生成式人工智能赋能地方医学院校临床医学博士培养体系构建

Construction of the Training System for Doctor of Medicine in Local Medical Colleges and Universities Empowered by Generative Artificial Intelligence

摘要

随着生成式人工智能（GAI）技术的快速发展，医学教育正经历一场以数字化为引领的时代变革。聚焦于地方医学院校临床医学博士培养面临的技术需求与教育结构优化——与临床医学相关的诊疗手段、实验技术、数据分析方法、医疗设备、药物研发模式等的快速革新和地方医学院校临床医学博士培养体系所提供的知识、技能、常规的培养模式及资源配置，与外部需求（尤其是技术迭代驱动下的医疗卫生行业对高层次临床人才的核心能力需求）之间存在的系统性不匹配、区域资源限制与高层次复合型人才培养需求矛盾等核心挑战，提出构建“GAI嵌入-能力提升-评价反馈再提升”三位一体的培养体系。该模式通过引入GAI技术，旨在提升培养质量、增强科研转化导向，并实现精准个性化评估。桂林医科大学的初步实践中发现，“GAI嵌入-能力提升-评价反馈再提升”三位一体的培养体系可显著提升博士生临床实践能力和科研思维水平，并展现出较强的可持续性和可复制性，为资源受限地区医学高层次人才培养提供了新思路。

Abstract

With the rapid development of generative artificial intelligence (GAI), medical education is undergoing transformation driven by digitalization. This paper focuses on the technological demands and the optimization of educational structures in the training of doctor of medicine (M.D.) at local medical universities, specifically, the rapid advancements in clinical diagnosis and treatment methods, experimental techniques, data analysis approaches, medical equipment, drug development models, and other related areas. It addresses the systemic mismatches between the knowledge, skills, conventional training modes, and resource allocation provided by the current doctoral training system in local medical colleges and universities and the external demands, particularly the core competency requirements for high-level clinical talents in the healthcare industry driven by technological iterations. Additionally, it examines the contradiction between regional resource constraints and the need for cultivating high-level, interdisciplinary talents. In response, a tripartite training mode of “GAI integration-capability enhancement-evaluation feedback for further improvement” is proposed. By incorporating GAI technology, this mode aims to improve training quality, enhance research translation orientation, and achieve precise, personalized assessment. Preliminary practices at Guilin Medical University have shown that the “GAI integration-capability enhancement-evaluation feedback for further improvement” tripartite training system can significantly enhance doctoral students’ clinical practice abilities and scientific research thinking, demonstrating strong sustainability and replicability. This offers a new approach for cultivating high-level medical talent in resource-limited regions.

