DeepSeek技术核心下医学交叉人才培养路径探索

Exploration of the Training Path for Interdisciplinary Medical Talents Based on the DeepSeek Technology Core

摘要

在人工智能与大数据技术迅猛发展的背景下，传统医学教育正面临学科壁垒明显、教学资源不足、师资结构单一及评价机制滞后等多重挑战，亟须以学科交叉融合为途径实现教育模式的深度转变。该研究以中国国产领先的人工智能技术——DeepSeek为核心，依靠搭建“课程设计—学习支持—实践验证—师资保障—动态评价”五位一体的育人体系，系统剖析其在医学交叉人才培育中的应用价值与创新途径。研究表明，借助DeepSeek的自然语言处理、知识图谱构建以及数据建模等技术优势，可开发出专门的医学跨学科融合课程，还能借助智能化平台提供个性化学习路径、构建沉浸式虚拟仿真实验教学环境、实施“医工融合”的双导师制教学机制，并构建多维度能力导向的智能评价体系，全方位提升学生的综合素养与创新能力。最后展望了DeepSeek与医疗大数据深度融合在医学教育研究中的未来发展方向，强调要持续推动AI赋能教育生态系统的构建，深化“数据—模型—决策”能力的系统培养。该研究为医学教育的智能化转型和复合型人才的系统化培育提供了理论依据和实践路径，具有较强的现实指导意义和推广价值。

Abstract

Amidst the rapid advancement of artificial intelligence (AI) and big data technologies, traditional medical education faces significant challenges, including rigid disciplinary boundaries, insufficient teaching resources, a lack of faculty diversity, and outdated evaluation mechanisms. This landscape necessitates a profound transformation of the educational paradigm through interdisciplinary integration. Focusing on DeepSeek, a leading domestically developed AI technology, this study proposes a comprehensive educational framework that integrates five core components: curriculum design, learning support, practical application, faculty development, and dynamic evaluation. It systematically analyzes the framework’s value and innovative pathways for cultivating interdisciplinary medical talent. The research demonstrates that leveraging DeepSeek’s capabilities in natural language processing, knowledge graph construction, and data modeling enables the development of specialized interdisciplinary courses, personalized learning paths via intelligent platforms, and immersive virtual simulation environments. Additionally, it supports the implementation of a dual-supervisor model “integrating medical and engineering expertise” and facilitates a multidimensional, competency-oriented intelligent evaluation system. These elements collectively work to enhance students’ comprehensive literacy and innovative capacities holistically. The study concludes by outlining future research directions for the deeper integration of DeepSeek with medical big data, emphasizing the need to foster an AI-empowered educational ecosystem and to strengthen systematic training in “data-driven, model-informed decision-making”. This research provides a theoretical foundation and practical strategies for the intelligent transformation of medical education and the systematic cultivation of interdisciplinary talent, offering substantial practical guidance and broad applicability.

Graphical abstract

关键词

DeepSeek / 医学教育 / 学科交叉 / 人工智能 / 人才培养

Key words

DeepSeek / Medical education / Interdiscipline / Artificial intelligence / Talent cultivation

在全球科技革命与产业变革的背景之下，人工智能、大数据、虚拟现实等前沿技术正以极快的速度对各个行业的格局进行着深刻重塑，传统的医学教育同样面临着重大挑战以及改革机遇^［1-3］。当代医学教育的主要任务在于向学生传授医学基础知识，同时指导其临床实践，不过单一的教育模式已然无法应对变得日益复杂的医学问题以及飞速革新的技术^［4］，医学教育的系统性转型已成为时代发展的必然要求。中国多所高校已迅速响应国家战略，例如，上海交通大学于2024年正式启动“智能医学工程试点班”的招生与培养工作，该试点班依托其强大的生物医学工程学科，致力于构建本博贯通的跨学科拔尖创新人才培养路径。国家出台的这一系列政策指南与高校的先试先行共同表明医学教育转型势在必行，其关键在于通过学科交叉融合培养引领未来的医学交叉人才。

