人工智能在醫(yī)學(xué)影像精準(zhǔn)化教育中的應(yīng)用前景

李佳銘 吳志斌 戚榮飛 杜少華

醫(yī)學(xué)影像（medical imaging）檢查作為一種普遍的檢查手段，其高效便捷的特點(diǎn)深受臨床醫(yī)生的青睞。不同于其他生化類檢查，醫(yī)學(xué)影像可以清晰地提供病變的所在位置、大小、功能及結(jié)構(gòu)等重要信息，為疾病的診斷和術(shù)后評(píng)估提供強(qiáng)有力的幫助[1]。然而，從醫(yī)學(xué)影像數(shù)據(jù)的采集到一份診斷報(bào)告的發(fā)出，這其中涉及了臨床醫(yī)學(xué)、工學(xué)及計(jì)算機(jī)等多學(xué)科內(nèi)容。因此，這就使得人們不得不開(kāi)始重視醫(yī)學(xué)影像教育。目前，我國(guó)的醫(yī)學(xué)影像教育大多還停留在傳統(tǒng)的影像教育模式，這種傳統(tǒng)教育模式將很難實(shí)現(xiàn)在“精準(zhǔn)醫(yī)療”大背景下的醫(yī)學(xué)影像精準(zhǔn)化教育。人工智能（artificial intelligence，AI）技術(shù)作為近幾年的一大研究熱點(diǎn)，該技術(shù)已被廣泛應(yīng)用在醫(yī)學(xué)影像的相關(guān)研究中[2]，比如將AI 應(yīng)用于醫(yī)學(xué)圖像分割[3-4]，以及相關(guān)疾病的診斷[5-6]。與此同時(shí)，也有學(xué)者將AI 引入醫(yī)學(xué)影像教育中進(jìn)行探討[7-9]，但大多是關(guān)于AI 輔助傳統(tǒng)影像教育[10-12]，并未涉及精準(zhǔn)化、個(gè)性化的影像教育應(yīng)用中來(lái)。因此，文章將試?yán)肁I 技術(shù)來(lái)解決醫(yī)學(xué)影像精準(zhǔn)化教育所面臨的挑戰(zhàn)，以及嘗試構(gòu)建醫(yī)學(xué)影像精準(zhǔn)化教育模式，并對(duì)醫(yī)學(xué)影像精準(zhǔn)化教育進(jìn)行未來(lái)展望。

1 醫(yī)學(xué)影像精準(zhǔn)化教育面臨的挑戰(zhàn)

醫(yī)學(xué)影像精準(zhǔn)化教育的核心在于“因材施教”以及重點(diǎn)定位，即針對(duì)個(gè)體學(xué)習(xí)能力進(jìn)行評(píng)估，來(lái)決定學(xué)習(xí)對(duì)象所應(yīng)接受的學(xué)習(xí)內(nèi)容，并對(duì)學(xué)習(xí)的薄弱環(huán)節(jié)進(jìn)行及時(shí)追蹤，從而采取強(qiáng)化的手段來(lái)提高學(xué)習(xí)個(gè)體的學(xué)習(xí)成效。因此，基于文章中對(duì)醫(yī)學(xué)影像精準(zhǔn)化教育的定義，這里將簡(jiǎn)單羅列幾個(gè)開(kāi)展醫(yī)學(xué)影像精準(zhǔn)化教育所面臨的挑戰(zhàn)。

1.1 傳統(tǒng)醫(yī)學(xué)影像教育模式的不足

目前，我國(guó)醫(yī)學(xué)影像教育主要采用的是傳統(tǒng)授課（lecture-based learning，LBL）模式，該模式主要是以授課教師作為主導(dǎo)，學(xué)生被動(dòng)接收教師輸出的教學(xué)內(nèi)容。這種傳統(tǒng)的LBL 課堂教育模式難免會(huì)出現(xiàn)學(xué)生對(duì)于知識(shí)的機(jī)械性獲取，導(dǎo)致培養(yǎng)的學(xué)生缺乏一定的自主學(xué)習(xí)能力和創(chuàng)新能力，從而進(jìn)一步影響到學(xué)生日后工作中的崗位勝任能力。最近幾年，也有不少學(xué)者開(kāi)始對(duì)傳統(tǒng)的LBL 教學(xué)模式進(jìn)行改進(jìn)，比如基于問(wèn)題的學(xué)習(xí)法（problem-based learning，PBL）的提出[13-15]，這是一種引入問(wèn)題的教育模式，以實(shí)際臨床問(wèn)題作為切入點(diǎn)來(lái)進(jìn)行教學(xué)，從而使得以前枯燥死板的教學(xué)內(nèi)容變得形象直觀起來(lái)。但是，這種PBL 教學(xué)法受限于現(xiàn)有教學(xué)課時(shí)和實(shí)際教學(xué)硬件的影響，授課教師往往只能對(duì)部分常見(jiàn)疾病的影像問(wèn)題展開(kāi)討論，而無(wú)法對(duì)應(yīng)于各類疾病的診斷情況。另外，在現(xiàn)有的教育資源和課時(shí)要求下，代課教師疲于完成授課任務(wù)，也會(huì)導(dǎo)致教師忽略學(xué)生對(duì)于知識(shí)的掌握情況，使得影像教育難于做到精準(zhǔn)化及個(gè)性化。

