教育研究：一项基于人工智能的神经解剖学定位与卒中综合征识别教育平台的验证：多中心研究

《Neurology Education》：Education Research: Validation of an AI-Powered Educational Platform for Neuroanatomical Localization and Stroke Syndrome Recognition: A Multicenter Study

　　

摘要
背景与目的
神经解剖学定位是卒中实践的基础，但在各级培训中仍存在困难。研究人员评估了LouiS（一种人工智能教育平台，采用检索增强生成（RAG）技术，基于经过整理的卒中综合征知识库）是否能提高神经解剖学定位与卒中综合征识别的正确回答比例，并重点关注其作为教学辅助工具的潜力。
方法
这项两阶段研究从3所巴西大学附属中心招募了80名参与者。第一阶段使用网络应用分配，通过浏览器指纹持久化，使每位参与者在重复访问时保持相同的测试条件（使用或不使用LouiS）。第二阶段采用参与者内配对设计，62名参与者首先在不使用LouiS的情况下评估病例匹配的临床场景，然后使用LouiS再次评估。参与者层面得分使用每种条件下可评分回答的实际数量。分配方案要求暴露于更高难度的临床场景，并辅以随机选取的病例。主要结局指标是与共识参考标准相比的正确回答比例。
结果
在合并第一阶段和可用第二阶段回答的汇总回答层面数据集中，正确回答比例从无LouiS时的63.4%提升至使用LouiS时的71.9%（绝对差异8.5个百分点；95%置信区间2.79–14.20；广义估计方程比值比1.36，95%置信区间1.11–1.67；p=0.003）。在第二阶段，参与者层面中位正确回答比例从无LouiS时的62.1% [四分位距60.0–80.0]提升至使用LouiS时的80.0% [四分位距60.0–100.0]，参与者内平均增益为7.9个百分点（95%置信区间4.10–11.75；Wilcoxon W=23.0，p=0.0002；Cohen d=0.53）。在配对回答层面分析中，30个回答从错误变为正确，5个从正确变为错误（McNemar χ2=16.46，p<0.0001）。偏差集中在鉴别诊断对中。
讨论
使用LouiS与病例测试中神经解剖学定位与卒中综合征识别表现的改善相关。研究结果支持LouiS作为神经解剖学推理与继续医学教育的教育辅助工具。知识保留、行为改变以及真实世界临床结局需要单独的前瞻性评估。

论文解读文章

**研究背景与问题**
神经解剖学定位（neuroanatomical localization）是卒中（stroke）实践的核心技能，要求从临床症状和体征推断病灶位置，直接影响治疗选择和影像解读。然而，这一技能在各级培训中仍存在显著困难，尤其在处理不常见的后循环、脑干和交替综合征时。现有的人工智能（AI）在卒中和急诊医学中的应用主要集中于自动神经影像解读（如颅内出血和大血管闭塞检测），而缺乏支持床旁神经解剖学推理的工具。检索增强生成（retrieval-augmented generation, RAG）技术通过结合语言模型与整理的知识库，能够覆盖罕见综合征、提供透明的检索路径和标准化的解释性语言，从而减少通用大语言模型（LLM）可能出现的幻觉（hallucination）问题。基于此，研究人员开发了LouiS（Localization and Stroke Syndromes System）——一个基于网络的AI教育平台，旨在通过病例式学习辅助神经解剖学定位与卒中综合征识别。本研究旨在评估与无辅助病例评估相比，使用LouiS能否提高不同专业水平临床医师的正确回答比例。论文发表在《Neurology Education》。

**研究内容与结论**
研究人员开展了一项两阶段前瞻性研究，从巴西3所大学附属中心（Hospital das Clínicas da Faculdade de Medicina de Ribeir?o Preto, University of S?o Paulo等）招募参与者。第一阶段采用浏览器指纹分配（browser-fingerprint allocation），80名参与者（包括四年级以上医学生、神经内科/神经外科住院医师、全科医师、普通神经科医师和血管神经科医师）被随机分配至使用或不使用LouiS的条件下评估临床场景。第二阶段采用参与者内配对设计（within-participant paired design），62名第一阶段参与者对病例匹配的临床场景先在不使用LouiS时评估，再在使用LouiS时评估。主要结局指标是与专家共识参考标准相比的正确回答比例（proportion of correct responses）。研究结果显示：在合并两个阶段的回答层面数据集中，正确回答比例从63.4%提升至71.9%（绝对差异8.5个百分点，p=0.003）；在第二阶段参与者内配对分析中，中位正确回答比例从62.1%提升至80.0%，参与者内平均增益7.9个百分点（p=0.0002，Cohen d=0.53）。配对回答中30个错误变为正确，5个正确变为错误（McNemar χ2=16.46，p<0.0001），偏差聚集于鉴别诊断对（如Benedikt综合征与Claude综合征、Heubner动脉梗死与前脑动脉梗死等）。亚组分析（探索性）显示，全科医师增益最大（+22.2个百分点），血管神经科医师次之（+7.1个百分点），医学生和住院医师增益不显著。基线表现与增益呈负相关（Pearson r=-0.26，p=0.043），表明基线较低的参与者更可能受益。该研究的意义在于：LouiS作为AI教育平台，能够改善病例测试中的神经解剖学定位与卒中综合征识别表现，并可视化鉴别诊断错误，为教学提供了结构化讨论基础。