Graphical abstract

关键词

生成式人工智能 / 地方医学院校 / 临床医学博士 / 培养体系模式

Key words

GAI / Local medical colleges and universities / M.D. / Training system mode

近年来，生成式人工智能（Generative Artificial Intelligence， GAI）技术的兴起正引领着一场时代革命，广泛影响着社会的各个领域，其中医学教育在数字革命的推动下正经历深刻的变革^［1］。“新医科”是国家为应对新一轮科技革命与产业变革所倡导的“四新”战略的重要组成部分。新医科背景下的医学教育承担着两大核心使命：一是助力“健康中国2030”规划的实施，二是引领与推动医学科技创新的发展。临床医学专业人才培养则以“面向世界科技前沿、面向经济主战场、面向国家重大需求、面向人民生命健康”为目标^［2］，借助GAI技术，通过搭建智能化教学平台、丰富数字化教学资源以及推广个性化学习理念等方式为医学教育提供了新的发展机遇^［3-4］。专业型临床医学博士，作为临床医学专业人才的重要组成部分，其培养模式在GAI技术引领下也充满了机遇与挑战。地方医学院校，特别是像广西这种地处边疆的少数民族聚集区，客观上存在学校自身教学资源有限、导师人工智能素养欠缺、临床博士培养经验不足以及临床科研转化能力相对薄弱等现实挑战^［5-6］。新时代下利用GAI技术赋能医学教育的探索日益增多。通过使用GAI赋能虚拟技术，直观展示“分子生物学”和“细胞生物学”等课程中的微观化结构，增加了医学生的学习兴趣，减轻了其学业压力，提高了教学质效，但存在硬件成本高、感官单一、体验不佳等现实挑战，仍需要进一步摸索^［7］。在医学人文教育领域中，通过与GAI结合，探索构建集中医药文化特色学科资源与人文教育资源于一体的大健康特色人文教育教学体系^［8］。在医学免疫学教学过程中，通过GAI赋能优化教学设计、开发教学资源、完善教学评价体系使医学免疫学教学的质量和效能得到提升^［9］。但在临床医学博士培养层面，尤其是针对地方院校的系统化实践仍处于初步阶段，相关研究较为缺乏^［3］。因此，如何在“新医科”建设及“健康中国2030”规划指引下，合理运用GAI系统提升临床医学博士培养质量，成为地方医学院校亟待探索的关键议题^［6］。本文将探讨通过运用GAI技术，探索专业型临床医学博士教育模式的创新，在提高教育资源利用率、提升人工智能素养、创新跨学科教育的培养形式、强化临床实践能力，以及提升科研创新思维和临床转化能力等方面，探索出符合地方医学院校培养模式，为医学教育的未来发展提供参考和指导。

1 地方医学院校临床医学博士培养现状与挑战

桂林医科大学（以下简称我校）临床医学博士培养仍采用较为传统的学习年限制，在保证完成规定学业任务的同时强调“立足边疆需求、强化临床技能和区域高发疾病研究能力”。其核心目标在于提升学生的临床实践能力和科研转化水平，形式上主要依托以“导师-团队”指导模式，临床实践上以专科培养为主，辅助少量其他科室轮转学习，最终形成了“临床-科研-成果转化”递进式培养框架。然而，在GAI技术快速迭代的背景下，该体系仍面临以下挑战。

学生对人工智能技术在临床与科研中应用的认知和能力尚显不足。大多仅将其用于基础辅助功能，如查询或检索；在科研选题、设计、构思、实验以及后期数据整理过程中GAI使用占比较低，导致课题前瞻性及设计创新性相对不足；科研效率提升比较缓慢；相当长一段时间内，地方医学院校对科研成果的转化意识及能力相比中国顶尖院校存在显著的差距。在临床博士培养的过程中容易忽视对博士科研转化能力的培养及评估，导致科研转化率相对较低；导师人工智能素养相对不足。作为博士培养的领航人，在面对技术快速迭代的大环境中，部分导师对GAI赋能科研的理解和实践应对不足。此外，科研团队中缺乏GAI技术相关知识授课和实用训练，难以形成有效的技术支持体系；评价体系滞后于GAI技术发展速度。由于导师或者科研团队对GAI技术的理解及运用有限，在临床及科研实践进行评价过程中忽视GAI对实践评价赋能的作用，导致评价的结果可能缺乏前瞻性及可持续性。

2 GAI赋能培养体系的模式设计

针对上述挑战，本研究以建构主义学习理论与精准教育理念为框架，构建“GAI嵌入-能力提升-评价反馈再提升”三位一体教育改革模式（如图1所示）。该模式强调GAI作为认知工具，支持临床医学博士生在交互中主动建构知识并通过数据驱动，实现个性化培养路径的动态优化，系统化推动培养体系的智能化升级^［10］。

2.1 理论支撑

2.1.1 建构主义理论

建构主义强调，知识并非被动接受，而是学习者通过情境化的探索与社会性互动主动建构的成果。教师可借助生成式人工智能创设动态问题情境，引发认知冲突，帮助学习者打破原有的认知平衡，实现知识体系的重构，从而培养批判性与创新性思维——这种思维形态正是新质人才摆脱路径依赖、实现认知跃迁的基础。在此基础上国内外逐渐形成了一些基于生成式人工智能技术的，以学习与创新深度融合为取向的，显著体现协同、探究特征的学习新模式^［11］。

