【摘要】内分泌学涵盖人体各个系统、器官，内容庞杂，自成体系，是医学生临床学习的重点和难点学科之一。由于教学时间的限制，学生在临床实践内分泌科时学习疾病种类和数量有限，降低了学生对内分泌和代谢疾病学习的广度和深度。在内分泌教学中的应用人工智能，为医学生的学习提供了便捷有利的工具，有助于提高学习效率和效果，培养内分泌疾病的临床思维。在目前人工智能高速发展的大数据时代，临床教师应学习利用人工智能技术和方法，根据内分泌学科特点制定教学方案，培养内分泌科专业人才。

【关键词】人工智能；内分泌学；个性化教学；机器学习；教学改革；教学评价；教育

人工智能（artificialintelligence，AI）概念最早是在1956年的Dartmouth学会上提出的，随着计算机核心算法的突破、计算能力的迅速提高以及海量互联网数据的支撑，目前已被广泛地应用于各个领域[1]。AI当前最广为接受的定义是Boden阐述的“使计算机做需要人类智能才能做的事情的能力”。智能通常被定义为一组做出决定和解决问题的能力，如理解、学习和推理。AI通过一系列工具来模拟人类智能的这些方面。AI方法和技术在过去几十年里已普遍应用于医药和卫生领域[2]。在医学文献中，术语“人工智能（AI）”“ML”和“深度学习”经常被同时使用，有时也会互换使用[3]。在医学领域，AI/机器学习（machinelearning，ML）技术可以在三个方面产生重大影响：医生方面，提高诊断准确性和协助治疗及外科干预；卫生系统方面，改进工作流程和减少错误；患者方面，量身定制诊断和治疗方案，基于独特的表型和基因特征患者的精准治疗[4]。人工智能驱动的精准医疗为临床医生提供了一个机会，为每个人量身定制早期干预措施[5]。人工智能（AI）正在改变我们的现代生活，在医学上，AI有两个主要分支:虚拟和物理。物理分支包括机器人，可以帮助手术和康复。虚拟分支包括信息学，有望帮助医生进行临床诊断和治疗决策[6]。AI技术背景下，教师的角色已经有了很大的转变，不仅是定义者、阐释者、答疑者，也是提问者、引导者、辅助者[7]，为了提高教学效果，教学模式和方法也要随之改变。无论是传统教学模式还是AI教学模式，教师都是课程的主导者。教师的教学方法和技巧、态度和能力都会显著影响教学效果[8]。同时AI还可以对教学效果进行评价。

1人工智能发展对医学教育的影响

人工智能时代，医学教学仍然存在着通识教学欠缺、课堂互动不足和课程建设滞后等矛盾[9]。随着医学领域知识的复杂性和数量的不断增长，医生几乎不可能在头脑中组织和保留全部知识性数据。教科书上的内容虽然都是典型病例，但有时会与临床实践不符。医学基础教育与临床实践脱节，会导致学生在课堂上学到的知识难以应用，因此有必要对现有的教学模式和方法进行改革[10]。因此，医学界应及时调整教学策略，加强以下几个方面的学习，以重新定义AI/ML时代医生的角色：（1）医学院校课程将重点从信息获取转移到知识管理和沟通技能；（2）培训医生管理和协调AI/ML应用；（3）培训医生解释AI/ML输出数据，并在临床决策中有效地利用这些结果；（4）加强培养医生之间的同理心和同情心。最终，医生和AI技术需要发展一种相互支持的关系，而不是一种竞争关系[11]。医生可以提供适当的反馈来改进AI/ML技术和工具，这些工具反过来也可以帮助医生解决不确定的临床场景。而AI/ML在内分泌领域的使用，将使内分泌疾病的诊断具有更高的准确性，可能避免不必要的检查，减少医疗支出，促进海量患者数据更好的数字存储，无论是个人病情还是流行病学研究的汇总数据，这些益处可能有一天会改变临床内分泌实践。今天，像人工胰腺这样的人工智能技术已经成为现实，同时也需要学术界和信息技术行业大力推动AI/ML技术在内分泌学的进一步发展。内分泌医生很适合在AI/ML的发展中发挥重要作用。将这些技术和方法应用到内分泌学生的教学中，让他们在使用这些技术进行诊断或研究时增加一种有力的武器[4]。

