Artificial Intelligence-assisted and SPARK Image-Based Case Database Strengthen Clinical Competency Development in Radiology Interns

在现代医院中，放射科扮演着沉默观察者的角色，无需进行任何切开手术即可窥探人体内部。医生依靠这些图像来诊断疾病、指导治疗并挽救生命。然而，对于学生来说，学习解读这些图像是一段艰辛的攀登过程。这不仅需要记住健康器官的样子，还需要识别隐藏在扫描图像那静止的灰白影像中，那些细微且往往罕见的疾病征象。传统上，这种学习发生在实习期间，学生会在老师的严密监督下，轮转于大脑、胸部或骨骼等不同的人体部位。挑战在于，学生的经验完全取决于那一周走进医院的患者情况。如果运气好，他们可能会看到十几例特定的罕见肿瘤；如果运气不好，他们可能一个也见不到，从而在职业生涯中留下可能影响未来的知识空白。

为了解决这种不均衡性，杭州第一人民医院的一个研究小组测试了一种新的教学方式。他们希望看看是否能利用技术来填补现实世界病例随机性留下的空白。他们构建了一个包含超过6 6,000张真实医学图像的数字库，这些图像按身体系统和疾病类型进行了分类。这个被称为 SPARK 的数据库不仅仅是一个相册，它还包含了视频课程、互动问题以及一个让学生能够撰写自己诊断报告的系统。至关重要的是，研究人员在其中加入了一个人工智能助手。这个数字助手位于学习界面上，随时准备回答问题，充当一名始终清醒且随时待命的导师，即使人类教师正忙于照顾其他病人。

这项研究涉及了 96 名正在进行为期 18 周临床轮转的医学影像专业本科生。研究人员将这些学生分为两组，以将新方法与传统方法进行对比。第一组被称为对照组，遵循传统路径。他们轮转放射科的四个主要部分——循环和呼吸系统、神经系统、消化和泌尿系统，以及头部、颈部和肌肉骨骼系统。他们通过查阅医院计算机系统中的病例、参加讲座并与老师讨论病例来进行学习，正如几十年来学生们所做的那样。第二组（实验组）所做的一切与第一组相同，但他们还通过手机使用 SPARK 数据库。他们观看教学视频，回答练习题，并使用数字工具撰写报告。当遇到困难或产生疑问时，他们可以点击人工智能助手的图标，获得即时的解释。

对比结果非常明确。使用 AI 辅助数据库的学生比仅依赖传统教学的学生学习效率更高。当研究人员在轮转中期对学生进行测试时，使用新系统的组在解读神经系统及头颈部图像的能力方面得分显著更高。到 18 周结束时，这一优势进一步扩大。在所研究的四个身体系统中，实验组在其中的三个系统中取得了比对照组高得多的分数。两组表现相似的唯一领域是循环和呼吸系统，这表明对于某些常见病症，传统方法已经相当有效，或者可能是新系统尚未针对这些特定主题进行充分优化。

除了测试分数外，研究人员还观察了学生对学习的感受。他们要求实习生对教学方法的满意度进行评分。使用 SPARK 数据库的学生报告称，他们在理解和记忆关键事实、阅读图像的信心以及对医学领域的兴趣方面都有了显著提高。他们觉得自己在进行更独立的学习，并且在做出临床决策方面表现得更好。关于错误的一个具体发现非常突出：当学生在期末考试中犯错时，使用 AI 系统的组再次犯下相同错误的概率远低于另一组。对照组重复错误的比率是实验组的两倍多。这表明，通过数据库和 AI 的支持，能够立即查看正确答案并理解其背后的逻辑，有助于学生在错误变成习惯之前纠正自己的思维。

研究人员指出，传统的学习方式往往会让学生留下盲点。由于患者病例的到来具有随机性，一名学生可能会连续数周看不到某种特定类型的罕见肿瘤，或者他们可能只见过一次却忘记了细节。数字图书馆通过确保每位学生无论当天医院里来了什么患者，都能看到针对每种疾病精心挑选的至少 20 个经典病例，从而解决了这个问题。人工智能组件解决了另一个常见障碍：提问的犹豫。学生往往因为担心打扰忙碌的老师而对提出基础问题感到羞怯，或者他们可能直到太晚了才意识到自己困惑。AI 助手消除了这一障碍，提供了一个私密且即时的澄清途径。

虽然研究显示了强有力的积极结果，但作者也谨慎地指出了其局限性。参与的学生人数相对较少，且对比是在不同时期的学生之间进行的，而不是两组学生在同一时间并排学习。尽管存在这些局限性，研究结果表明，将庞大且有序的真实病例库与一位智能且随时待命的导师相结合，可以显著提升医学生的技能。它使他们能够更有效地利用碎片化时间，将学习的每一刻都转化为结构化的学习机会。这项工作指向了一个未来：医学教育不再过度依赖于患者病例出现的运气，而是更加专注于确保每位学生都能接触到他们所需知识的全貌。