2.1.2 精准教育理念

Desal等学者在前人研究的基础上，进一步提出了精准教育（precision education，PE）的概念与框架。其概念模型主要包括规划、学习、评估与调整四个核心环节。通过量身定制的评价、个性化的学习计划和指导来促进个性化的学习^［12］。

2.2 AI嵌入：重构智能教学与科研结构

2.2.1 AI融合创新博士培养体系

科研实践：增设如“医学人工智能通识”等课程，增强博士生使用AI的意识及实际运用能力；在博士课题设计的全周期增加GAI参与的比重，在课题设计前，通过GAI辅助技术，快速筛选与研究方向相关的现状及动态，快速了解研究背景及其发展趋势，高效地筛选符合的研究方向，提高科研选题的效率；在选题阶段，通过GAI赋能了解研究课题的前沿性及创新性；在科研方案设计阶段，通过GAI检测设计方案存在的不足以及改进方向，参考改进；最后通过GAI赋能，了解课题转化应用潜力，增加科研价值及意义，提升后期科研成果向实用转化成功率。

临床实践：在临床实践中部署基于GAI技术的教学支持系统，使博士生快速提升专业临床技能。如在消化内镜操作训练中使用实时GAI辅助提示功能，以提升操作规范性和早期病变识别能力；同时将患者术后病理、影像资料及临床检验结果整合为闭环型数字病例库，并通过定期更新和调用提高学生的综合诊疗水平。影像医学通过引入GAI辨别系统，提高学生对典型病变的辨别率。肝胆外科通过引入GAI定位及辨别系统，通过术前综合检查，GAI精准定位肝癌、胰腺癌等恶性肿瘤性病变的具体部位及转移区域，提升诊疗方案制定的效率；同时结合术中的所见，反馈GAI预测与具体实际的差异，定期更新医院本地化部署的数据库；学生通过学习数字病例库，提升临床阅历及诊疗能力。

2.2.2 AI赋能引导导师转变培养理念

人工智能技术的普及重塑了导师的角色定位，导师教学由传统传授模式向过程引导模式转变，增强智能辅导应用的教学意识，能够更合理地为学生定制学习路径及目标^［13］。通过普及GAI赋能科研理念，小范围试行，总结经验后逐步推广，引导导师向GAI+科研的思维转变；鼓励导师在学生的定期汇报中加入使用GAI精准筛选的相关研究领域的动态分析，并鼓励团队根据自身具体需求，组建GAI技术小组，协助团队成员运用GAI技术赋能课题设计。

2.2.3 AI精准评价造就个性化培养方案

精准教育理论强调通过数据驱动方法，精确识别学习者差异以提供自适应教学干预^［14］，应用到医学教育中，则要求在教学中通过收集和分析数据，精确运用到每个学习者，以持续、及时和周期性的方式解决学生需求和目标，最终使医学教育、临床诊疗或医疗体系的结果变得更有意义^［15］。借助GAI技术的快速发展，根据博士生的临床技能、科研思维以及实验技能等相关能力的不同，培养前期通过学生自评、导师评价以及GAI协助分析，初步构建符合学生能力的培养方案，结合实际进行必要的修改，精准高效提升博士生的综合能力。

研究课题实施阶段：定期对学生的实验方式、实验数据、实验进程进行自评、他评（导师及团队）及GAI系统三方构成的综合评估，分析实践方案后续可执行性以及可能存在的不足，制定相应的改进方案，避免科研实践进入“死胡同”，提升工作效率。在数据整理及论文书写阶段，通过GAI评价学生在数据整理及论文书写方面存在的不同短板，如统计学掌握不足、文章的行文结构不熟悉等，并有针对性地提出提升方案。同时通过定期开展GAI赋能的讲座，普及如何通过GAI快速筛选该领域的研究最新进展，以及引导学生通过GAI对部分优秀论文进行详细剖析，以多种方式提升写作效率。

