编辑推荐：
为探究 AI 在放射学教育中的应用，研究人员开展调查，发现各方态度积极并提出平台框架。
在医疗领域，医学成像技术发展迅猛，像 X 射线、CT 扫描、MRI 等不断推陈出新。然而，放射学教育面临着严峻挑战。一方面，理论学习与临床实践存在脱节现象，学生和住院医师难以将课堂上学到的知识快速应用到实际诊断中，导致撰写诊断报告时错误频发，培训效率也不高。另一方面，学生和住院医师在临床实践初期，常因紧张的日程、繁重的工作量、对报告出错的担忧以及学术和就业压力等，承受着不同程度的心理压力。在这样的背景下，人工智能（AI）在医学领域取得的显著进展，为放射学教育带来了新的希望，成为解决上述难题的潜在 “钥匙”。
为深入了解 AI 在放射学教育中的应用情况，首都医科大学宣武医院的研究人员 Ruili Li、Guangxue Liu 等人开展了一项研究，相关成果发表在《BMC Medical Education》杂志上。
研究人员采用在线问卷调查的方式，邀请了宣武医院的放射科教员、住院医师和医学生参与。为确保调查结果的可靠性和有效性，问卷设计经过了多轮优化。首先，由三位拥有 30 多年丰富教学经验的放射学顾问导师提供意见，初步设计出问卷。随后，又经过四位资深放射科医生进行预测试，根据他们的反馈对问卷中的表述和问题进行了修改，以提高问卷的可读性。问卷针对不同群体分别设计，教员版包含 12 个问题，涵盖基本信息和 AI 融入放射学教育的相关问题；住院医师和学生版同样有 12 个问题，除基本信息和心理相关问题外，也涉及 AI 在放射学教育中的应用情况。
在回收的有效问卷中，共收集到 199 份，其中放射科教员 41 份、住院医师 38 份、医学生 120 份，总响应率达 91.7%。调查结果显示，大部分住院医师（58%）和学生（57%）在临床实践初期都经历过一定程度的心理压力，29% 的住院医师和 32% 的学生甚至认为压力极大。造成这种压力的原因主要包括日程紧张、工作量大、担心诊断报告出错、学术和就业压力等。
在对 AI 的了解和兴趣方面，多数受访者对 AI 在放射学教育中的应用并不熟悉，只有 12% 的教员、3% 的住院医师和 7% 的学生对此有所了解。但令人惊讶的是，尽管经验有限，大部分受访者对将 AI 融入放射学教育表现出浓厚兴趣，尤其希望通过 AI 训练平台在临床实践前练习读片和撰写报告。教员们对 AI 训练平台的效果非常看好，83% 的人认为它能提高训练效率，76% 的人觉得可以增强学习者的信心。然而，住院医师和医学生的态度则相对谨慎，约一半人对 AI 平台持积极态度，另一半人则持中立或担忧态度，他们更关注 AI 反馈系统的可靠性和平台的用户体验。
针对 AI 在放射学教育中的应用，研究人员还收集了各方的建议和担忧。大家普遍希望 AI 平台能够提供丰富的病例资源，让学习者可以根据自身需求搜索和选择病例，模拟真实临床工作进行读片和写报告，并能及时得到反馈以弥补不足。同时，他们也担心软件的性能，比如 AI 的可靠性、灵活性、反馈准确性以及交互性等。部分人还担忧 AI 与临床实践结合不够紧密，缺乏临床思维引导，无法传递临床工作中的成就感和责任感，甚至可能导致学习者过度依赖，影响其主动思考能力。
基于这些调查结果，研究团队提出了一个 AI 驱动的放射学教育训练平台框架。该框架主要包含四个核心组件：
- 成像病例集：为学习者提供丰富的教育资源。病例根据疾病系统、亚专业和临床诊断进行分类，涵盖常见和罕见疾病，每个疾病有 5 - 10 个示例。选择病例时遵循严格标准，确保与教学大纲和培训规则相符，包含全面的临床、实验室和影像检查数据，且图像质量高、具有教学价值。同时，会定期上传临床新出现的典型病例，更新病例数据库。
- 智能交互学习：提供情境化学习体验，实时给予针对性反馈。学习者可以在平台上搜索和选择病例，进行读片、识别影像征象和撰写报告等操作。平台还具备自动检测报告错误、推送相关教学点和病例、展示学习成长曲线以及设置交流区等功能，方便学习者交流和获取教师指导，实现个性化教育。
- 自我测验：平台随机分配病例让学习者诊断，完成后给出成绩和详细反馈，强调相关教学点。通过分析学习者的历史数据，如学习时长、轨迹和测试结果等，为每个学习者定制个性化训练，提升学习效果。
- 在线考试：采用人机对话考试模式，支持多种题型，可设置考试时长并锁定其他学习模块。平台提供自动和手动评分功能，方便教师模拟各类医学成像考试，帮助学习者熟悉考试形式，提高考试效率。
这项研究意义重大。它首次系统地调查了放射科教员、住院医师和医学生对 AI 在放射学教育中应用的态度和需求，为后续深入研究奠定了基础。提出的 AI 教育平台框架为改善放射学教育提供了具体方向，有望解决当前教育中存在的理论与实践脱节、培训效率低等问题。通过 AI 技术的应用，不仅可以帮助学生和住院医师更好地适应临床实践，提升临床技能，还能减轻放射科教员的教学负担，促进放射学教育的创新发展。
不过，AI 在放射学教育中的应用也面临诸多挑战。在内容建设方面，制作高质量教学病例需要耗费大量时间和精力，且将医学成像知识与 AI 技术有机结合难度较大，教学内容还需不断更新以跟上技术发展步伐。技术层面，开发适用于医学成像教育的 AI 算法，要兼顾准确性和可解释性，不同的医学成像任务还需要不同的算法支持。人才和资金方面，构建平台需要跨学科人才，但目前这类复合型人才短缺，平台建设和后续维护的成本也较高。此外，在应用和推广过程中，部分师生对 AI 诊断的准确性和对自身专业判断能力的影响存在疑虑，需要加强监管和研究，确保 AI 教学的质量。
综上所述，虽然 AI 在放射学教育中的应用尚处于探索阶段，但前景广阔。通过各方的共同努力，有望实现 “个性化精准医学教育”，推动放射学教育迈向新的高度。