**主要关键技术方法**
LouiS平台采用检索增强生成（RAG）架构，基于619条多语言（葡萄牙语、英语、西班牙语）结构化综合征知识库（涵盖综合征名称、别名、症状、血管供血区及解剖定位），使用逆索引关键词匹配（inverted keyword index）检索相关条目，随后通过Gemini Flash 3语言模型生成排序后的诊断候选、解剖定位、血管供血区及解释文本。平台还整合了由两名委员认证神经放射科医师基于正常脑MRI和MRA标注的40个解剖位点及主要颅内动脉的透明覆层图谱，用于可视化推理。样本来源：巴西3所大学附属中心（Ribeir?o Preto医学院附属医院等），共80名参与者。

**研究结果**
**Phase 1 和 Pooled 回答层面分析**：合并第一阶段及第二阶段可用回答，共1,024个病例回答（536个无LouiS，488个有LouiS）。正确回答比例从63.4%增至71.9%，绝对差异8.5个百分点（95% CI 2.79–14.20；χ2 p=0.0036），广义估计方程（GEE）比值比1.36（95% CI 1.11–1.67；p=0.003）。
**Phase 2 参与者层面配对分析**：62名参与者中位正确回答比例从62.1% [IQR 60.0–80.0] 增至80.0% [IQR 60.0–100.0]，参与者内平均增益7.9个百分点（95% CI 4.10–11.75；Wilcoxon W=23.0，p=0.0002；Cohen d=0.53）。38人无变化，21人改善，3人下降。
**亚组探索性分析**：全科医师增益22.2个百分点（p=0.047），血管神经科医师增益7.1个百分点（p=0.024），医学生增益4.6个百分点（p=0.059），住院医师增益5.4个百分点（p=0.276），普通神经科医师增益3.3个百分点（p=1.000）。去除医学生后，非学生参与者增益9.0个百分点（p=0.0006）。
**偏差模式分析**：第二阶段181个偏差（参与者在有LouiS V3辅助下的最终答案与共识参考标准的差异）集中在鉴别诊断对，如Benedikt vs Claude综合征、Heubner vs 前脑动脉梗死、小脑上动脉（SCA）外侧支 vs SCA/小脑前下动脉（AICA）重叠区、Wallenberg vs 半延髓综合征、无失写症失读症 vs 视觉失认症。
**自动化基准测试**：在36个临床场景中，LouiS V4独立准确率达100%（幻觉率0%），优于Gemini 3.0 Pro（94.4%）、Claude Opus 4.5（91.7%）和GPT-5.2（63.9%）。但V4基准测试独立于参与者验证，V3用于参与者测试。

**讨论与结论**
讨论部分指出，LouiS的使用与病例测试中神经解剖学定位和卒中综合征识别表现的改善相关，但该结果应被理解为教育平台对病例式推理的支持，而非自主临床决策的证据。增益模式提示全科医师和血管神经科医师最受益，而医学生受益较小，可能需一定临床基础。偏差分析显示错误集中于经典鉴别诊断边界，为教学提供了明确信号。研究未测试知识保留、行为改变或真实临床结局，因此教育主张仅限于病例测试中的表现改善。局限性包括：文本场景无法完全反映真实临床复杂性、所有场景为巴西葡萄牙语、参考标准为专家共识而非影像病理确认、第二阶段固定顺序未平衡、参与者来自巴西大学附属中心、部分亚组样本量不足、知识库可能偏向罕见病例。结论部分翻译：基于检索增强生成的AI教育平台，使用经过整理的卒中综合征知识库，与病例测试中神经解剖学定位和卒中综合征识别表现的改善相关。当前最强用例是教学：LouiS有助于让学习者和临床医师接触不熟悉的定位模式，使鉴别诊断错误可视化，并构建困难血管综合征的讨论框架。知识保留和临床护理效果需单独研究。该平台可免费在线获取。