1.2 醫(yī)學(xué)影像學(xué)科自身特點(diǎn)

醫(yī)學(xué)影像學(xué)是一門(mén)獲取影像及識(shí)別異常影像特征的綜合實(shí)踐類學(xué)科，也是一門(mén)涉及醫(yī)學(xué)、工學(xué)和計(jì)算機(jī)學(xué)等多學(xué)科交叉的復(fù)雜學(xué)科。首先，對(duì)于理論學(xué)習(xí)來(lái)說(shuō)，一名醫(yī)學(xué)影像專業(yè)學(xué)生在校期間，需要學(xué)習(xí)系統(tǒng)解剖學(xué)、局部解剖學(xué)、內(nèi)科學(xué)、外科學(xué)、兒科學(xué)等臨床學(xué)科。同時(shí)，還需學(xué)習(xí)醫(yī)學(xué)影像診斷學(xué)、超聲診斷學(xué)等影像診斷類科目，再加上醫(yī)學(xué)影像設(shè)備學(xué)等工科類科目。其次，對(duì)于專業(yè)實(shí)踐來(lái)說(shuō)，一名合格的醫(yī)學(xué)影像學(xué)生要熟練地掌握X 平片、超聲、電子計(jì)算機(jī)斷層掃描（computed tomography，CT）、磁共振成像（magnetic resonance imaging，MRI）等影像數(shù)據(jù)的采集，并掌握掃描數(shù)據(jù)的后處理過(guò)程以及最終診斷報(bào)告的書(shū)寫(xiě)。同時(shí)，新設(shè)備新技術(shù)的不斷更新，課本所學(xué)的儀器設(shè)備已與實(shí)際有所脫節(jié)，學(xué)生很難將理論與實(shí)際結(jié)合起來(lái)。此外，在課堂的教學(xué)中，難以保持影像教育所需要的高保真訓(xùn)練場(chǎng)景，也使得學(xué)生對(duì)于部分概念的理解比較模糊。以上這些都為開(kāi)展醫(yī)學(xué)影像精準(zhǔn)化教育帶來(lái)一定的阻力。

1.3 學(xué)生自身的差異

早在春秋戰(zhàn)國(guó)時(shí)期，著名的教育家、政治家和思想家孔子先生就提出“因材施教”這一觀點(diǎn)，并根據(jù)“聽(tīng)其言，觀其行”的方法來(lái)對(duì)門(mén)下學(xué)生進(jìn)行不同的指導(dǎo)。另外，近代教育家蔡元培也提倡教育要“尚自然，展個(gè)性”[16]。國(guó)外一些學(xué)者也在其研究中表明，不同學(xué)生的學(xué)習(xí)風(fēng)格會(huì)有所不同。如美國(guó)心理學(xué)家柯勃就發(fā)現(xiàn)，有的人在感知外部世界時(shí)，傾向于具體的方式，而有的人則傾向于抽象的方式[17]。并且，他還將不同人的學(xué)習(xí)風(fēng)格分為四類，分別為想象型、分析型、普通型和活動(dòng)型[16-18]。同時(shí)，新時(shí)代的高等教育也主張要充分考慮到學(xué)生的個(gè)性發(fā)展，以及學(xué)生發(fā)展的客觀規(guī)律。不同學(xué)生的思維習(xí)慣及思維模型的不同，也會(huì)導(dǎo)致他們?cè)趯?duì)于知識(shí)點(diǎn)的掌握有所不同，有的學(xué)生可能會(huì)擅長(zhǎng)CT 圖像的閱讀，有的學(xué)生可能會(huì)擅長(zhǎng)MRI 圖像的閱讀。還有，有的學(xué)生可能對(duì)于頭頸部疾病的影像診斷比較熟悉，有的學(xué)生可能對(duì)于胸腹部疾病的影像特征掌握較好。

2 AI 技術(shù)助力構(gòu)建醫(yī)學(xué)影像精準(zhǔn)化教育新模式

針對(duì)上面所提及的挑戰(zhàn)，文章將結(jié)合目前AI 的相關(guān)技術(shù)，來(lái)構(gòu)建出醫(yī)學(xué)影像精準(zhǔn)化教育新模式。