临床实践阶段：通过学生、导师以及GAI辅助形成综合评价，结合临床专业发展的定位和需求，构建包含“专业技能+亚专科发展方向”的个性化培养方案；实现虚拟技术赋能医学教育智能化转型^［7］，临床实践中，采取“虚拟+实践”的方式，通过临床实践+GAI辅助的虚拟平台，提升临床技能；结合GAI评价系统，以结果为导向，制定个性化的提升方案；针对“亚专业方向”的培养，在理论培养上采用“GAI+5G”技术赋能，通过和其他高校构建联合诊疗系统，充分利用5G网络技术优势，实现数字资源“无延时”传递，丰富博士数字资料库的同时，使博士生一定程度上共享其他高校的数字资源，有利于对所选专业方向进行系统深入的学习和探索。

2.2.4 跨学科合作提升培养体系的深度和广度

针对多数医学生对GAI技术原理的了解相对较少，实践运用能力参差不齐的现状^［16］，鼓励临床医学专业团队与智能医学与生物技术学院团队沟通交流，互相借鉴。鼓励临床医学+药学开展联合立项等方式，极大地增加临床医学博士科研项目的广度及深度，提升临床医学博士的综合能力。

2.3 能力提升：实现“临床+科研”双轨并进

2.3.1 强调博士生在临床实践中的GAI技术应用能力

通过对GAI技术赋能，临床医学博士生在实践中合理地运用GAI技术赋能实践研究的意识以及利用GAI技术协助科研研究的能力得到极大提升。我校附属医院肝胆外科团队通过构建的数字化肝胆疾病数据库和生物标本数据，通过对数据分析及GAI技术结合，创新性探讨TACE联合免疫检查点抑制剂（ICIs）和络氨酸激酶抑制剂的（TKIs）的三联治疗摸索在不可切肝细胞癌患者中的应用价值，并在国际顶刊《Hepatology》发表该研究成果^［17］。同时通过全周期记录数字病例数据库，临床医学博士专业诊疗能力得到显著的提升，摆脱了现行轮转模式下对部分专科“疑难杂症”可遇不可求的尴尬境地。如构建的全数字化AI辅助病理诊断标本数据库，匹配典型图片、临床案例信息、诊断要点与鉴别诊断、疾病与临床的关联等信息，使学生能高效获取所需的专业知识，高效提升对疾病的发生发展、诊断治疗以及学科发展趋势等认知水平。通过引入GAI模拟手术室、“GAI裁判”等辅助系统，使博士生临床操作能力得到显著的提升。

2.3.2 提升科研创新能力并注重成果转化导向

通过科研融合GAI技术，博士生科研选题的前沿性及成果向实用性的转化得到了提高。我校的放射介入团队，基于“健康医学大数据中心”，通过对临床数据的分析，结合GAI算法，提出“肝细胞癌高特异性多模态分子影像与人工智能辅助诊疗体系构建与机制研究”课题，构建的诊疗模型准备开展临床试用，对成功筛查早期肝癌做出了积极探索。

2.3.3 增强导师对GAI技术的理解及运用能力

通过普及GAI赋能，博士生导师的运用GAI辅助科研教学、强化成果转化的意识得到普遍的提升，使导师的科研视角能够紧跟时代发展步伐，更好地扮演好博士生“领航员”角色，有利于博士生科研思维的培养。

2.4 评价反馈：实现高效个性化培养及路径调整

AI技术赋能的评价系统能以个人系统数据为驱动，实时监测学习行为，实现教学资源的精准推送和路径动态优化^［18］。为确保评价的科学性，本研究在构建各项评价维度的具体指标时，借鉴了医学教育领域成熟评估量表的框架（Mini-CEX和DOPS），并通过对初步实践数据的信度（Reliability）与效度（Validity）进行分析，持续优化评价模型，旨在保证评估结果的可靠性与有效性^［19］。得益于多元化评价主体（导师、团队副导师、临床专家）+GAI智能化的精确评价，扩大了导师、临床带教教师及GAI系统的参与权。借助数据驱动机制不断优化路径设计，并根据个体差异提供更加精准且个性化的培养方案，在保障学生研究方向科学可靠的同时，又着重关注其科研成果的应用转化潜能及表现。相较于传统培养模式，“GAI嵌入-能力提升-评价反馈再提升”三位一体的培养体系能更高效、合理地助力学生完成学业。GAI赋能评价机制维度与传统模式的评价对比见表1。

