2026医学院校人工智能通识课程建设的探索与实践报告_67页_9mb

医学院校人工智能通识课程探索与实践总结

核心内容

北京大学医学部在医学人工智能通识课程建设方面进行了积极探索，旨在培养具备AI素养的跨学科医学人才，以适应医疗行业数字化转型的需要。课程建设聚焦于理解、应用、评估AI技术及伦理思考，涵盖医学人工智能基础知识、医学图像智能分析、医学文本智能分析、医学信号智能分析等多个领域。

主要观点

• AI技术正在深刻影响医疗健康领域：从智能诊断、精准医疗到智慧医院，AI技术正推动医疗行业的创新发展。
• 政策推动AI教育发展：国家和教育部出台多项政策，推动AI成为高校公共基础课，强调医学教育与新科技革命的深度融合。
• 医学生AI素养不足：医学生普遍缺乏AI知识，需通过通识课程进行系统性培养。
• 课程建设面临多重挑战：包括学生学业压力大、师资复合型人才短缺、教学资源不足、课时分配矛盾等。
• 课程体系多样化：北京大学医学部开设了59门与AI相关的课程，包括通识基础课、素养课和交叉课程，并采用多种教学模式，如微专业、辅修课程包、平台赋能型等。

关键信息

课程建设背景与必要性

• 医疗AI技术全面渗透临床医疗、精准医疗和智慧医院。
• PubMed中与AI在医学中的研究文献逐年增长，显示AI在医学领域的广泛应用。
• 截至2025年5月，中国国内累计发布的医疗垂直大模型已达288个，显示出AI在医疗行业的快速发展。

课程建设思路

• 四大核心素养：批判思维、创新思维、跨学科思维和人机协作。
• 能力目标：掌握AI基本概念与原理，能应用AI工具辅助诊疗、科研和学习，能评估AI伦理风险，能适应跨学科协作与终身学习。

课程模式

• 专业建制型：如天津大学、南开大学、华中科技大学等，系统培养医工交叉人才。
• 通识必修/选修课：如中山大学中山医学院，面向全体医学生，覆盖面广。
• 微专业/辅修型：如四川大学华西、上海交大医学院，灵活、需求导向。
• 平台赋能型：如北京大学医学部，将AI平台嵌入现有课程，见效快。

课程内容

• 基础知识：人工智能概念、发展历程、常用方法等。
• 医学应用：医学文本、图像、信号、视频、生物信息等智能分析。
• 前沿技术：医学大模型、医疗智能体、AI伦理与法律等。
• 实践教学：通过虚拟仿真实验、编程实践等方式，提升学生的动手能力。

课程实践案例

• 肺结节分类模型：使用Python和深度学习框架（如TensorFlow）建立分类模型，并进行性能评估。
• 案例教学：通过多层次案例教学，让学生理解AI在医学中的应用，并进行实际操作。
• 教学体系：课程内容采用差异化设计，涵盖基础、应用和技能型课程，以适应不同学生的需求。

课程建设成果

• 北京大学医学部已开设多门AI相关课程，包括《医学人工智能导论》、《医学图像与人工智能》等。
• 课程体系融合了医学与AI，强调理论与实践的结合，提升学生的AI素养和实际应用能力。
• 通过教学实践，学生能够经历“选题 $\rightarrow$ 准备数据 $\rightarrow$ 建模 $\rightarrow$ 预测 $\rightarrow$ 运行 $\rightarrow$ 验证 $\rightarrow$ 解释 $\rightarrow$ 伦理 $\rightarrow$ 反思”的完整流程。

教学实施与资源

• 教学资源：包括医学图像数据集、AI平台（如3D Slicer）、编程工具（如Python、TensorFlow、PyTorch）等。
• 教学实施：采用多方式多层次案例教学，注重动手实践，让学生在真实医学场景中应用AI技术。
• 课程资源：北京大学医学部健康信息管理系已形成较为完整的AI课程体系，涵盖多个医学领域，如临床医学、药学、护理学等。

未来展望

• 持续优化课程内容：根据AI技术的发展和医学需求的变化，不断更新课程内容，确保其前沿性和实用性。
• 加强师资队伍建设：培养和引进具备医学与AI交叉背景的师资，提升教学质量。
• 深化教学实践：通过更多的实践项目和案例，增强学生的动手能力和实际应用能力。
• 推动课程标准化：参与制定人工智能通识课程的团体标准，确保课程体系的规范性和统一性。

总结

北京大学医学部在人工智能通识课程建设方面取得了显著进展，通过多样的课程模式和丰富的教学内容，有效提升了医学生的AI素养和应用能力。课程建设不仅关注技术层面，还强调伦理思考和跨学科协作，为培养新时代医学人才提供了坚实的基础。