摘要：文章以2019年9月至2021年9月在西安交通大学第一附属医院接受放射治疗培训的40名学生为研究对象，将其分为对照组和实验组，分别采用传统教学模式和人工智能辅助教学模式，并以试卷考试、临床实践操作及调查问卷形式，比较两组学生的学习效果及对教学的满意程度，结果发现，学习结束后，两组学生理论考核成绩未见明显差别，而实践操作上，实验组学生完成靶区勾画花费时间较对照组明显缩短，靶区勾画考核成绩明显高于对照组，且实验组学生对教学满意度明显高于对照组，可见人工智能在肿瘤放射治疗学临床教学中的应用，可激发学生自主学习兴趣，提高教学效果及教学满意度。

　　关键词：人工智能；肿瘤放射治疗学；临床教学

　　放射治疗是癌症治疗的重要手段，据统计，超过70%的肿瘤患者需要接受放射治疗[1]。而肿瘤放射治疗学作为一门交叉学科，其内容涵盖临床肿瘤学、放射物理、放射生物及医学影像等多学科知识。同时，由于缺乏医学本科阶段课程教学，研究生教育是培养肿瘤放射治疗专科医师的重要途径。肿瘤放射治疗学研究生在学习过程中，需要完成肿瘤放疗科及肿瘤相关专业(肿瘤内科、肿瘤外科、医学影像科、病理科)的轮转，还要参与一定的科研工作并进行论文撰写，但本科室临床学习时间仅有8~12个月，那么如何在较短时间内使学生既掌握放射治疗学的基本理论知识，又提高临床实践技能，是肿瘤放射治疗学研究生培养面临的首要问题。

　　放射治疗的基本目标是实现放射治疗增益比的最大化，即最大限度地将放射线剂量集中到计划靶区(Planning Target Volume，PTV)内，在杀灭肿瘤细胞的同时，保护周围正常组织(Normal Tissue)和危及器官(Or-gansat Rsik，OARs)少受或免受不必要的照射，因此精确的靶区勾画是实现放射治疗增益比最大化的基本保证，同时靶区勾画也是肿瘤放射治疗学学习过程中，研究生需要掌握的基本技能。另外，肿瘤靶区和OARs需要由经验丰富的医生手动勾画，但是人工勾画效率较低，在体现技术含量的同时也包含了大量的重复工作，并极度依赖勾画人员的临床经验，且不同人员之间的勾画结果也存在较大的差异，因此临床医生更希望寻求快速、自动的方式来实现肿瘤靶区和OARs的勾画。

　　在过去几年内，人工智能(Artificial Intelligence，AI)快速发展，其产生的一系列理论、方法、技术及应用系统正逐渐渗透人类生活的方方面面。人工智能的应用范围从自动化制造到广告，从面部识别到全自动交通，这些领域的进步使得有人将人工智能称为“第四次工业革命”[2]。人工智能在放射治疗中的应用发展迅速，尤其是随着大数据的资料累积，人工智能化的模拟定位、放射治疗靶区勾画、放疗计划模型及质控系统逐渐与临床实践接轨[3-4]，同时人工智能的发展也给肿瘤放射治疗学临床教学带来了新的契机与手段。笔者所在单位于2016年引进美国MIM软件公司MIM 5.5工作系统，该系统包含各个部位肿瘤靶区和危及器官勾画自动化模型，可实现多模态的图像融合及靶区自动勾画，能有效地提高医师和物理师的工作效率，增加患者获益并降低风险。随着临床应用的不断深化及病例资料的累积，笔者所在单位以此为基础构建了辅助学习平台，自2020年开始将AI化的靶区勾画引入临床教学，明显激发了学生的学习兴趣，提高了学生的学习效率。本研究回顾性地分析了AI辅助教学前后在西安交通大学第一附属医院(以下简称“我院”)肿瘤放射治疗专业接受肿瘤放射治疗学临床学习的40名学生的学习情况，现报道如下。

　　一、资料与方法

　　(一)一般资料

　　本研究以2019年9月至2021年9月在我院肿瘤放射治疗专业学习的40名专业型研究生为研究对象，将其分为对照组和实验组，其中对照组为2019年9月至2020年9月在我院肿瘤放射治疗专业学习的学生，共20人，采用传统教学模式进行教学；实验组为2020年9月至2021年9月在我院肿瘤放射治疗专业学习的学生，共20人，接受了AI辅助教学。具体情况如表1所示。纳入标准：①既往无本专业学习及培训经历，且均完成全部学习；②对研究知情，积极并自愿配合研究。排除标准：①各种原因导致无法完成全部学习；②不愿接受该项调查研究者。

