施偉偉

醫(yī)學知識的爆炸式增長使醫(yī)生掌握全面知識越來越不可能。醫(yī)學知識數(shù)量超過了人類思維的組織能力[1]。上世紀末的數(shù)據已經告訴我們，每年有超過60 萬篇文章發(fā)表在生物醫(yī)學文獻中。如果一個學生每天閱讀2 篇文章試圖跟上文獻，那么這個盡職盡責的個人將在1年內落后800多年。當今社會只會更加凸顯這個矛盾。醫(yī)學教育正在迅速變化，受到許多因素的影響，包括醫(yī)療環(huán)境的變化、醫(yī)生角色的變化、社會期望的改變、醫(yī)學科學的快速變化以及教學技術的多樣性。社會期望的變化越來越重視患者的安全，長期以來的“看一個、做一個、教一個”的教學方法已不再可接受。

1 人工智能（AI）和醫(yī)學教育

人工智能（AI）用于醫(yī)學教育是個新趨勢[2]，AI 這個術語出現(xiàn)于1956 年，從那以后，人工智能已經取得了很大的進步[3]。人工智能的第一個進展側重于神經網絡的構建。它們模仿人類大腦獲取輸入并從給定數(shù)據產生輸出的能力。大約在20 世紀80 年代，這些人工神經網絡發(fā)展到“機器學習”變得流行的程度。機器學習是指機器瀏覽數(shù)據和查找模式的能力，從而從數(shù)據中學習，然后將其應用于問題以做出明智的決策[4]。機器學習之后出現(xiàn)了深度學習的趨勢，這是一個更復雜的機器學習子集，不需要人工干預機器就可以進步[5]。使用更基本的機器學習的機器進行預測，如果那些建議錯誤，那么仍然需要人工指導才能做出更好的預測。具有更高級深度學習能力的機器可以推斷出他們是否已經自己做出了良好的預測并繼續(xù)學習這些推論。如今的AI 機器結合了機器學習和深度學習，這些機器可以應用于各種學科。醫(yī)學教育中使用AI 技術也需要符合教育本身的目標，包括：促進基本知識獲取、增強感知變異、提高技能協(xié)調、練習處理突發(fā)或重要事件、學習團隊訓練和提高精神運動技能。在研究生培訓方面，課程重點也發(fā)生了變化，從簡單的知識獲取到展示學習者能力的需要。

2 人工智能引入腫瘤分子生物學、腫瘤病理學和腫瘤影像學

研究生腫瘤學教材的更新面臨困難，最主要是腫瘤的診療進入“高速時代”，包括腫瘤內科、腫瘤外科、腫瘤微創(chuàng)、腫瘤影像學以及分子診斷學等等。當生命科學的研究進入后基因組時代[6]，腫瘤學也隨著分子生物學的發(fā)展也進入了一個嶄新的階段，從腫瘤的多階段到腫瘤防治的新概念，從腫瘤的遺傳易感到早期檢測，腫瘤分子生物學的迅猛發(fā)展必將為促進臨床腫瘤學和臨床預防腫瘤學的發(fā)展提供新的機遇和挑戰(zhàn)[7]。本世紀初，哈納漢與溫伯格提出了六個“癌癥的標志”。2011 年3 月，兩位科學家回溯了自上篇文章發(fā)表后的十年里癌癥生物學界所取得的進展。又共同撰寫了《癌癥的標志：下一代》（Hallmarks of Cancer：The Next Generation）。在癌癥標志理論的指引下，腫瘤藥物治療和十年前相比進展驚人[8]，也給腫瘤專業(yè)的課程帶來了難題，學生拿著上一年的教材對應最新的發(fā)展，在思考教材陳舊的同時，其實面對的是腫瘤分子生物學進展帶來的教學難點。

研究生腫瘤學課程設置需要有機地將腫瘤學與病理學進行整合，在腫瘤學知識中鋪墊病理學知識，既能鞏固病理學知識，又能聯(lián)系具體病種，讓學生深刻體會腫瘤學知識。病理學是研究人體疾病發(fā)生的原因、發(fā)生機制、發(fā)展規(guī)律以及疾病過程中機體的形態(tài)結構、功能代謝變化和病變轉歸的一門基礎醫(yī)學課程。病理學一直被視為是基礎醫(yī)學與臨床醫(yī)學之間的“橋梁學科”[9]。病理學教學任務艱巨、教師匱乏、培訓和交流明顯不足，然而腫瘤診療對于病理NGS 二代測序技術和FISH 熒光原位雜交等很多知識需求旺盛，借助人工智能，傳統(tǒng)上病理教學難點將在很大程度上被解決。利用大量數(shù)字化影像進行訓練，人工智能系統(tǒng)能夠提供準確率遠超人類病理學家的診斷結論，甚至發(fā)現(xiàn)頂尖病理學家也無法發(fā)現(xiàn)的、極為細小的病征。人工智能將為醫(yī)生和病理學家提供重要的診斷與治療建議[10]。

