丁 元，王偉林*

(1.浙江大學(xué)醫(yī)學(xué)院附屬第二醫(yī)院；2.浙江省肝膽胰腫瘤精準(zhǔn)診治研究重點(diǎn)實(shí)驗(yàn)室；3.浙江省肝癌診治技術(shù)研究中心，浙江 杭州 310009)

“人工智能(artificial intelligence, AI)”由McCarthy和Minsky等學(xué)者首倡，意指“機(jī)器模仿人類，進(jìn)行理解、思考、學(xué)習(xí)等過程的能力”。目前，在多種技術(shù)領(lǐng)域人工智能均已表現(xiàn)出巨大潛力，成為臨床醫(yī)學(xué)、生物學(xué)、口腔醫(yī)學(xué)[3]等學(xué)科的研究熱點(diǎn)。結(jié)合機(jī)器學(xué)習(xí)技術(shù)的醫(yī)學(xué)教學(xué)創(chuàng)新也不斷涌現(xiàn)，如對臨床能力的評價(jià)、輔助醫(yī)生對病理學(xué)資料進(jìn)行判識、對操作進(jìn)行標(biāo)準(zhǔn)化評估等。

一、傳統(tǒng)機(jī)器學(xué)習(xí)算法輔助下的醫(yī)學(xué)教育

上世紀(jì)70年代，計(jì)算機(jī)輔助教學(xué)(computer-aided instruction, CAI)就已興起，并逐漸滲入到教學(xué)的各個(gè)過程中。目前，傳統(tǒng)機(jī)器學(xué)習(xí)對醫(yī)學(xué)教育的貢獻(xiàn)可以表現(xiàn)在教學(xué)內(nèi)容優(yōu)化、學(xué)習(xí)過程分析與學(xué)習(xí)成果評估等環(huán)節(jié)。

在教學(xué)形式優(yōu)化層面上，應(yīng)用超文本知識庫、教師模型、學(xué)生模型三邏輯功能構(gòu)建的、面向臨床醫(yī)學(xué)專業(yè)教學(xué)的智能化計(jì)算機(jī)輔助教學(xué)方法已經(jīng)逐漸步入使用[1]。面向醫(yī)學(xué)影像學(xué)習(xí)的智能教育平臺也已有先例。在教學(xué)形式優(yōu)化之外，機(jī)器學(xué)習(xí)推薦算法的研究進(jìn)一步優(yōu)化了教學(xué)內(nèi)容的推薦能力，傳統(tǒng)機(jī)器學(xué)習(xí)內(nèi)核的教學(xué)輔助工具有效地提升了學(xué)生對于知識的掌握深度、廣度、速度。

在學(xué)習(xí)過程分析與學(xué)習(xí)成果評估方面，應(yīng)用進(jìn)化算法內(nèi)核的組卷系統(tǒng)也頻有創(chuàng)新，在教師評價(jià)環(huán)節(jié)中，應(yīng)用傳統(tǒng)機(jī)器學(xué)習(xí)算法的創(chuàng)新也多有報(bào)導(dǎo)[2]。這些工具有效利用了龐雜學(xué)習(xí)記錄數(shù)據(jù)庫中的關(guān)鍵隱信息，通過特征工程技術(shù)，提取核心知識和關(guān)鍵考點(diǎn)，進(jìn)而指導(dǎo)教師資源、學(xué)位點(diǎn)的考評。2018年的一項(xiàng)研究就很好地結(jié)合了大規(guī)模隊(duì)列研究與機(jī)器學(xué)習(xí)評分法，發(fā)現(xiàn)整合算法工具后的營養(yǎng)學(xué)知識教育顯著提升了教學(xué)方案的有效性、精準(zhǔn)性、互動(dòng)性[3]。