　　(二)研究方法

　　进入临床学习阶段后，所有学生均要接受科室统一安排的理论及操作规范学习，带教教师均为具有主治3年以上资历的肿瘤放疗科医生。具体以NCCN指南及《肿瘤放射治疗学》(第5版)教材为基准，通过多媒体教学对学生进行放射治疗学基本理论知识讲解，包括放射物理、放射生物的基本理论、常见恶性肿瘤放射治疗原则及靶区勾画图解，同时结合临床病例资料进行深入分析，以加深学生对理论知识的理解与记忆；引导学生通过中国知网、PubMed数据库等网络平台，对肿瘤放射治疗学的相关文献报道进行检索，下载并研读肿瘤放射治疗学方向的前沿理论、学科发展、临床研究进展等资料，以丰富肿瘤放射治疗学理论知识。之后带教教师带领学生进行查房，接触真实病例，并在教学指导、示范下询问患者病史，引导学生提出诊疗方案；带领学生观摩日常的放射治疗工作，使其熟悉放疗科相关设备及TPS工作系统，积累工作经验；讲解放射治疗的基本操作要点，如定位、复位、勾画靶区，使学生熟悉放疗科常见的图像引导、呼吸门控等先进放疗技术。

　　靶区勾画学习与实践阶段，对照组学生根据理论学习阶段掌握的靶区勾画原则及勾画图谱、多媒体教材等，对实际病例进行肿瘤靶区及危及器官勾画，带教教师在教学过程中需对学生勾画的靶区进行指导及修改；实验组学生先接受专科教材、靶区勾画指南和多媒体图谱方式教学，然后借助MIM计划系统上靶区自动勾画工具，完成肿瘤及危及器官靶区勾画，并根据自己理论学习阶段对疾病的掌握及病例具体情况进行修改，同时也可以对照MIM软件系统的标准化病例模型，进行对照学习和训练。

　　(三)评价方法

　　本研究以试卷考试及临床实践操作形式，对学生肿瘤放射治疗学理论知识及实践操作能力掌握情况进行评价，并发放调查问卷了解学生对教学的满意程度，包括非常满意、一般满意、不满意三个选项。其中，实践操作能力考核为靶区勾画，由科室进行统一命题，对学生进行靶区勾画考核，且记录学生完成靶区勾画所需时间，并由2名主任医师对学生靶区勾画情况进行评价并打分(采用百分制原则)。同时，向两组学生发放教学满意度调查表，包括非常满意、一般满意、不满意三个选项。满意率=满意人数(包括非常满意、一般满意)/总人数×100%。

　　(四)统计学处理方法

　　本研究使用SPSS 25.0统计学软件对研究中获取的数据资料进行统计分析，计量资料采用(x-±s)形式表示，进行t检验；计数资料采用[n(%)]形式表示，进行x2检验，P<0.05为差异有统计学意义。

　　二、结果

　　(一)两组学生理论考核成绩比较

　　为期1年的临床教学结束后，科室均对学生肿瘤放射治疗学理论知识的掌握情况进行试卷考核，结果显示，两组学生笔试成绩无统计学意义(P>0.05)。

　　(二)两组学生靶区勾化实践考核成绩比较

　　靶区勾画考核阶段，实验组学生完成同一病例靶区勾画所需时间明显少于对照组，同时实验组学生靶区勾画得分也明显高于对照组，且差异有统计学意义。

　　(三)两组学生对教学的满意度比较

　　实验组学生对肿瘤放射治疗学教学的满意程度为100.00%，与对照组学生对肿瘤放射治疗学教学的满意程度为60.00%相比，差异有统计学意义(P<0.05)。

　　三、讨论

　　医学专业知识和技能是从严谨的医学教育、临床培训及实践中获得。由于肿瘤放射治疗学专业具有特殊性，医学生对该专业知识的获取主要集中在硕士及博士研究生教育阶段，因此绝大多数学生为零起点，培养难度大。近些年，虽然不断推出PBL、CBL、EBL等多种教学模式[5-6]，但肿瘤放射治疗学的理论知识繁杂、专业性强，放射治疗技术及设备也在不断更新与突破，由此导致在医学知识爆炸式增长时代，传统的教学模式已经不能满足目前的教学要求，且学生也很难在短时间内掌握全面的肿瘤放射治疗学理论知识与实践技能。因此，寻找创新的教学模式在肿瘤放射治疗学教学改革与实践中具有重要的意义。

　　近年来，人工智能技术不断成熟，其与医疗领域的结合也在不断深化，这为医学教育的发展注入新活力[7]。我国已将人工智能发展纳入国家发展战略，并大力倡导其在教育领域中的应用，医学教育作为一种实践性较强的学科更是决定了其需利用各种信息资源和教学技术为现代医学教育服务，以加快人才培养进程，缓解医教研压力[8-9]。传统医学教育主要依靠人工带教，借助让医学生接触实际病例等方式培养人才，教学方法单一且人工成本较高，而人工智能通过大数据技术对海量医疗数据、医学文献和临床指南进行采集与分析，构建人工智能辅助医学教学数据中心，模拟患者就医场景或病例资料库，可使学生在学习中经历从实践、认识到再实践、再认识的过程，且能丰富学习资源，优化教学途径，进而明显提高学生学习兴趣，同时缓解教师教学压力。