1 医学交叉人才培养的现状与挑战

中国现阶段医学交叉人才培养在学科交叉融合上虽然取得了一定的成绩，但在实际推进过程中仍然面临众多挑战。

1.1 学科壁垒与知识整合障碍

长期以来中国传统医学教育一直采用学科中心的教学模式，专业课程主要分为基础医学和临床医学这两类，对跨学科课程开发和创新实践培训关注不多^［5］。这种模式一定程度上妨碍了人工智能和大数据等新兴技术融入医学教育，让学生面对相对封闭的知识体系，难以跟上医学快速发展节奏。更引人关注的是医学教师与非医学教师教学方法差异较突出，并且很多学校缺乏跨学科教学资源共享平台与机制^［6］，致使教育过程中出现的“碎片化”问题成为教育创新和教学改革的关键障碍。

1.2 教学实践资源匮乏

医学交叉人才的培育依靠理论知识跟实践技能紧密相连，不过当前教育体系在实践资源供应方面依旧不够充足^［7］。人工智能、大数据等新兴技术具有动态复杂的特点，这一特性使得实验平台要拥有更高的精细程度与协调能力^［8］，然而中国多所高校尚未构建好全面且结构优良的跨学科实践基础设施，致使培养医学交叉人才的目标难以达成^［9］。自2013年启动国家级虚拟仿真教学中心建设以来（教高司函〔2013〕94号），全国已建成300余个国家级虚拟仿真教学实验平台来弥补教学实践资源的欠缺^［10］，但多数高等医学教育虚拟仿真实训平台还是只局限于单一领域，缺少多学科交叉融合^［11］。这种局限性在一定程度上削减了学生把知识运用到实际医学情境的能力，还限制了他们实践水平以及创新能力的提升。

1.3 师资结构失衡

随着人工智能和大数据快速发展，医学教育工作者现有的知识体系与持续演变的技术格局出现不匹配的结构性矛盾。当前多数医学教师来自基础医学或临床医学背景，往往缺乏对新兴信息技术的系统认知和应用能力^［12］。尽管部分高校已将信息技术相关课程纳入课程体系，但跨学科整合能力不足、教学方法缺乏创新以及教师技术素养欠缺等长期存在的挑战，这仍是制约课程改革与提升的关键障碍。课程内容与教师专长的不匹配，致使学科融合项目难以推进，导致学生难以获得充足的跨学科支持，限制了他们在应用技术和培养创新思维方面的发展。

1.4 培养机制与评价体系滞后

传统医学教育评价体系依赖医学知识与临床操作能力的量化考核，却忽略对学生跨学科整合与创新能力的综合考核^［7］。这样的评估机制存在两方面问题：一方面结构单一且静态滞后，很难准确把握学生面对复杂问题时运用新兴技术、开展批判性思维的真实能力；另一方面普遍缺少个性化反馈路径，没办法给学生提供有针对性和可操作性的改进建议，导致学习过程缺乏动态引导与自我优化的可能性。更为关键的是，当下高校教师的评价标准以科研为主导，教学仅为基础门槛^［13］，这种对传统阶段的教师评价标准的改革并未改变实质，忽视了像跨学科教学能力、科研成果转化效率以及教学方法创新等关键维度，这些结构性不足压缩了教育发展空间，还在无形中削弱了未来医学交叉人才的培养基础。

2 DeepSeek赋能医学交叉人才培养的创新路径

为突破医学交叉学科人才培养的模式固化与知识整合瓶颈，需探索以人工智能为核心驱动力的创新教育范式。国际顶尖院校已形成若干代表性模式。例如，美国哈佛大学与MIT整合两校医学院与工学院资源，通过设立“Health Sciences and Technology （HST）”联合项目构建了“临床需求—技术研发—产业转化”的全链条培养模式；德国海德堡大学则依托其大学医院与国家级计算中心，建立了以数据科学与临床医学深度融合为特色的“Computational Medicine”硕士项目。

中国医学交叉人才培养需立足基本国情，走出一条与国产核心技术发展同频共振、与国家新医科战略紧密绑定的特色化创新路径。而DeepSeek作为国产人工智能领域非常突出的代表，依靠其出色的数据处理能力以及跨学科知识融合的潜力，正在为医学教育开拓出以前从未有过的广阔空间。2025年3月5日，教育部部长怀进鹏在第十四届全国人民代表大会第三次会议的“部长通道”采访中明确指出，DeepSeek和机器人技术的深度融合，会成为推动教育改革以及高质量发展的关键机会。