2.1 AI 智能教學(xué)模式

針對(duì)傳統(tǒng)LBL 中填鴨式的教學(xué)模式，AI 技術(shù)將利用對(duì)于大數(shù)據(jù)的處理與篩選能力，AI 會(huì)在影像歸檔和通信系統(tǒng)（picture archiving and communication system，PACS）上進(jìn)行數(shù)據(jù)清洗與篩選，然后選擇PACS 系統(tǒng)中比較常見(jiàn)的病例類型及影像特征，來(lái)作為AI 課堂教學(xué)的內(nèi)容與素材。這樣就解決了傳統(tǒng)LBL 中沒(méi)有案例，只有單幅圖像的缺陷。同時(shí)，因?yàn)槭菍?duì)大型三甲醫(yī)院PACS 系統(tǒng)中日常的影像數(shù)據(jù)的整理，也就使得收集的病例影像種類較為豐富，這樣也就極大地改善了PBL 教學(xué)法中課堂案例的不全面性，使得學(xué)生對(duì)于疾病的影像特征掌握得更多一些。

此外，AI 技術(shù)可以借助互聯(lián)網(wǎng)、慕課平臺(tái)等資源，使得學(xué)生不受時(shí)間與地點(diǎn)的限制，隨時(shí)進(jìn)行AI 課堂學(xué)習(xí)，并閱讀到完整的影像資料。另外，AI 課堂中一改以往以教師為主導(dǎo)的學(xué)習(xí)方式，而是更多地讓學(xué)生去主導(dǎo)整個(gè)學(xué)習(xí)過(guò)程，比如肺部的影像資料，AI 課堂會(huì)同時(shí)給出患者的基本病史及相關(guān)情況，然后由學(xué)生在影像上勾畫(huà)出異常位置，并給出影像診斷。隨后，AI會(huì)對(duì)語(yǔ)段及圖像異常位置進(jìn)行檢測(cè)，與正確答案進(jìn)行匹配，對(duì)學(xué)生的診斷給出打分。同時(shí)，根據(jù)訓(xùn)練中的打分高低，AI 會(huì)自動(dòng)調(diào)整學(xué)習(xí)內(nèi)容，如肺部影像CT 診斷評(píng)分較低，AI 就會(huì)多分配一些肺部影像案例給學(xué)生。反之，則減少類似的案例學(xué)習(xí)分配。這樣就可以為學(xué)生制定出適合自己的學(xué)習(xí)方案與計(jì)劃，做到了真正的“因材施教”，也很好地解決了每個(gè)學(xué)生自身差異所帶來(lái)的困難。

2.2 AI 新技術(shù)改善學(xué)科難度

近年來(lái)，AI 技術(shù)已被廣泛應(yīng)用于醫(yī)學(xué)影像分割，尤其是深度學(xué)習(xí)算法在醫(yī)學(xué)影像分割中的應(yīng)用。如中國(guó)香港中文大學(xué)的LI 等[19]就利用混合密集連接網(wǎng)絡(luò)（H-DenseUNet）在肝臟以及肝臟病灶的分割上取得了不錯(cuò)的效果。此外，還有ZHAO 等[20]將全卷積神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場(chǎng)結(jié)合在一起，提出了一種新的腦腫瘤分割方法，并取得了外觀和空間一致性均不錯(cuò)的分割結(jié)果。還有加拿大DABIRI 等[21]利用深度學(xué)習(xí)算法應(yīng)用在腹部CT 圖像上，完成了對(duì)于骨骼肌、皮下脂肪組織、內(nèi)臟脂肪組織和肌肉間脂肪組織的自動(dòng)分割。這些研究都顯示了AI 技術(shù)在醫(yī)學(xué)影像自動(dòng)分割方面的巨大潛力。同時(shí)，這也啟發(fā)筆者，鑒于AI技術(shù)對(duì)于醫(yī)學(xué)影像的正常組織和病灶有著良好的分割能力，筆者可以將其應(yīng)用在醫(yī)學(xué)影像精準(zhǔn)化教育中，幫助學(xué)生加深對(duì)于醫(yī)學(xué)影像上各個(gè)器官、血管、肌肉、骨骼等的識(shí)別，從而進(jìn)一步加強(qiáng)學(xué)生在影像解剖的認(rèn)識(shí)與學(xué)習(xí)，也為之后的異常影像特征診斷打下良好的基礎(chǔ)。

