基于人工智能辅助超声医学诊断意识提升与实践的学科交叉融合教学研究

doi:10. 3969/j. issn. 2096-045X. 2026. 02. 001

摘要/Abstract

摘要：

目的　为提升超声科住院医师对人工智能辅助超声诊断的应用意识与实践技能，解决人工智能科研成果临床转化率低的问题，设计超声诊断相关的人工智能素质学科交叉融合教学课程，探索多学科融合培养的有效路径。方法　选取2023年1月至2025年11月在首都医科大学附属北京天坛医院超声科进行培训学习的48名住院医师为研究对象，通过调查问卷了解住院医师对人工智能辅助超声诊断的意识现状，通过临床文献研读会、人工智能辅助软件模拟操作及临床教学等方式设计多学科交叉融合教学方案，通过调查问卷了解此教学方案的可行性及认可度。结果　住院医师对人工智能辅助超声诊断了解程度一般，且缺乏相关培训及实践经验，89.6%（43/48）的住院医师希望接受人工智能素质教育。97.9%（47/48）的住院医师对人工智能辅助超声诊断交叉融合教育课程的评价良好，认为其可帮助住院医师构建多学科融合知识框架，培养创新思维，锻炼实践操作技能并满足临床工作需求。结论　超声科住院医师对人工智能辅助超声诊断已具有基本的意识，且具有迫切学习需求。人工智能辅助超声诊断学科交叉融合素质教育得到住院医师广泛认可，可作为人工智能素质培养的临床教学新思路，培养医学复合型人才，推动智能医疗革新。

Abstract:

Objective　To design an interdisciplinary teaching curriculum focused on artificial intelligence (AI) literacy for ultrasound diagnosis, and explore effective pathways for multidisciplinary integrated training, so as to enhance the application awareness and practical skills of residents in the department of ultrasound regarding AI-assisted ultrasound diagnosis, and address the issue of low clinical translation rate of AI research achievements.Methods　A total of 48 residents who received training in the Ultrasound Department of Beijing Tiantan Hospital, Capital Medical University from January 2023 to November 2025 were selected as the research subjects. A questionnaire survey was conducted to understand the current status of residents' awareness of AI-assisted ultrasound diagnosis. An interdisciplinary teaching program was designed incorporating clinical literature seminars, simulated operation of AI-assisted software, and clinical teaching sessions. Another questionnaire was administered to evaluate the feasibility and acceptance of this teaching program.Results　Residents demonstrated a moderate level of understanding of AI-assisted ultrasound diagnosis, with a lack of relevant training and practical experience. 89.6% (43/48) of residents expressed a desire to receive AI literacy education. 97.9% (47/48) of residents gave positive feedback on the interdisciplinary education course for AI-assisted ultrasound diagnosis, noting that it helped them construct a multidisciplinary knowledge framework, cultivate innovative thinking, develop practical operational skills, and meet the demands of clinical work.Conclusion　Residents in the ultrasound department possess basic awareness of AI-assisted ultrasound diagnosis and have an urgent learning need. The interdisciplinary literacy education for AI-assisted ultrasound diagnosis has been widely recognized by residents, and can serve as a new clinical teaching approach for AI literacy cultivation, fostering interdisciplinary medical talents and promoting the innovation of intelligent healthcare.

Key words: , artificial intelligence｜ medical teaching｜interdisciplinary integration｜ ultrasound diagnosis｜ resident

中图分类号:

R445

甘雨洋, 郑家琳, 陈涛, 宋海曼, 腾飞. 基于人工智能辅助超声医学诊断意识提升与实践的学科交叉融合教学研究[J]. 医学教育管理, doi: 10. 3969/j. issn. 2096-045X. 2026. 02. 001.

Gan Yuyang, Zheng Jialin, Chen Tao, Song Haiman, Yu Tengfei. Interdisciplinary integration teaching for enhancing awareness and practice of ultrasound medical diagnosis based on artificial intelligence[J]. Medical Education Management, doi: 10. 3969/j. issn. 2096-045X. 2026. 02. 001.

参考文献

［1］ Daum N ， Blaivas M ， Goudie A， et al.Student ultrasound education， current view and controversies. Role of Artificial Intelligence， Virtual Reality and telemedicine［J］. Ultrasound J， 2024， 16： 44.

［2］ Yu T F ， He W ， Gan C G ，et al.Deep learning applied to two-dimensional color Doppler flow imaging ultrasound images significantly improves diagnostic performance in the classification of breast masses： a multicenter study［J］. Chin Med J， 2021， 134（4）： 415-424.

［3］ Deslandes A ， Avery J ，Chen H T， et al. Artificial intelligence as a teaching tool for gynaecological ultrasound： a systematic search and scoping review［J］. Australas J Ultrasound Med， 2024， 27（1）： 5-11.

［4］ Chen M， Zhang B， Cai Z， et al. Acceptance of clinical artificial intelligence among physicians and medical students： a systematic review with cross-sectional survey［J］. Front Med （Lausanne）， 2022， 9： 990604.

［5］甘雨洋，卫东明，闫瑞隆，等. 基于深度学习超声特征构建乳腺癌（≤2.5 cm）腋窝淋巴结转移的预测模型［J］. 中华超声影像学杂志， 2025， 34（9）： 751-758.

［6］ Bian Y ， Li J ， Ye C， et al.Artificial intelligence in medical imaging： from task-specific models to large-scale foundation models［J］. Chin Med J， 2025， 138（6）： 651-663.