　　肿瘤放射治疗学属于交叉学科，不仅需要临床医师参与，还需要物理工程师、放射治疗技术员、剂量师、护士等多种角色参与，在放射治疗实施过程之前，需要为患者完成体模制作、CT模拟定位、靶区及危及器官勾画、放疗计划制定、剂量验证等，故为了优化工作流程，目前许多国内外的大型医疗公司、顶尖学者都在开展人工智能与肿瘤放射治疗相结合的研究，这些研究主要体现在基于人工智能化的临床决策、四维模拟定位、靶区自动勾画、自动计划及质控系统等方面[10]，其中较为成熟且已转化为临床应用的主要为人工智能化的靶区自动勾画。肿瘤及危及器官的靶区勾画占用了放疗医师大多数时间，每例肿瘤患者在CT定位后图像都有一两百张，医师需要逐层勾画病灶和危及器官，特别是对于头颈这些解剖结构复杂、毗邻器官放射耐受剂量较低的区域，靶区勾画尤为复杂和精细，导致要完成一例患者的靶区勾画，耗时基本在3~8小时，对于低年资的住院医师或学生而言，手动勾画费时更长。由于靶区勾画过程中存大量重复性工作，且不同医师对同一病例的靶区勾画存在较大的主观性，同时目前缺乏相关评价标准及机制，所以迫切需要一种自动化、智能化的勾画方法，以提高肿瘤放射治疗医师的工作效率。目前，临床上肿瘤放射治疗领域的医学影像数据以几何级数逐年增加，积累了海量的临床影像数据，而人工智能能够通过海量的数据学习获取相应的知识，运用深度学习和大数据技术的方法自动分割肿瘤与非肿瘤组织，完成靶区自动勾画。基于此，医生只需要对自动勾画后的靶区进行审核、微调和修改，就可完成工作，如此可明显减少医生的工作量；经过自动勾画过的影像可以给年轻医生提供参考，减少他们的出错概率，实时帮助医生提高靶区勾画的准确度。因此，人工智能在自动化的靶区勾画领域的应用具有天然的优势。目前，已经开发出基于数据库分割的靶区自动勾画软件，如MIM、ABAS、RayStation、DeepViewer等国内外的大型商用软件。自动勾画软件可通过图像分割算法对目标区域实现自动分割，具有分割速度快、可重复等特点。在临床实践过程中，医生可选择一个与待勾化患者最佳匹配的病例，将该病例的勾画轮廓进行形变，让形变的结果映射到待勾画患者的CT图像上，形成肿瘤靶区及危及器官的自动勾画[11-12]，对于轮廓不清晰的病灶或正常器官可进行手动修改，这样能大大节约治疗时间，并提高治疗计划的一致性，从而提高工作效率，确保患者能够尽快得到治疗。中山大学孙颖教授的团队利用人工智能技术进行鼻咽癌放疗靶区的自动勾画，可将勾画时间从平均3~10小时大幅缩短到20~50分钟，且准确性高达79%，相当于从业3年住院医师水平[13]。马辰莺等[14]将基于深度学习的自动分割勾画用于宫颈癌靶区勾画临床实践中，其应用结果显示自动分割勾画结果与参考勾画具有较好的一致性，自动分割勾画结果与高级医师的手动勾画相当，且耗时相对手动勾画显著缩短。

　　我院肿瘤放射治疗专业自应用MIM软件以来，已经构建了鼻咽癌、宫颈癌、乳腺癌、直肠癌、食管癌等多种肿瘤靶区及正常器官勾画的标准化病例模块，并将这些标准病例的影像和靶区数据用于计算机深度学习，最终应用到新病人的靶区勾画上，同时发现自动勾画软件的应用能明显缩短勾画时间，提高靶区勾画的一致性[15]。在近几年的放射治疗学研究生教学方面，我院将人工智能辅助靶区勾画引入教学过程，一方面，学生可以根据自己的需求调阅数据库中现有的标准病例模块进行自主学习，强化记忆及认识；另一方面，在实践过程中，学生借助自动勾画软件勾画靶区，降低了因经验、认识不足出现错误和漏洞的可能性，也省略了许多重复性工作，同时勾画结束由上级医师审核，可及时发现问题、修正错误与不足，提高工作效率，从而实现快速成长。基于此，学生可以将节约下来的时间用于理论知识的复习、文献阅读、科研训练等方面，这有利于学生综合素质的提高。