本研究借助DeepSeek的多维赋能机制构建了覆盖“课程设计—学习支持—实践验证—师资保障—动态评价”的五位一体培养体系（见图1），不仅能为跨学科医学人才提供系统化成长路径，还有望在教育理念、教学方法以及组织结构等多个层面引发深刻且持续的变革，推动医学交叉人才辈出，最终引领整个教育生态走向“技术引领、融合驱动、系统转型”的全新格局，实现教育的整体跃迁，是国际医学教育领域一项独具特色的创新尝试。

2.1 资源整合，设计跨学科课程

传统医学教育目前仍以单一学科作为主线的教学模式开展，跨学科教学体系的构建到现在都还处在初级的阶段，整体的架构比较分散，协同机制也有所欠缺。DeepSeek的自然语言处理能力可对大量医学文献和临床案例进行系统化分析，从中提取关键概念与知识节点；其知识图谱构建技术能够将医学知识与工程学、数据科学等跨学科内容进行关联和整合，有望开发出专门的跨学科课程^［14］。这一点已在实践中得到印证，例如南方医科大学联合清华大学等多所高校以DeepSeek-R1为技术基座，基于“共建·共享·共创”为核心理念共同构建了中国首个“医学AI教学联盟”协同创新生态，目前该生态已汇聚了包括基础医学、临床医学、医学工程等方向的240门特色课程，形成了系统的跨学科课程群，覆盖近3万名学生，这一实践入选教育部第三批“人工智能+高等教育”应用场景典型案例^［15］，为跨学科课程的规模化、规范化建设提供了可复制的生态化路径。

借鉴上述生态化建设思路，本研究构建了一个层次化的“智能医学导论”课程结构模型（见表1），将教学内容系统性地组织为“基础理论—技术方法—融合实践”三大核心模块，明确了各阶段的核心内容与技术赋能路径，为跨学科课程的规范化建设提供了参考。此外，教育部“新医科”智能医学工程专业“101计划”核心教材“智能医学工程导论”也即将由高等教育出版社正式出版。这类课程与教材打破了传统学科之间的界限，让学生可系统地掌握多个领域的知识，还可帮助他们构建起跨学科的思维框架，提升他们综合分析以及解决复杂医学问题的能力。

2.2 智能辅助，提供个性化学习支持

传统医学教育长久以来受到同质化教学模式的限制，一般很难充分回应学生在认知风格、学习节奏以及兴趣取向等方面存在的个体差异。DeepSeek的自然语言处理能力可对学生提出的医学领域问题进行语义理解并生成连续性的对话式回应，为学习过程提供即时的知识支持。同时，其核心数据分析能力能够处理学习管理系统生成的行为报告，通过识别学生的学习模式与进度瓶颈动态调整教学内容、进度和路径^［16］。其应用效果已得到初步实证研究支持，例如延安大学医学院在“急诊与灾难医学”课程中进行了教学实验，一组学生使用DeepSeek作为智能辅助工具进行学习和病例分析，另一组采用传统方法，研究结果显示，DeepSeek组的多项理论成绩和实践技能评价均高于传统组（P<0.05），师生对DeepSeek教学模式的满意程度更高（P<0.05）^［17］。这项技术让医学教育从传统的“填鸭式灌输”转变为“人机协同驱动下的个性化学习”新范式，让学生从被动接受者转变为可依据自身节奏主动规划学习进程的参与者，学习效率得到了明显提升。

2.3 实践创新，建设虚拟仿真教学平台

在当代医学教育体系里，实践教学是较为突出的薄弱环节，在促进跨学科融合以及开展创新训练这两方面，资源方面的限制表现得极为突出，实体设备存在局限，临床场景也受到一定控制，这致使传统教学模式难以契合未来医学人才培养对于高频实践以及多维训练的要求。目前国家虚拟仿真实验教学课程共享平台开发完成了基础医学、临床医学、护理医学、公卫预防医学、医学技术专业等领域的多项教学产品，学生点击“我要做实验”模块便可自主完成模拟训练，实现了优质实验资源的开放共享。然而此类平台在功能上仍以标准化内容呈现和流程化操作训练为主，对个性化交互、实时导学反馈以及临床思维的开放性训练支持有限，难以全面满足医学教育对高阶能力培养的需求，DeepSeek相关技术的引入为虚拟仿真教学的深化发展提供了新的可能。