［7］ Kim S ， Lee C K ， Kim S S. Large language models： a guide for radiologists［J］. Korean J Radiol， 2024， 25（2）： 126-133.

［8］ Greenwald N F ， Miller G ， Moen E， et al.Whole-cell segmentation of tissue images with human-level performance using large-scale data annotation and deep learning［J］. Nat Biotechnol， 2022， 40（4）： 555-565.

［9］赵媛媛，毕晓郁，曹海勇.大型仪器设备共享平台培训体系建立的探索与实践［J］. 医学教育管理， 2024， 10（4）： 492-497.

［10］中国医师协会.住院医师规范化培训教学活动指南（2022年版）［EB/OL］.（2024-10-17）［2025-11-10］［11］符元证，刘红梅，刘爽，等.基于满意度调查的住院医师规范化培训现状与对策研究［J］.中国毕业后医学教育， 2025， 9（10）： 751-755.

［12］是晓康，陈真. AI在医学教育的应用现况和未来发展趋势［J］. 医学教育管理， 2025， 11（5）： 495-501.

［13］陈卉，韩小鹏，张楠，等.智能医学工程专业建设与人才培养构想——以首都医科大学为例［J］. 医学教育管理， 2025， 11（2）： 169-174.

［14］金金，何文，于腾飞，等. S-Detect联合超声造影对乳腺BI-RADS4类病灶的应用价值［J］. 中华超声影像学杂志， 2023， 32（5）： 392-398.

［15］ Yan L， Li Q， Fu K， et al. Progress in the application of artificial intelligence in ultrasound-assisted medical diagnosis［J］. Bioengineering （Basel）， 2025， 12（3）： 288.

［16］ Daum N， Schwanemann J， Blaivas M， et al. Teaching methods， facilities， and institutions in student ultrasound education （SUSE）： e-learning， simulation， and ultrasound skills labs［J］. J Ultrason， 2025， 25（101）： 20250014.

［17］北京市卫生健康委员会.北京市卫生健康委员会关于开展医疗领域人工智能应用评测工作的通知［EB/OL］.（2025-11-07）［2025-11-10］.

[1]	高崇崇, 吴子健, 蒋睿, 王政, 白剑, 李非. 模式化教学在住院医师腹腔镜腹股沟疝手术培训中的应用研究[J]. 医学教育管理, 0, (): 181-186.
[2]	巩丽焕, 于泽兴, 葛辉玉. AI临床思维训练系统在超声住院医师规范化培训中的应用价值[J]. 医学教育管理, 0, (): 150-156.
[3]	王灵枢, 姜春飒, 李琰琳, 李蕊, . 临床医学神经外科学博士学位论文质量影响因素的实证研究：基于双盲评审数据的分析[J]. 医学教育管理, 0, (): 233-240.
[4]	邱方欣睿, 周新雨. 英国本科医学人文教育的整合模式实践与启示——基于莱斯特大学的案例分析[J]. 医学教育管理, 0, (): 276-284.
[5]	彭芮, 孙琢玉, 宋依琳, 李翔宇, 江晓源, 朱红, 刘欢, 汤乃军, 王璇, 谢娟. 医学生自主学习能力评价指标体系的构建[J]. 医学教育管理, 0, (): 212-218.
[6]	王莹, 马壮, 王欢, 姜山. 中外合作办学背景下运动康复专业课程融合路径研究[J]. 医学教育管理, 0, (): 157-164.
[7]	王楠, 陈立颖, 王鹏飞, 张颖, 吕昀, 王焕英. 基于德尔菲法的医院内科住培师资教学综合评价指标体系的构建与应用研究 [J]. 医学教育管理, 0, (): 258-265.
[8]	蒋芝月, 陈清, 左临轩, 李俊良, 陈单单, 杨敬源. 基于德尔菲法的医学院校教师线上教学质量评估指标体系构建[J]. 医学教育管理, 0, (): 219-226.
[9]	黄春玉, 李海霞, 冯力民. 闭环式问卷调查教学法在妇产科实习小讲课中的应用 [J]. 医学教育管理, 0, (): 187-191.
[10]	田恬, 赵辉, 吴建勇, 王倩, 苏德奇, 马艳, 戴江红. 基于“三自”考核模式的流行病学课程考核改革实践与效果评价 [J]. 医学教育管理, 0, (): 165-171.
[11]	胡晓斌, 叶子晨, 杨轶男, 王丹, 杜雨峰, 祁瑞, 王龙, 井立鹏, 宋晓颖. 大学生学习动力现状及其学习动机倾向影响因素研究 #br# [J]. 医学教育管理, 0, (): 241-249.
[12]	刘丽娟, 戴国栋. 病案导学式教学法在消化内科实习教学中的应用效果评价：一项随机对照研究 [J]. 医学教育管理, 0, (): 192-197.
[13]	杨毕君, 江瑾玥, 邹镇, 李一诗. 基于知识图谱与人工智能的呼吸系统疾病课程智慧化教学体系构建与实践[J]. 医学教育管理, 0, (): 172-180.
[14]	孟丽辉, 申树群. 基于学术职业发展视角下的医学高校教师岗位胜任力模型研究 #br# [J]. 医学教育管理, 0, (): 250-257.
[15]	王萌伟, 李祥林, 徐爱丽, 王磊. 教育数字化背景下医学院校基层教学组织的重构与创新[J]. 医学教育管理, 2026, 12(1): 115-119.