医学信息人才培养中人工智能课程教学方法的研究

向函，吴应江，丘文峰，侯洁，赵云

（广东医科大学生物医学工程学院，东莞 523808）

0 引言

人工智能属于交叉学科，其涉及数学、计算机、神经生物学等诸多领域知识，是推动当今世界发展的重要动力。我国已经充分认识到人工智能与教育融合发展的重要性，国务院发布的《新一代人工智能发展规划》中提出，加快人工智能高端人才培养，建设人工智能学科，发展智能教育［1］，在政策引导下一些地区和学校已经初步开展了此类教学改革的探索。在医疗领域，人工智能技术有助于解决医疗资源短缺、分配不均、医患关系紧张等问题［2］，其在医学图像处理、基因分析、医疗仿真等方面都有突出表现，特别是当下迅速发展的基于深度学习的AI技术为医学研究做出了巨大贡献［2-4］。本文以广东医科大学在信息管理与信息系统专业教学中进行人工智能实践教学为例，讨论了在现有基础上，引入人工智能教学内容，制定培养方案并付诸实践的具体方法。

1 医学信息人才教学现状和新需求

1.1 教学现状

广东医科大学的信息管理与信息系统专业从1997年开办已有24年历史，结合医学、计算机科学、管理学等学科内容，有比较完善的教学体系，培养的学生主要从事医院信息系统相关的开发、维护工作。该专业的专业基础课包括：医学知识模块、数学知识模块、计算机知识模块、实践教学模块。根据专业的理论教学，设置较多的实践课程，如课程实验、重要的专业课程（数据库原理与应用、数据结构、数据库开发技术等）的课程设计。安排企业见习1周和为期29周的实习。

1.2 人工智能教学新需求

人工智能的飞速发展及在医疗领域应用的展开，对信息化人才培养提出新的要求。①传统课程需增加哪些新知识，以满足新时期的需求。②如何在保证现有核心课程和培养大方向不变的前提下调整教学。③能否在现有培养模式下做出新突破，提升教学质量。

人工智能属于多领域交叉学科，需要具备数学、计算机编程和具体的业务相关知识（医学知识）。深度学习代表目前性能最强的人工智能的发展方向，也属于必备的基础知识［5］。此外，人工智能的落地实现也属一大难点，尤其在以理论教学为主的学校教育中，此问题尤其突出。

1.3 实践能力需求

人工智能在发展初期，学者们基于数学理论做了大量研究，经过几十年发展，已经有很多相当成熟的算法，尤其是深度学习的出现，使不少计算机视觉中的传统难题得到了满意的解决方案，如目标识别、人脸检测等。不少学者们也将深度学习技术应用到医学图像处理领域，并获得了不错的进展。例如，将深度学习的图像分类技术应用在CT、PET、MRI等系统，判断病人是否患有某种疾病；图像分割与检测技术应用在预测脑血栓潜在位置、检测异常脑血管结构等领域［2-4］。

目前，阻碍人工智能在各领域里广泛应用的最大问题在于算法落地，而非理论研究。例如，Resnet分类网络，在给定实验数据集上的准确率已经超过人眼，人脸识别算法的准确率也已经无限接近于百分之百，但这些经典算法，应用于实际场景中会碰到诸多完全不同于实验室环境的问题，如场景不同、时间和光照条件稍作改变，则算法效率急剧下降。医学影像在数据采集、图像特征等各方面与通用图像有很大区别，如医学图像大多数采用放射、磁共振、超声等成像方式，而通用图像大多数是自然光成像；医疗图像多为单通道灰度图，而通用图像为彩色图片；同体态的医学图像相似度相当高，应着重与细节识别，而通用图像区分度很大，着重于整体识别即可。由上所述，各类算法在处理医学图像中效率下降的问题也非常突出，各大厂商都在积极探索算法实际应用的方法。因此，培养学生的实践能力，充分运用所学知识将已有算法有效应用于医疗信息相关领域的能力是培养重点。

2 教学设计

2.1 现有课程体系中加入人工智能教学内容

该专业已有C++语言、数据结构与算法、数据库原理、数据库开发技术等传统程序设计领域相关课程，学生锻炼了基础的编程能力。结合专业的现状和医学人工智能领域的需求，加入如下教学内容：

（1）机器学习，从基础出发培养学生理解并应用各类AI算法的能力。

（2）将原有开设的“C#语言”改为“Python程序设计”。Python语言本身语法相对简单，可以让使用者注重于算法本身，而非繁琐的语法规则，是人工智能领域的首选编程语言。以此培养学生使用人工智能基本算法和处理大数据的能力。

（3）在已有课程中增加相关知识，如：操作系统概论里增加人工智能算法必备的linux系统使用章节；计算机图像处理课程中，重新设计教学计划，着重讲解矩阵、卷积、灰度、常见特征提取算法等内容。

2.2 积极开展课外教学

在教学课程加入上述必修内容之外，通过自愿报名的方式，12名学生加入了课外小组的实践教学环节，进行小班课外学习，进行网络教学、课堂、实验室多种形式的授课。加入深度学习相关算法的教学。内容包括基础算法的Python实现、卷积神经网络基础（卷积、激活函数、全连接）、反向传播算法、优化算法基础、卷积神经网络设计与应用。