人工智能引入研究生腫瘤課程很重要的部分是腫瘤影像學[11]。現(xiàn)代影像學使腫瘤的臨床分期更精確，已經成為腫瘤臨床治療的主要決策依據之一。人工智能從最早的輔助文書寫作到參與癌癥診療各方面。早期發(fā)現(xiàn)、早期診斷對于成功治療惡性腫瘤是非常重要的?；颊唧w內的腫瘤往往最常通過醫(yī)學成像技術檢測。今天的放射科醫(yī)生收集到的數(shù)據超過了他們在一個班次中人工工作的數(shù)據。2015 年在一份放射學雜志上發(fā)表的一項研究表明，平均放射科醫(yī)生必須每3～4 秒解釋一張圖像，以跟上他們的日常工作量 。機器也可以獲得比人類同行更多的數(shù)據，這可能意味著AI機器可以比人類更準確地檢測癌癥[12]。傳統(tǒng)上的研究生影像教學內容相對陳舊，教學手段單調，主要是通過幻燈、投影等方式展示大量的X 線平片、CT、MRI 等影像資料，通過授課講師按部就班地講解，靠學生死記硬背，教學效果較差，使得學生對形態(tài)學沒有感性的認識，難以形成有效記憶。教科書上的內容雖然都是典型病例，但和臨床實踐存在脫節(jié)，尤其是日后真正到臨床工作中實用性較差。醫(yī)學基礎教育與臨床脫節(jié)。導致學生上課時學到的知識到臨床中發(fā)現(xiàn)無法一一對應，因此需要對現(xiàn)有的教學模式和教學方法進行改革和創(chuàng)新，將新技術、新方法應用到教學中，拓展教學內容、豐富教學手段，以深化教育改革為措施。腫瘤影像教學意義不僅局限在提供診斷意見，而且還可以進行預后預測。這點在研究生教學中可以起到良好的作用，在研究生的課題設計和執(zhí)行，可以更好地提供切入點。

由佛羅里達大學計算機視覺研究中心的工程師開發(fā)的深度學習算法在肺癌的準確檢測方面非常成功。工程師向AI 輸入了1 000次CT 掃描，教它如何診斷肺癌。這項研究發(fā)現(xiàn)人工智能機器可以比人類自己的診斷能力提高30%[13]。把AI 用于本科生和研究生教學，可以提供大量同類型對照，有利于學生掌握每個疾病的全面影像特點，這是傳統(tǒng)教學所不能提供的。肺癌早期篩查早期治療的普及，使影像科壓力倍增，對肺結節(jié)AI 的需求旺盛?，F(xiàn)階段市場上肺結節(jié)AI 產品，基本上實現(xiàn)的是肺結節(jié)的檢出功能，為臨床提供結節(jié)鑒別診斷的量化信息，諸如大小、體積、位置，部分AI產品甚至可以精確定位到肺段，少數(shù)AI 產品具備結節(jié)的良惡性的提示以及圖文報告[14]。這些都比傳統(tǒng)上只對應描述惡性結節(jié)特點進行教學要生動很多，并且更有說服力。這些都為有效利用AI 進行教學提供了前期基礎條件。

3 AI 布局還有較長的道路要走但可以加速研究生腫瘤學教學改革

大多醫(yī)療人工智能在醫(yī)學院所依然是試用階段，其可能的主要應用方式可以分為：直接單獨作為軟件給醫(yī)療和教學機構；與信息化系統(tǒng)集成后提供；與醫(yī)療器械合作與硬件一起提供；通過遠程醫(yī)療提供給基層醫(yī)療機構；通過互聯(lián)網醫(yī)療的方式直接提供給患者。在直接提供給醫(yī)療機構的模式中，大量未接云端的系統(tǒng)和醫(yī)院局域網的限制都有可能影響影像人工智能系統(tǒng)的使用。流程優(yōu)化仍需要進行大量的實踐來探索。

歷史充分證明，課程變革一般是漸進和被動的。已發(fā)生的變化更多是基于問題的學習和臨床技能測試，并沒有從根本上改變醫(yī)學院的課程設定。2017年8月，發(fā)表在《神經學遺傳學》（Neurology Genetics）雜志上的一項惡性膠質母細胞瘤腫瘤病例報告表明，在得到同樣的信息后，IBM Watson 用10 分鐘提出了一個治療方案，而專家團隊使用了160 個小時[15]。這一結果并不能簡單地看做是機器的勝利，而是凸顯了知識更新速率與人類效率之間的矛盾。鑒于新時代的特點和課程需求，21 世紀醫(yī)學教育的變化必須要加快步伐，甚至可以說需要更“激進”，需要徹底改革。這也就是AI 能加速引入研究生腫瘤教學的機會。