3 讨论

综上所述，桂林医科大学探索构建的“GAI嵌入-能力提升-评价反馈再提升”三位一体的临床医学博士培养体系，通过整合GAI技术，在应对地方医学院校培养高层次医学人才面临的共性挑战方面取得了一定的成效。

3.1 凸显教育理论引领技术整合优势，实现GAI的深度应用

该培养体系以建构主义指导GAI嵌入，使其成为支持主动探索与知识建构的认知工具，并以精准教育理论驱动评价反馈，实现数据驱动的个性化培养^［17］。该系统设计为临床医学博士培养中的共性挑战提供了深度且可持续的解决方案。例如，借助GAI技术构建人体解剖3D模型，提升教学直观性；在研究生教学中优化课程体系、强化导师指导与科研项目，并初步探索GAI辅助培养路径^［20-21］。

3.2 重构优化临床医学博士培养体系，赋能成果转化

通过普及GAI通识与技能、整合数字资源、提升导师GAI技术运用能力，以及构建个性化培养方案，显著提升了博士生的临床与科研能力。创新构建了低门槛GAI虚拟实践平台（如智能问诊、虚拟手术规划），并推动临床数字病例整合，加强诊疗能力。依托区域临床数据库开展现实数据驱动的研究，有效弥补资源不足院校与顶级院校间的差距。通过多元化评价主体强化GAI在科研评价中的应用，关注成果转化率。

3.3 构建“拿来即用”方案，打造可复制范式

整套课程模板、工具链与评价量表全部开放共享、零版权费即可复刻，使西部、县域、边疆医学院校“拿来即用”。通过初步实践，该体系在资源受限地区展现出即刻落地、持续扩展的潜力，显著提升了博士生临床与科研的能力。

3.4 形成GAI动态评价体系，驱动临床与科研创新

GAI赋能评价体系借鉴成熟量表并经初步验证，能精准反映能力变化并支持个性化调整。该体系采取“培养-评价-调整-转化”的动态思维模式，通过GAI辅助评价推动临床与科研紧跟学科前沿，注重中长期临床思维与诊疗能力提升，以及科研成果的服务转化。通过GAI+临床精准评估，支持每位学生的亚专科发展，最大化激发其潜能。

初步实践表明，该体系提升了博士生的GAI运用、科研创新与成果转化能力，强化临床专业技能，增强区域健康服务效能，展现出可持续性与可复制性，为资源受限院校提供了一条可借鉴的特色化、智能化博士培养路径。

4 结语

展望未来，GAI技术的持续演进与国家深化人工智能赋能教育、推进“健康中国2030”规划及教育数字化型的战略导向^［22-23］，为地方医学院校临床医学博士培养的智能化改革提供了广阔空间。GAI尤其使资源薄弱地区无须大规模资金即可迅速启动，为地方医学院校破解临床医学博士培养困境提供了新路径。桂林医科大学的“GAI嵌入-能力提升-评价反馈再提升”的培养模式实践表明，主动拥抱技术变革、系统化构建GAI赋能的培养体系，是地方医学院校摆脱资源约束、提升人才培养质量与区域服务能力的有效路径，有力推动了地方医学院校高层次医学人才培养向更加智能化、交叉化、实用化的方向转变，为造就能够引领未来医学创新、服务区域健康事业发展的高层次医学人才提供更坚实的支撑。

参考文献

[1] Sun L， Yin C， Xu Q， Zhao W. Artificial Intelligence for Healthcare and Medical Education： A Systematic Review［J］.American Journal of Translation Research， 2023，15（7）：4820-4828.

[2] 邬欣欣，常庆欣.科技自立自强的“四个面向”：习近平关于新发展阶段生产力发展规律的理论创新［J］.广西社会科学，2021（8）：39-48.