2内分泌学教学的特点

内分泌学是内科学的重要组成部分，内容涵盖人体各个系统、器官，内容庞杂，自成体系，是医学生临床学习的重点和难点学科之一。传统的授课方式分为理论课和临床实践课。理论课主要采用课堂教学形式，临床实践课需要到见习或实习阶段以分组模式进行。理论课以老师课堂上讲授为主，教学内容知识点多，课堂灵活度差，学生对课程内容印象不深。临床实践课是对理论知识进行实践，在临床通过对典型病例的诊治进一步学习相关疾病知识，前期理论知识掌握度差又会影响实践课的教学质量。由于临床实践课教学时间的限制，学生在临床实习期间接触的内分泌疾病种类有限，很大程度上降低了学生对内分泌疾病认识的广度和深度。多年来的教学实践发现上述教学模式取得的教学效果并不令人满意。近年来随着学生数量的增多，患者对自身隐私保护的需求及部分患者配合度差等因素的影响，出现了教学资源相对不足，尤其是在临床实践时，典型病例资源不足，上述教学模式的问题逐渐凸显。另外，传统的医学生教育模式单一，普遍存在教材更新滞后，交叉学科教学内容不足，未能充分发挥学生的主观能动性，难以制定个性化学习方案，实现高层次、高素质专业技术人才培养的目标。以AI为核心的新兴技术不仅有助于平衡教育资源，提高教学效率，改进学习体验，而且正在逐步实现个性化学习，因材施教的可行性有了显著提高[12]。

3人工智能在内分泌临床教学实践的优势

人工智能可以便捷的从患者的电子病历中提取重要信息。首先，这将节省时间和提高效率，而且进行充分的测试后，它也将直接指导患者管理，从而指导医学生对典型病例的学习。尽管医疗保健科学技术迅速发展，但糖尿病仍是一种无法治愈的终身疾病。根据糖尿病相关应用的目标，人工智能方法可以分为三类：探索和发现信息，学习使用信息，从信息中提取结论。搜索和设计从数据库中寻找潜在信息的算法通常被称为“数据库中的知识发现”（knowledgediscoveryindatabases，KDD）。KDD的主要目标是识别有用的和可理解的信息，它要求对感兴趣的研究领域有广泛和深入的了解。在这类研究中使用的最具代表性的技术是K-means，K-nearestneighbors（KNN）算法和分层聚类。对于知识类学习，其思想是让机器在没有人工干预或辅助的情况下自动学习，从而能够对复杂系统的未来状态做出预测，以便更好地做出决策。这一过程包括所有涉及归纳成分的方法，它们具有各自的优势，可自适应地用于不同的情况。糖尿病教育旨在提高患者的自我管理技能，是帮助患者提高代谢控制和生活质量的重要途径。人工智能技术在将现有遗传数据和临床信息转化为宝贵知识方面取得了重大进展。将人工智能技术应用于疾病教育将是非常有益的，因为人工智能技术可以根据不同个体的独特特征，促进个性化、全程的教育干预。人工智能技术在糖尿病教育各个方面的均可应用，通过收集到的信息和证据，为糖尿病管理的前瞻性、数据驱动的决策支持平台的开发提供见解和指导，重点是个性化的患者管理和终身教育干预[13]。以2型糖尿病患者诊治为例，目前，临床医生要花费大量的时间阅读门诊病历，检查血液测试结果，并从许多不相关的系统中寻找临床指南，制定出合适的治疗方案。相比之下，AI可以根据患者的临床记录自动识别出最重要的风险因素和已经采取的治疗措施，还可以自动将诊治过程中与患者的对话转换为总结性医嘱，供临床医生使用或修改。这两种应用程序都可以节省大量时间，并且可以快速实现，帮助临床医生，而不是取代医生[14]，更好的指导医学生的临床实践。AI伴随着大数据分析的机器学习的最新进展做出了巨大贡献，特别是在临床成像、药代动力学、遗传学和肿瘤学领域。而且到目前为止，关于生活方式相关疾病（如T2DM）的预后预测模型和/或并发症进展的AI研究也取得了一定的进展，有望支持医学的临床判断。作者构建了一个基于64059名糖尿病患者的电子病历（EMR）库，采用人工智能技术，利用大数据机器学习处理自然语言和纵向数据，建立糖尿病肾病（diabetickidneydisease，DKD）预测模型。人工智能利用卷积自动编码器，从过去6个月提取原始特征作为参考期，并选择24个因素来寻找与6个月DKD恶化相关的时间序列模式。人工智能利用logistic回归分析构建了包含3073个特征的预测模型，预测DKD加重的准确率为71%。此外，10年以上，DKD加重组的血液透析发生率显著高于未加重组。因此新的人工智能预测模型可以检测DKD的进展，有助于更有效、准确的干预降低血液透析的发生[6]。另外，自动深度学习（DL）算法在糖尿病视网膜病变筛选中也呈现了潜在价值；但其在具有较大异质性的人群中临床应用的可行性还有待进一步研究[15]。AI/ML方法还可以准确地呈现、模拟、解释医学图像，并提供计算机辅助诊断。ML算法在早期发现肢端肥大症面部变化方面比医生的评价具有更高的敏感性、特异性以及阳性和阴性预测值，从而实现临床早期诊断[4]。通过AI，大数据技术能够对医疗数据、医学文献和临床指南进行采集与分析，建立人工智能辅助医学教学数据库，模拟患者就医场景，使学习者能反复实践，有助于培养临床思维。虚拟病历为学生提供零风险、可试错的临床学习渠道，真实病历能使学生更快适应疾病谱和治疗方法变化，缓解罕见病临床患者资源不足的困境，通过模拟患者就诊流程能有效的将理论知识转化为临床知识，充分发挥新兴技术的优势[16]。AI不仅对医疗资源充足的医学院校医学生教学有重要的意义，对于毕业后内分泌专科医师继续教育也是有效的补充。通过AI提供的学习资源，了解和认识临床上不常见的疑难病、罕见病，可以使更多学习者享有优质的教育资源。通过远程教育平台，有利于开展更广泛的交流与合作，了解国内外最新的医学进展，寻找到更丰富的信息资源[17]，也有利于促进国内内分泌学人才培养和学科发展。