具体而言，DeepSeek从三个维度为虚拟仿真平台提供核心技术支撑：在三维建模支持方面，其自然语言处理能力可用于解析医学影像相关的文字资料，提取关键的解剖与病理信息，并辅助建模人员准确把握器官结构及病灶关系；在交互设计方面，基于语义理解与对话生成技术的多轮问答功能，使学习者能够以语音或文本方式与虚拟情境开展自然交互，用于支持临床沟通、病例汇报等教学活动；在系统集成层面，其知识图谱与推理能力能嵌入病例逻辑，构建可推演的临床情境。这种深度融合，有望将虚拟仿真从“操作模拟器”升级为“智能训练伙伴”，让学生在无风险环境中持续磨炼技能与临床思维，从而全面提升综合实践能力。

2.4 协同师资队伍建设

在传统医学教育体系里，教师大多时候把教学重点放在医学知识的传授上，普遍欠缺对人工智能、大数据等新兴技术的深入理解以及教学融合实践，这种单一视角的育人模式，很难契合交叉学科背景下创新型医学人才的培养需求。借助DeepSeek构建的“临床专家+技术工程师”双导师制的教学平台能为打破这一隔阂提供新的途径和机制，该平台通过DeepSeek的“自然语言处理”能力能实现跨学科教学案例的高效定向检索与内容组织，借助DeepSeek的“知识图谱”功能可直观呈现医学与工程知识的融合点，系统提升双导师在协同课程设计与综合项目开发中的整合效率与研究深度。在该模式中临床专家负责确定真实的医学问题场景，技术工程师则引领学生开展数据建模、算法调优以及技术实现，二者构成闭环式协同育人结构，这种高度整合的跨学科协作机制，拓展了学生的知识边界，为其日后投身医学科技创新、临床技术转化等前沿方向的工作打下了坚实基础。甘肃农业大学推出了“DeepSeek赋能教师能力提升班”等系列培训项目，率先采用“高校专家+企业工程师”双导师制，通过线上线下相结合的跟踪指导模式，分设基础班与进阶班，实现了教师培训全覆盖，是“双导师制”在应用型人才培养中的探索与实践^［18］。

2.5 构建能力导向的动态评价体系

传统医学教育的评价体系存在评价方式较为单一、内容、片面等问题，过度看重学术成绩，却忽略德育涵养以及综合素质的培育^［19］。在新兴技术快速渗透到各行各业的时代背景中，医学教育的评价机制迫切需要重新构建，为此本研究基于DeepSeek在数据采集以及智能分析方面的核心优势，构建了涉及“知识掌握—实践能力—创新素养”三维坐标系的动态评价体系（见表2）。该体系能够对学生的多类学习产出进行结构化分析：一方面借助DeepSeek的自然语言处理能力，可自动化分析病历、报告等文本，量化评估知识掌握、创新实践及教学设计等维度；另一方面利用其语义理解与关联能力，则可对学习内容进行概念化抽取与网络化分析，从而追踪知识结构、综合能力及学习曲线的动态演变。而对于操作行为等非文本数据需要专业教学系统进行前期处理与特征提取后再交由DeepSeek对各类标准化数据报告进行高阶语义整合与智能研判，最终通过 “智能辅助、专家核定” 的人机协同模式，生成能够支持形成性评价与教学持续改进的综合分析报告，为教师优化教学策略、学生自主调整学习路径提供了科学依据。

该体系的科学性与有效性将采用教育测量学原理系统进行验证：在教学试点通过随机抽样建立实验组与对照组，并运用DeepSeek平台全程采集学生在知识测评、实践操作与项目协作中的多维度学习数据；采用信度分析（建议α>0.8）、验证性因子分析（建议CFI>0.9，RMSEA<0.08）和效标关联分析（建议r>0.5，P<0.01）进行三重统计检验；通过比较实验组与对照组在综合能力测评中的表现差异评估实施效果，最终建立“实施—验证—优化”的持续改进机制。