[3] 陈湘，邓然，吴川清.生成式人工智能大型语言模型在医学教育实践的探讨［J］.临床急诊杂志，2024，25（6）：310-314.

[4] 中国政府网.国务院印发《新一代人工智能发展规划》［J］.广播电视信息，2017（8）：1.

[5] 王启帆，刘雨.数字化赋能医学教育：应用、困境与路径［J］.医学与哲学，2024，45（10）：65-68.

[6] 蒋振.“新医科”背景下医学研究生的教学现状及实践改进探索［J］.临床医学研究与实践，2025，10（10）：174-177.

[7] 王茹，王海慧，孙世仁，等.虚实共生：虚拟现实赋能医学教育智能化转型［J］.中国医学教育技术，2025，39（5）：607-612.

[8] 欧阳静，郑琛，马真，等.AI赋能中医人文教育：行动逻辑、内容重塑与实施路径［EB/OL］.（2025-06-23）［2025-07-15］.

[9] 关庆，陆萍，韩旭，等.生成式人工智能赋能医学免疫学教学实践研究［J］.中国免疫学杂志，2025，41（6）：1306-1309.

[10] HAUG C J， DRAZEN J M ．Artificial intelligence and machine learning in clinical medicine，2023［J］．New England Journal of Medicine，2023，388（13）：1201-1208．

[11] 魏非，杨可欣，祝智庭.协同探究智创：生成式人工智能时代的学习新模式［J］.开放教育研究，2025，31（2）：14-23.

[12] 孙宝志.医学精准教育概念的提出及启示［J］.医学与哲学，2024，45（19）：63-67.

[13] 刘畅，胡珏，卢芳国，等.“人工智能+教育”时代背景下医学教育教学改革与发展研究：以免疫学基础与病原生物学为例［J］.中国免疫学杂志，2025，41（6）：1315-1319.

[14] NAYARISSERI A ．Artificial Intelligence，Big Data and Machine Learning Approaches in Precision Medicine & Drug Discovery［J］．Current Drug Targets，2021，22（6）：631-655．

[15] 孙宝志.医学精准教育概念的提出及启示［J］.医学与哲学，2024，45（19）：63-67.

[16] 孙宏巍，李芳，汤颖，等.AI赋能混合式教学对医学生科研创新能力的培养［J］.基础医学教育，2025（6）：564-569.

[17] YANG D L， YE L， ZENG F J，et al.Multicenter， Retrospective GUIDANCE001 Study Comparing Transarterial Chemoembolization with or Without Tyrosine Kinase and Immune Checkpoint Inhibitors as Conversion Therapy to Treat Unresectable Hepatocellular Carcinoma： Survival Benefit in Intermediate or Advanced， But not Early， Stages［J］.Hepatology，2025，82（2）：357-369.

[18] 白洁，高天昱，顾耀祖，等.人工智能和虚拟现实技术在麻醉学教学中的实践与前景：个性化学习路径的综述研究［J］.中国医学教育技术，2025，39（3）：322-327.

[19] PARUMS D V. Editorial： Artificial Intelligence （AI） in Clinical Medicine and the 2020 CONSORT-AI Study Guidelines［J］. Medical Science Monitor，2021（27）：e933675.

[20] 钱亦华，张明.人工智能赋能解剖学教学机遇与挑战［J］.中国医学教育技术，2025，39（4）：444-449.

[21] 杨焰，胡靖宇，马净植，等.人工智能时代口腔医学研究生培养的教育模式探析［J］.临床口腔医学杂志，2024，40（11）：686-688.

[22] 中国共产党中央委员会，中华人民共和国国务院.“健康中国2030”规划纲要［J］.中国实用乡村医生杂志，2017，24（7）：1-12.

[23] 教育部.教育部印发《高等学校数字校园建设规范（试行）》［J］.现代教育技术，2021，31（4）：1.

基金资助

2025年中国高等教育学会重点课题项目(25YX0201)

2025年广西学位与研究生教育改革课题(JGY2025247)

2025年度广西高等教育本科教学改革工程项目(2025JGA304)

2023年中国高等教育学会重点课题项目(23LH201)