当然，野村谷名贵树木不止于银杏。万亩山林，珍稀树种应有尽有。白龙山乃大别山一支，绿色基因库资源一脉相承。

由浅至深安排教学内容。首先使用经典的Lenet算法设计5层卷积神经网络，识别手写字符集mnist。根据具体代码和运行过程，讲解卷积（如：卷积核大小、数量）、激活函数（常见激活函数的使用）、全连接层概念，讲解反向传播算法及优化算法（如：SGD，ADAM）的目标和原理。在掌握了基本网络的基础上，引入Resnet［7］等高级网络，进行复杂图像分类实验，讲解算法评价指标（如召回率、精确率、交并比）。引入具体适合医疗领域的图像分割技术，讲解Unet［8］原理及最新进展。

每周一次，学生以汇报形式总结学习到的内容，并提出问题，在小组内讨论。期间，学生普遍对基础网络分类、图像分割技术比较感兴趣。对理论知识涉及较多的反向传播算法、优化算法等有较多问题。安排学生自主汇报，有助于及时发现，并针对性解决问题。

2.3 结合医学应用

现有的通用深度学习算法如Resnet，Unet等，最初都应用于通用数据集，医学方面的很多应用还处于探索阶段。针对此类问题，在讲解了基础知识之后，进行针对性的医学应用。智能医疗有很多的发展方向，例如医学影像处理、诊断预测、疾病控制、健康管理、康复机器人、语音识别病历电子化等，其中医学影像处理是研究较多的领域。现存为数不少的开源影像数据集可用来进行科学研究，如ChestX-ray14是由NIH研究院提供的X光数据集［9］，其标注了14种不同肺部疾病。2020年的新冠疫情，很多研究机构投入大量资源进行了相关研究，同时贡献了很多开源的数据集，如 COVID-CT［10］、ACCD of COVID-19 test⁃ing［11］。结合现实情况和教学需求，选择肺部图像数据集，做针对性教学，如：使用分类网络对肺部CT自动分类、判定新冠肺炎；使用Unet进行肺部CT图像的病灶自动分割；等。

2.4 积极组织学生参加各类各级实践竞赛等活动

除日常教学之外，组织并引导学生参加各类实践活动。采用工程驱动式或项目驱动式教学方式，培养学生兴趣，充分调动学生主观能动性，积极引导学生尽早从事设计、研究活动。通过建设学生创新中心，提供软、硬件资源，培养学生实践、创新能力。每年学校举办软件设计大赛，积极引导感兴趣的学生参赛，并成立兴趣小组参加国家、省、市各类各级比赛，如全国大学生计算机设计大赛、数学建模大赛等，以赛代练。一方面提高学生学习兴趣，另一方面利用比赛检验实践教学改革的成效。

2.5 引导学生进行初步科研工作

很多新兴人工智能的技术在医学中的应用处于初步应用阶段，存在不少待解决问题。在分析和解决问题的过程中学生锻炼了基本的科研能力。①采用引导的方式将学生从被动学习转向主动研究。科学研究都是建立在前人工作基础上的。学生在学习了专业课程后，掌握一定的基本概念、方法和技能，需要了解所研究领域已有的研究成果。指导学生阅读经典文献，进而自主搜索最新研究进展方向，将新成果应用到自己的问题中。例如：学生学习图像分割算法后，通过阅读经典文献发现，增强图像边缘可以提升分割精度，于是在算法分割之前进行预处理，得到了更好的分割结果，这有效提升了学生的研究兴趣，以后做相关实验前都会先搜寻已有方案，研究是否有更好的方案组合。②指导学生独立完成科研论文。在进行人工智能教学过程中，引导学生将遇到的问题、研究得到的解决方案和研究体会记录下来，撰写成论文是科研工作的不可缺少步骤，也可以锻炼学生的科研能力。学生长期学习专业课程，缺少语文写作锻炼，撰写论文需要一定指导，经过老师指导论文立题、撰写、修改成文的各个环节，学生的文字表达能力也得到较大提升。

3 教学效果评价

在学校举办的软件设计大赛中，往年的学生作品以学生信息管理、医院管理、医学网站等软件设计为主，2020年，人工智能的参赛项目数量激增，达到总数量的60%以上，可见学生对此类方向的学习兴趣相当高。

2020年，信息管理与信息系统专业大二、大三的3名学生组队参加第13届中国大学生计算机设计大赛-人工智能分赛，结合学校医学的特点，参赛作品是“基于深度残差神经网络的新冠肺炎CT图像检测”。初次参赛即获得了国家赛的二等奖。

2020年11月，由中国医院协会信息专业委员会举办的“CHIMA2020医院新兴技术创新应用优秀案例”评选中，信息管理与信息系统专业在校生自行研发的“AI新冠助手”项目获得人工智能创新应用区优秀奖，是唯一一个由在校生组队参赛并获奖的项目。

除了参加各类竞赛，组织有能力的学生参加符合自己能力水平的学术交流会议。2020年华南医院网络信息大会上，信息管理与信息系统专业大三本科生论文《基于深度卷积神经网络的肺炎X光图片病灶检测》，获得优秀论文奖（共计58个单位、217篇投稿，20篇优秀论文奖），有史以来首次有在校生以第一作者发表论文并获得优秀奖。

4 结语

面对人工智能的热潮，切实有效地开展相关教学工作，有助于提升学生能力，增强其社会竞争力，提升学校教学质量。医学院校理工科基础薄弱，开展人工智能的教学面临很多困难，不能直接复制其他理工科院校的教学模式，只能采用渐进改革的方式试点执行。通过在主要课程中加入新教学内容、寻找医学应用点发挥医学院校特长、课外兴趣小组教学、以赛代练和引导学生进行初步科研工作等方式进行人工智能教学是切实可行的方法。