4人工智能方法在内分泌教学中的应用

医学专家系统：专家系统（expertsystems，ES）是临床上最常见的人工智能系统。他们被定义为能够捕捉专家知识、事实和推理技巧，以帮助医护人员进行日常工作的系统。ES通过应用推断方法来模仿临床医生的专业知识，以帮助决策支持或解决问题。ES有能力管理数据，得出合理的结论。ES的用途包括图像解释，诊断支持和产生预警等[2]。机器学习：ML算法的特点是在没有明确编程的情况下随时间学习的能力。ML的主要特点是基于数据分类来解决问题。从启发式方法逐渐转向ML技术。在数据挖掘领域，ML算法被用于从大型数据库（如电子医疗记录）中发现有价值的知识，其中可能包含隐含的规律性。ML利用了人工智能、概率和统计、计算复杂性理论、控制理论、信息论、哲学、心理学、神经生物学等方面的结果。ML的方法包括决策树、人工神经网络、遗传算法和支持向量机，它们都已成功应用于糖尿病领域。此外，ML还可以应用于计算机程序需要动态适应不断变化的条件的领域。例如，ML算法可以从每个糖尿病患者的监测数据中学习，并在人工胰腺系统中自动应用[2]，在指导医学生学习如何在糖尿病患者更好的使用胰岛素泵治疗方面有显著的优势。与智能搜索平台个性化推荐类似，AI系统也能够从学习者的学习数据中进行检索，包括网上浏览文字、图像、视频等资源的行为数据中收集信息，并基于AI的深度学习推荐算法，自动预测学习者的兴趣偏好，智能化为学生进行学习内容的个体化推送[12]。综上所述，AI为临床医生提供了更高的效率或成本效益，临床医生为AI提供其学习复杂临床病例管理所需的基本临床数据[14]。在教育干预中使用AI虽然有希望，但也面临着一定的挑战。要全面有效地实现基于AI的教学模型，建立针对不同学生的个性化教育干预策略[18]，需要实现以下几方面：收集大量学生的学习数据，建立个性化数据档案；建立医师专业知识与AI技术的深度交叉；不断更新和扩大现有知识库；让临床医生和学生共同参与一个旨在优化教学效果的系统。此外，当前面临的其他挑战还包括技术、哲学和伦理困境，以及围绕用户数据安全和隐私的问题，甚至法律障碍等[13，19]。需要进一步努力，促进人工智能在医学教学领域的快速、有效应用。

作者:袁涛 赵维纲 单位:中国医学科学院