2.6 实施保障：DeepSeek技术应用的局限性与协同架构

DeepSeek为“五位一体”培养路径提供了关键的系统性赋能，但要充分发挥这些潜能就必须正视其技术应用的客观局限性。比如在复杂临床推理层面，医学高阶思维训练重在处理不确定信息与开展鉴别诊断，DeepSeek在结构化知识问答中表现良好，但在应对依赖隐性临床经验的开放式推理任务时，其逻辑链条的完备性仍面临挑战^［20］。因此，其教育应用应定位于与临床决策支持系统（CDSS）及高保真病例模拟平台协同。CDSS提供循证规则与知识框架作为推理基准，病例平台则提供动态情境，DeepSeek可在此基础上专注于语义整合与推理过程解析。

在多模态数据处理层面，DeepSeek的核心优势集中于自然语言的理解与生成^［21］，无法直接处理医学影像、病理切片或生理信号等非文本教学资源，因此在相关技能教学与评价中需建立明确的上下游分工：由医学影像分析系统、生理信号处理软件、虚拟手术模拟器等专用工具完成数据采集、特征提取与初级解读，并输出标准化描述；DeepSeek则在此结构化结果之上，承担语义整合、操作复盘与个性化反馈生成等高阶教学交互任务。因此，DeepSeek与配套工具构成的协同生态正是“五位一体”培养路径得以充分实现与持续深化的关键保障。

3 未来展望：DeepSeek技术与医学教育的深度融合

虽然目前DeepSeek技术在医学交叉学科人才培育方面的运用已经有了初步成果，然而随着技术生态持续发展，医学教育所面对的变革会更加深远、动态且复杂，人工智能、大数据和教育场景之间的耦合关系，正逐渐从工具辅助向范式重塑转变，作为技术为教育赋能的核心引擎之一，DeepSeek的不断创新以及算法迭代，有希望促使医学教育朝着更高水平的智能化、精准化与个性化发展。未来的研究估计将主要集中在以下几个关键议题。

3.1 构建AI驱动的智慧教育生态系统

未来依靠DeepSeek技术的核心帮助，把人工智能、大数据和多元医学教育资源充分融合，有望打造出一个开放、协同、不断演进的智慧教育新生态。在这个生态系统里，智能推荐系统可依据学生的个性化学习轨迹与兴趣模型，动态推送前沿医学技术、最新科研成果以及临床案例，拓宽了知识获取的广度与深度。借助虚拟仿真环境，学生可以沉浸式体验远程医疗、精准医学、AI辅助诊疗等典型创新场景，在高度还原的模拟实践中持续打磨操作能力与系统思维。这种全新的学习模式提升了学生的实操水平与问题解决能力，还为其未来职业发展构建了坚实的知识和技术基础。

3.2 深化医疗大数据与AI协同育人路径

医疗大数据跟人工智能深度融合是未来医学教育研究的一个关键方向，也将成为推动教育内容重新构建以及人才培养模式转变的核心驱动力。依靠DeepSeek平台持续提高的技术能力，未来研究可聚焦于在医学教育体系里构建以数据为核心、以模型为桥梁、以智能决策为导向的教学路径。这个研究方向包括临床数据的获取和处理、疾病预测模型的构建以及个性化诊疗方案的优化等关键技术环节，还需探讨在具体教育场景中系统培养学生构建“数据—模型—决策”闭环能力的路径与方法，实现跨学科融合背景下医学教育的全面升级。

3.3 推动医学实践及科研范式的“数智化”转型

医学实践及科研正处在从经验驱动朝着数据驱动、智能引领方向的深刻转变进程中，未来依靠DeepSeek技术可在临床教学里广泛运用虚拟实验、数字孪生、智能影像分析以及手术模拟等新兴方式，给学生创设高仿真、低风险的实践环境。在科研环节，智能算法可以辅助实验设计优化、数据挖掘以及结果预测，提升研究的效率以及科学发现的精准度。“数智化”理念能够推动科研与教学的深度融合，让学生在学习进程中同步拥有科研思维与创新能力，经过这一转型，医学教育不仅能培养拥有扎实理论与技能的人才，还可以孕育出引领医学科技前沿的创新型学者，推进教育体系与医疗发展协同联动。