傳統(tǒng)機(jī)器學(xué)習(xí)方法需要在前期確定核心特征作為算法的輸入，因此，需要設(shè)計(jì)者有相當(dāng)教學(xué)經(jīng)驗(yàn)及能力。同時(shí)，數(shù)據(jù)庫的可信度與完整性也會(huì)極大影響最終綜合系統(tǒng)表現(xiàn)。傳統(tǒng)機(jī)器學(xué)習(xí)算法與教育結(jié)合促進(jìn)了教學(xué)數(shù)據(jù)庫的創(chuàng)建與完善，為深度學(xué)習(xí)的蓬勃發(fā)展打下了堅(jiān)實(shí)的基礎(chǔ)。

二、深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)教育中的應(yīng)用

得益于近年來的數(shù)據(jù)庫規(guī)模、質(zhì)量的增加，深度學(xué)習(xí)在大量任務(wù)中表現(xiàn)出優(yōu)越性能， 自超大規(guī)模圖像識別數(shù)據(jù)庫ImageNet和Unet算法架構(gòu)模式在醫(yī)學(xué)圖像分割識別任務(wù)上的優(yōu)異表現(xiàn)開始，深度學(xué)習(xí)算法的優(yōu)勢逐漸被認(rèn)可。

然而，與傳統(tǒng)機(jī)器學(xué)習(xí)算法不同，深度學(xué)習(xí)技術(shù)需要更大規(guī)模的數(shù)據(jù)庫，神經(jīng)網(wǎng)絡(luò)內(nèi)的提取的特征以超參數(shù)形式存儲、運(yùn)行，使得深度學(xué)習(xí)具有“黑盒”特性。近來，也有一些學(xué)者嘗試，使超參數(shù)權(quán)重以圖形化的方式表現(xiàn)，以作為良好的感性教學(xué)材料，仍遠(yuǎn)不夠成熟[4]。因此，常見的深度學(xué)習(xí)應(yīng)用多根據(jù)給定輸入而給出特定的分析結(jié)果，并可能在特定任務(wù)上取得接近乃至超越人類的成績[5]：AI在對以影像資料為代表的臨床檢查、檢驗(yàn)結(jié)果判讀方面具有良好的能力，基于自然語言處理 (natural language processing, NLP) 的一系列研究成果也提升了算法對病史等文書資料的判讀、生成能力[6]。

這些在臨床工作中的輔助性功能算法，同樣可以在修整后，成為有效的輔助診斷工具與輔助教學(xué)工具。針對影像資料的深度學(xué)習(xí)模型，可以有效輔助醫(yī)學(xué)生提升對解剖結(jié)構(gòu)、手術(shù)術(shù)式的理解與認(rèn)識；結(jié)合NLP技術(shù)的醫(yī)學(xué)記錄分析與生成工具，在提升醫(yī)學(xué)生臨床問診能力方面有所建樹；基于深度學(xué)習(xí)技術(shù)的臨床輔助決策系統(tǒng)也可能在修改后，用于生成仿真病例材料以供學(xué)習(xí)、分析[7]。自卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network, CNN)誕生以來，深度學(xué)習(xí)框架對影像資料的處理能力大大加強(qiáng)，病灶的檢測、分割、分類等方向上進(jìn)展明顯，在結(jié)合生成式對抗網(wǎng)絡(luò)(generative adversarial networks， GAN)等網(wǎng)絡(luò)后，AI可以根據(jù)已有的CT、MRI等檢查影像資料，生成其他模態(tài)的檢查數(shù)據(jù)，也可以根據(jù)已有的影像資料，參考已有的患者影像，生成獨(dú)立于已有患者、保留病變特征、適應(yīng)輸入形態(tài)要求的仿真病灶影像[8]。這些工作進(jìn)展，使深度學(xué)習(xí)技術(shù)有望在未來對醫(yī)學(xué)影像教學(xué)領(lǐng)域產(chǎn)生更大的積極影響。

