同专业背景动态调整实践作业内容等。这些反馈已成为推动课程内容迭代与教学策略优化的重要依据，从而促使本课程更加精准地契合“医学+AI”复合型人才的培养目标。

3 结 语

本研究构建的AI医学影像双螺旋教学模式，通过“知识链”与“能力链”的螺旋攀升机制，破解了传统教育中知识滞后与能力脱节的矛盾。课程以多学科交叉体系、多场景化实践教学及分阶段能力培养为特色，将AI垂域应用与教学实践相融合，突破传统的固化知识框架，转向解决医学问题的能力培养。与国内外现有AI医学教育模式相比，该模式呈现出两方面差异化特征：①价值取向不同，欧美院校普遍采用“技术导向型”路径^［19］，本模式则以临床真实问题为锚点，反向驱动技术学习，强化“医学需求-技术响应”的双向耦合与动态迭代；②体系深度不同，国内多数医学院校尚处于“单科嵌入型”探索阶段^［20］，本模式则构建了横跨临床医学、生物医学工程、计算机科学的系统性交叉课程体系，并打通“学校-医院-企业”三场景联动闭环，实现从理论奠基、临床验证到产业合规的全链条贯通。在国家全面推动新质生产力的浪潮中，该模式重构了对交叉创新人才的培养体系，为AI时代医学教育革新提供实践范本。

参考文献

[1] 刘嘉豪， 刘德建， 任昌山， 等. 智能时代教育变革的里程碑——2025世界数字教育大会观察与思考［J］. 中国教育信息化， 2025， 31（6）： 21-31.

[2] Sivakumar R， Lue B， Kundu S. FDA approval of artificial intelligence and machine learning devices in radiology： a systematic review［J］. JAMA netw open， 2025， 8（11）： e2542338.

[3] Paschali M， Chen Z， Blankemeier L， et al. Foundation models in radiology： what， how， why， and why not［J］. Radiology， 2025， 314（2）： e240597.

[4] Langlotz C P. The future of AI and informatics in radiology： 10 predictions［J］. Radiology， 2023， 309（1）： e231114.

[5] 王国杰， 杨思怡， 谢丽丽， 等. 人工智能在医学影像专业教学中的应用探索［J］. 中国高等医学教育， 2024（2）： 13-14.

[6] 高超， 周小昀， 郭超， 等. 人工智能在胸外科规范化培训教学中肺结节分析与肺段切除规划的应用效果研究［J］. 中国胸心血管外科临床杂志， 2025，32（4）：469-472.

[7] Laçi H， Sevrani K， Iqbal S. Deep learning approaches for classification tasks in medical X-ray， MRI， and ultrasound images： a scoping review［J］. BMC Med Imag， 2025， 25（1）： 156.

[8] Mohammadzadeh I， Hajikarimloo B， Niroomand B， et al. Artificial intelligence-based radiomic model in craniopharyngiomas： a systematic review and meta-analysis on diagnosis， segmentation， and classification［J］. World Neurosurg， 2025， 198： 124050.

[9] 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.

[10] Luo F， Wu D， Pino L R， et al. A novel multimodel medical image fusion framework with edge enhancement and cross-scale transformer［J］. Sci Rep， 2025， 15（1）： 11657.

[11] Pahud de Mortanges A， Luo H， Shu S Z， et al. Orchestrating explainable artificial intelligence for multimodal and longitudinal data in medical imaging［J］. npj Digit Med， 2024， 7： 195.

[12] Avval A H， Banerjee S， Zielke J， et al. Applications of artificial intelligence and advanced imaging in pediatric diffuse midline glioma［J］.Neuro Oncol，2025，27（6）：1419-1433.

[13] Schubert T， Oosterlinck T， Stevens R D， et al. AI education for clinicians［J］. eClinicalMedicine， 2025， 79： 102968.

[14] 田欣尧， 王伟林. 人工智能时代外科教学技术赋能与人文坚守［J］. 医学与哲学， 2025， 46（11）： 56-60.

[15] 关永健， 朴乘锴， 王布宏， 等. LEAD-Cyber：基于开源大模型和全周期本地微调的网络安全垂域大模型［J］. 网络空间安全科学学报， 2025，3（4）：94-110.

[16] 肖薇， 李建敦， 任菊慧. 基于双三螺旋耦合模型的应用技术型高校产教融合课程研究［J］. 社会科学前沿， 2024， 13（12）： 54-60.

[17] 倪炯， 王培军. 医学影像人工智能的现状与未来［J］. 中华医学杂志， 2021， 101（7）： 455-457.

[18] Liu X， Lü K， Du P， et al. Multi-task deep learning assists detection and diagnosis of gliomas and brain metastases［J/OL］. npj Digit Med， 2026.

[19] D'Ardenne K. AI makes its way into medical school curriculum［J/OL］//Stanford Medicine Magazine. （2025-09-22）［2026-05-26］.

[20] 李建周， 汪丽燕. 新医科背景下智能医学工程专业人才培养现状与问题分析［J］. 医学信息学杂志， 2025， 46（5）： 98-102.

RIGHTS & PERMISSIONS

本文使用遵循知识共享 署名-非商业性-禁止演绎4.0 协议（CC BY-NC-ND 4.0）， 详细信息请访问https：//creativecommons.org/licenses/by-nc-nd/4.0/.。