4 结语

DeepSeek作为国产人工智能技术里的关键代表，为医学交叉学科人才的培养提供了理论支撑以及实践引导这两方面的保障。借助推动课程体系重新构建、搭建沉浸式虚拟仿真实践平台，以及实施“医工融合”师资协同机制，这项技术切实突破了传统医学教育里存在的学科边界固化、实践资源短缺以及师资结构单一等关键瓶颈。随着技术持续发展以及教育场景不断扩展，未来医学教育会加快朝着智能化、个性化以及跨学科深度融合的全新阶段迈进，有希望培养出更多拥有跨领域整合能力、技术驱动思维以及全球视野的复合型医学创新人才。

参考文献

[1] 王维民 ．第四代医学教育的深度剖析与实施策略［J］．中华医学教育杂志，2024，44（10）：721-725．

[2] WANG WM ．Medical education embraces new transfo-rmative opportunities［J］．Global Medical Education，2025，2（1）：1-4．

[3] 门茜儒，刘林 ．人工智能赋能医学教育现代化的应用挑战与现实路径［J］．医学教育研究与实践，2025，33（5）：641-646．

[4] 仇雪萍，鲁娟.我国医学教育教学模式探究［J］.教育进展，2023，13（2）：702-706.

[5] 王晶，王建勋，王飞，等 ．青岛大学临床医学 “5+3” 一体化专业人才培养模式改革与实践［J］．青岛大学学报（医学版），2025，61（2）：297-300．

[6] 吴红斌，沈子曰 ．医教协同在人才培养中的关联结构及其互动机制［J］．高等教育研究，2024，45（6）：19-32．

[7] 熊薇，熊之勇，熊京，等 ．虚拟仿真实验平台在诊断学实践教学中的应用［J］．医学教育研究与实践，2025，33（6）：911-917．

[8] 吴李鸣，张天宇，陈为 ．人工智能与医学教育融合发展的前沿趋势［J］．全科医学临床与教育，2024，22（12）：1109-1111．

[9] 潘锐锋.新一代人工智能课程体系改革研究［J］.发展教育学，2024，12（5）：207-209.

[10] 齐硕，丁成明，李小艳，等 ．“互联网+”背景下运用虚拟仿真技术进行医患沟通教学改革的探讨［J］．中国继续医学教育，2023，15（19）：19-22．

[11] 陈怡然，冯秀芝，刘立萍，等 ．高等医学教育虚拟仿真实训平台的建设现状与思考：基于VOSviewer软件的可视化分析［J］．中国医学教育技术，2024，38（2）：183-189．

[12] PARANJAPE K， SCHINKEL M， NANNAN PAN-DAY R，et al ．Introducing artificial intelligence training in medical education［J］．JMIR Medical Education，2019，5（2）：e16048．

[13] 张宝歌.健全高校教师多渠道评价机制［N］.光明日报，2025-01-14（13）.

[14] CHENG L ．Application prospects of DeepSeek in nursing theoretical teaching［J］．Advances in Engineering Innovation，2025，16（2）：32-36．

[15] 南方医科大学.我校再次入选教育部“人工智能+高等教育”典型案例［EB/OL］.（2025-10-16）［2025-12-11］.

[16] ZHANG B Y ．An exploration of the reform of English informatisation teaching in colleges and universities based on deep learning model and microteaching mo-de［J］．Applied Mathematics and Nonlinear Sciences，2024（9）：20230717．

[17] 刘霖，张华华，杨敏，等 ．DeepSeek实践应用在急诊与灾难医学教学中的效果评价［J］．中华卫生应急电子杂志，2025，11（4）：238-243．

[18] 甘肃农业大学. 甘肃农业大学举办DeepSeek赋能教师能力提升班［EB/OL］.（2025-06-11）［2025-12-11］.

[19] 杨宗凯 ．利用信息技术促进教育教学评价改革创新［J］．人民教育，2020（21）：30-32．

[20] GUO DY， YANG DJ， ZHANG HW，et al ．DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning［J］．Nature，2025，645（8081）：633-638．

[21] DeepSeek. DeepSeek-V2 Technical Report ［EB/OL］.（2024-05-21）［2025-12-11］.

基金资助

山西省高等学校教学改革创新项目(J20240542)

山西省高等学校教学改革创新项目(J20240670)