此外，深度學(xué)習(xí)在教育領(lǐng)域有更多潛在應(yīng)用空間：模型可以支持算法對學(xué)生表情的實(shí)時(shí)識別，以促進(jìn)對教學(xué)難點(diǎn)、易于遺漏的知識要點(diǎn)進(jìn)行補(bǔ)充[9]；對學(xué)生的慕課學(xué)習(xí)軌跡進(jìn)行分析，及時(shí)尋找輟學(xué)高風(fēng)險(xiǎn)學(xué)生進(jìn)行個(gè)性化教學(xué)方案設(shè)置[10]；在新型冠狀病毒流行背景下，深度學(xué)習(xí)可以有效支持在線教育學(xué)習(xí)管理系統(tǒng)。

三、機(jī)器學(xué)習(xí)輔助下的教學(xué)變革：危險(xiǎn)與機(jī)遇并存

隨著機(jī)器學(xué)習(xí)應(yīng)用的普及、信息化教學(xué)浪潮的推進(jìn)，機(jī)器學(xué)習(xí)算法將更深遠(yuǎn)地影響醫(yī)學(xué)教育的各個(gè)環(huán)節(jié)。網(wǎng)絡(luò)化、精準(zhǔn)化、個(gè)性化的新時(shí)代醫(yī)學(xué)教育工具，促進(jìn)了教學(xué)數(shù)據(jù)信息的爆炸式增加，從而催生了人工智能背景下的個(gè)性化教學(xué)反饋、學(xué)習(xí)過程的精細(xì)化管理，在線教育系統(tǒng)的智能優(yōu)化等全新的教學(xué)支持技術(shù)工具。機(jī)器學(xué)習(xí)技術(shù)豐富了教學(xué)內(nèi)容、便捷了教學(xué)準(zhǔn)備環(huán)節(jié)、強(qiáng)化了學(xué)習(xí)過程管理、優(yōu)化了學(xué)習(xí)過程反饋，提高了教學(xué)資源利用率，促進(jìn)了優(yōu)質(zhì)教學(xué)資源的擴(kuò)散。

然而，機(jī)器學(xué)習(xí)歸根結(jié)底是數(shù)據(jù)驅(qū)動(dòng)的，這也對隱私安全提出了挑戰(zhàn)。筆者曾經(jīng)參與開發(fā)了基于GAN網(wǎng)絡(luò)的仿真增強(qiáng)CT影像生成算法，在少于100例患者輸入的情況下，算法將難以給出成形的仿真影像。數(shù)據(jù)庫的蓬勃發(fā)展也帶來了入庫學(xué)生隱私信息泄露的危機(jī)。同時(shí)，為了降低機(jī)器學(xué)習(xí)相關(guān)教學(xué)工具的倫理風(fēng)險(xiǎn)，需要審慎地強(qiáng)化對機(jī)器學(xué)習(xí)相關(guān)倫理問題的教育、審查。新穎的教學(xué)模式也可能弱化教學(xué)過程中人與人之間的直接溝通，導(dǎo)致醫(yī)學(xué)人文教育相對弱化，因此，我們也需要強(qiáng)化對醫(yī)學(xué)倫理學(xué)的學(xué)習(xí)與教育，避免虛擬的臨床技能練習(xí)和模擬仿真病例教學(xué)資料等工具弱化學(xué)生對患者的尊重與共感。此外，訓(xùn)練仿真病例影像也對教學(xué)硬件提出了嚴(yán)峻挑戰(zhàn)，距離教學(xué)場景中的需求仍有距離?？傊瑱C(jī)器學(xué)習(xí)算法在醫(yī)學(xué)教育的多個(gè)環(huán)節(jié)均表現(xiàn)出了良好的應(yīng)用效益，并且在傳統(tǒng)醫(yī)學(xué)教育環(huán)節(jié)外，拓展了教育方法的維度與角度，并且與教學(xué)信息化、翻轉(zhuǎn)課堂等新興教育模式結(jié)合密切，在前臨床教育階段到住院醫(yī)師繼續(xù)教育環(huán)節(jié)均有應(yīng)用潛能，是未來醫(yī)學(xué)教育發(fā)展的重要方向。