此外，針對(duì)影像教學(xué)中設(shè)備技術(shù)更新迭代速度較快等特點(diǎn)，AI 仿真教學(xué)平臺(tái)的建立將大放光彩。AI 技術(shù)結(jié)合虛擬現(xiàn)實(shí)（virtual reality，VR）[22]可以幫助學(xué)生在課堂上真實(shí)感受到數(shù)字X射線、CT及MRI等設(shè)備的操作，通過(guò)將這些設(shè)備的參數(shù)與人體模擬仿體結(jié)合在其中，可以讓學(xué)生在AI 模擬的平臺(tái)中通過(guò)選擇不同的掃描參數(shù)來(lái)獲得不同的圖像，從而加深學(xué)生對(duì)于書(shū)本上掃描參數(shù)的理解，并且利用虛擬人體仿體，可以讓學(xué)生更好地了解在日常工作中如何去進(jìn)行擺位，以及掃描范圍的選取。同時(shí)，這些仿真教學(xué)平臺(tái)也可以遷移至電腦和手機(jī)，不限時(shí)間及地點(diǎn)地讓學(xué)生們學(xué)習(xí)到影像數(shù)據(jù)的整個(gè)獲取流程。

目前，已有研究者在這方面做了部分工作，如高俊逸等[23]為了解決MRI 設(shè)備教學(xué)中存在的場(chǎng)地有限、實(shí)際上手困難等問(wèn)題，將三維數(shù)字模擬與虛擬仿真技術(shù)結(jié)合起來(lái)，開(kāi)發(fā)了一套可以用于MRI 設(shè)備教學(xué)的仿真系統(tǒng)。并且，開(kāi)發(fā)者還發(fā)現(xiàn)通過(guò)虛擬教學(xué)的學(xué)生要比普通授課學(xué)生的教學(xué)反饋要更好一些。還有，南京醫(yī)科大學(xué)超聲教研室自主研發(fā)的基于網(wǎng)絡(luò)的超聲影像學(xué)虛擬學(xué)習(xí)平臺(tái)，該平臺(tái)內(nèi)嵌虛擬超聲儀器操作、人體虛擬超聲檢查，虛擬超聲病例影像庫(kù)等智能化模塊，不僅訓(xùn)練了學(xué)生對(duì)于超聲儀器的操作，極大激發(fā)了學(xué)生對(duì)于超聲診斷學(xué)習(xí)的興趣，也取得了不錯(cuò)的教學(xué)反饋?lái)憫?yīng)[24]。

2.3 AI 智能用戶畫(huà)像

用戶畫(huà)像，簡(jiǎn)單來(lái)說(shuō)就是首先采集學(xué)習(xí)者（用戶）的學(xué)習(xí)行為數(shù)據(jù)，并對(duì)這些數(shù)據(jù)進(jìn)行挖掘，構(gòu)建出精準(zhǔn)化的學(xué)習(xí)者個(gè)性化標(biāo)簽，從而生成學(xué)習(xí)者畫(huà)像模型，來(lái)進(jìn)一步達(dá)到提高認(rèn)知能力并指定個(gè)性化學(xué)習(xí)方案[25-26]。這類研究最近也是嶄露頭角，如王芳[27]利用AI 建立用戶畫(huà)像模式，通過(guò)畫(huà)像模型對(duì)學(xué)生的教學(xué)進(jìn)行分層分類，還進(jìn)一步改善翻轉(zhuǎn)課堂的教學(xué)設(shè)計(jì)，實(shí)現(xiàn)了精準(zhǔn)教學(xué)。文章將利用調(diào)查問(wèn)卷來(lái)獲取以下相關(guān)數(shù)據(jù)：學(xué)生基本信息、學(xué)生努力程度、平時(shí)績(jī)點(diǎn)狀況、生活規(guī)律等維度。之后，AI 會(huì)隨機(jī)對(duì)學(xué)習(xí)者分配不同的學(xué)習(xí)科目類型，如MRI 圖像診斷或CT 圖像診斷，頭頸部影像或腹部影像，將對(duì)這些教學(xué)后的測(cè)驗(yàn)分?jǐn)?shù)進(jìn)行收集，然后加上調(diào)查問(wèn)卷的得分權(quán)重，來(lái)對(duì)學(xué)習(xí)者進(jìn)行分類，從而根據(jù)分類結(jié)果來(lái)對(duì)學(xué)習(xí)內(nèi)容進(jìn)行調(diào)整，這樣就實(shí)現(xiàn)了真正意義上的“因材施教”。

綜上所述，文章發(fā)現(xiàn)AI 在醫(yī)學(xué)影像精準(zhǔn)化教育的應(yīng)用中潛力無(wú)限，AI 技術(shù)將利用其自身技術(shù)優(yōu)勢(shì)，來(lái)彌補(bǔ)傳統(tǒng)授課模式的單一和內(nèi)容陳舊等局限性，并克服該學(xué)科自身學(xué)科繁雜等特點(diǎn)，從而可以真正地實(shí)現(xiàn)醫(yī)學(xué)影像的精準(zhǔn)化教育，從而培養(yǎng)出適崗能力強(qiáng)、理論與實(shí)踐本領(lǐng)均過(guò)硬的學(xué)生。