　　本研究中，笔者对学生宫颈癌的靶区勾画进行考核，发现应用自动勾画软件的实验组学生完成靶区勾画所需时间比手动勾画的对照组学生缩短半小时以上，这主要体现出实验组学生能很好地利用MIM软件，借助数据库中的宫颈癌标准病例，完成肿瘤靶区及膀胱、直肠、小肠、脊髓等正常器官的自动勾画，然后仅需要花费少量时间进行个体化修改，之后进行提交，且借助人工智能辅助勾画靶区的准确性明显优于手动勾画组学生，因此靶区勾画考核得分明显高于对照组。另外，在临床实践过程中可发现，应用自动勾画软件进行靶区勾画训练的学生对不同病种靶区勾画原则的熟悉程度要优于接受手动勾画的学生，而且参与靶区勾画的病例数更多，可将被动学习转换为主动探索，这部分学生在学习结束对教学的满意度更高，对进入正式临床工作有足够的自信。而理论知识考核成绩两组学生差别不大，说明使用人工智能辅助教学的主要优势体现在学生临床实践技能提高方面。对于带教教师来说，他们要承担繁忙的临床工作和科研任务，难以抽出更多时间手把手带教，故西部素质教育2022年9月第8卷第18期可借助人工智能辅助教学，以支持大数据教学方式，建立病历筛选标准，自动选配符合标准的病历，提升教学效果。同时，人工智能也可为教师不断优化教学模式及创新教学方法提供平台，从而更好地发挥教学作用。

　　总之，将靶区自动勾画系统引入肿瘤放射治疗学教学仅是人工智能辅助教学的一部分，通过初步探索，笔者发现借助人工智能可以简化并优化学生的学习过程，学生对人工智能辅助教学的接受度及认可度较高，这提示教师在当前医学教育背景下，人工智能辅助教学具有较强的可行性，可将医学教学变得更加便捷、有效，值得其深入探索及推广。

      参考文献：

　　[1]DELANEY G,JACOB S,FEATHERSTONE C,et al.The role of ra-diotherapy in cancer treatment:estimating optimal utilization from a review of evidence-based clinical guidelines[J].Cancer,2005,104(6):1129-1137.

　　[2]THOMPSON R F,VALDES G,FULLER C D,et al.Artificial intelli-gence in radiation oncology:a specialty-wide disruptive transforma-tion[J].Radiother Oncol,2018,129(3):421-426.

　　[3]李华玲,李金凯,王沛沛,等.人工智能在肿瘤放射治疗中的应用[J].临床肿瘤学杂志,2019,24(10):943-947.

　　[4]张玉海,李月敏.人工智能在肿瘤放射治疗中的研究进展[J].实用肿瘤学杂志,2019,33(6):570-574.

　　[5]魏瑞,李斌,李黎.循证医学在放射肿瘤学研究生临床教学实践中的应用研究[J].中国现代医学杂志,2015,25(24):108-110.

　　[6]汪红艳,孔令玲.CBL、PBL教学法在肿瘤放疗科规培医师带教中的应用[J].科教文汇(下旬刊),2019,43(21):100-102.

　　[7]刘国慧,贺云龙,兰天,等.创新型肿瘤放射治疗学研究生培养模式的探索[J].中国继续医学教育,2020,12(33):55-58.

　　[8]李鸿浩,陈波,李建平,等.医学教育中人工智能应用的现状、问题与对策[J].中国循证医学杂志,2020,20(9):1092-1097.

　　[9]董睿,郑曦.合理运用信息技术优化临床医学教学效果[J].医学信息学杂志,2017,38(2):88-91.

　　[10]沈天乐,杜向慧.人工智能在恶性肿瘤放疗领域中的应用与前景[J].浙江医学,2018,40(8):783-785,795.

　　[11]吴听,刘磊,肖江洪,等.鼻咽癌靶区的自动勾画评价[J].四川医学,2015,36(6):762-766.

　　[12]LOAP P,TKATCHENKO N,KIROVA Y.Evaluation of a delin-eation software for cardiac atlas-based autosegmentation:an example of the use of artificial intelligence in modern radiotherapy[J].Cancer Ra-diother,2020,24(8):826-833.

　　[13]LIN L,DOU Q,JIN Y M,et al.Deep learning for automated con-touring of primary tumor volumes by MRI for nasopharyngeal carcino-ma[J].Radiology,2019,291(3):677-686.

　　[14]马辰莺,周菊英,徐晓婷,等.基于深度学习宫颈癌靶区自动分割勾画临床研究[J].中华放射肿瘤学杂志,2020,29(10):859-865.

　　[15]马海琳,王纪全,车少敏,等.自动勾画软件在肿瘤放射治疗教学的应用[J].医学教育研究与实践[J],2019,27(4):707-710.通讯作者：王书文(1967—)，男，副主任医师，博士。研究方向：乳腺癌放射治疗。(E-mail：nailpolish 126.com)。