版權信息： ?四川大學華西醫院華西期刊社《中國胸心血管外科臨床雜志》版權所有，未經授權不得轉載、改編
醫學住院醫師規范化培訓（簡稱“規培”）是中國醫療體系中至關重要的環節，旨在通過系統的臨床訓練，提高醫學畢業生的專業素養和臨床實踐能力。通過為期3年的全科室輪轉規培，幫助年輕醫師全面掌握各臨床學科的基本技能和診療規范，統一醫療標準，推動醫教協同發展，滿足日益增長的醫療需求[1]。其中，在胸外科規培中，醫師需要掌握復雜的解剖結構、手術技巧及圍手術期的管理技能，尤其是肺結節的精準診斷和肺段切除等高難度手術的規劃和執行。然而，現階段的胸外科規培仍面臨一些挑戰與不足。首先，由于手術復雜性高，規培醫師的實際操作機會有限，影響了臨床經驗的積累。其次，傳統教學通常使用靜態的解剖圖譜和影像資料，缺少動態、立體的視覺效果，難以幫助醫師直觀理解肺段及其解剖結構的空間關系。此外，胸外科規培時間相對較短，患者周轉較快，教學往往依賴于分散的個案，缺乏系統性，難以幫助住院醫師全面理解和掌握各項技術與理論[2-4]。在此背景下，人工智能（artificial intelligence，AI）技術為胸外科規培帶來了廣闊的應用前景[5-7]。通過AI輔助，可以分析影像學數據，幫助規培醫師更精準地識別肺結節。其次，可以根據AI提供的路徑進行手術規劃，尤其是在肺段切除的復雜手術中，AI可以為規培醫師提供有力的決策支持及演示。此外，AI還可以通過數據分析，評估規培醫師的學習理解，優化培訓計劃，提升培訓效果和臨床技能[8]。鑒于此，本研究通過AI技術完成了對2023年9月—2024年9月共72名胸外科規培生的教學，取得了不錯的效果，現報道如下。
1 資料與方法
1.1 研究對象和分組
本研究納入2023年9月—2024年9月期間在北京協和醫院參加胸外科住院醫師規培的72名住院醫師。所有納入者為首次輪轉胸外科，且此前未接受過系統的胸外科培訓。能夠理解并參與胸部CT圖像的學習與評估。排除標準包括：已接受過系統胸外科培訓的住院醫師，參與其他影響研究結果的臨床研究或教學項目的住院醫師，以及因疾病或其他原因無法完成全部培訓內容的住院醫師。采用隨機數字表法將規培住院醫師隨機分為試驗組和對照組。
1.2 研究方法
應用推想醫療提供的肺三維重建AI平臺，將胸部CT文件進行AI自動分析，并生成胸部CT三維重建圖像，用于肺結節分析及肺段解剖路徑研究。試驗組規培醫師使用AI三維重建和普通胸部CT圖像，對照組僅使用普通胸部CT圖像。首先進行胸部CT基礎教學，由一位高年資的胸外科醫師為兩組學生進行胸部CT影像基礎教學，重點包括肺結節的影像特征、肺段解剖，其中肺結節的分類采用Lung-RADS（Lung Reporting and Data System）分類系統，該系統由美國放射學會（American College of Radiology）制定，旨在標準化影像學報告，并提高肺結節管理的一致性。教學結束后，給學生提供若干標準化胸部CT圖像，進行自主練習，目的是確保學生掌握基本的閱片技能。在基礎教學結束后，試驗組的學生接受額外的AI三維重建軟件教學，由高年資醫師指導。講解內容包括如何利用AI軟件對普通胸部CT圖像進行三維重建，如何通過三維重建直觀地識別肺結節，以及重建圖像與平面CT圖像之間的對應關系。
在完成教學后，兩組學生分別對給定的同一患者胸部CT圖像進行評估，評估內容包括肺結節的數目和部位。學生們獨立完成評估，不允許互相討論，以確保評估結果的獨立性。將每位學生的評估結果記錄在表格中，包括每個結節的標注位置及數量，以便于數據的整理和后續分析。最后由兩位高年資胸外科醫師對兩組學生的評估結果進行評判。評判過程采用雙盲設計，評判醫師對學生所屬組別不知情，以確保評判的客觀性。評判內容包括學生標注肺結節數目和部位的正確率，并進行評分。教學結束后，組織一次討論會，學生可以分享他們在使用AI輔助閱片過程中的經驗和體會，并完成問卷調查。同時也會對對照組的學生進行AI教學，完成課程。
1.3 統計學分析
數據采用SPSS 20.0統計軟件進行分析。計量資料以均數±標準差（x±s）表示，組間比較采用獨立樣本t檢驗。計數資料以頻數和百分比表示，組間比較采用χ2檢驗或校正χ2檢驗。雙側檢驗水準α=0.05。
2 結果
2.1 肺部結節識別情況
本研究共納入72名住院醫師，其中男30人（41.7%）、女42人（58.3%），平均年齡為（24.0±3.0）歲。首先由兩名高年資胸外科醫師對1例患者的薄層CT掃描進行分析，圖像中共包含15個肺結節。其中，3個結節被評估為Lung-RADS 4～5分（高風險），5個肺結節被評估為Lung-RADS 3分（中風險），7個肺結節被評估為Lung-RADS 1～2分（低風險）。試驗結果顯示，試驗組在高、中、低風險結節的診斷準確性和肺段標識準確性方面均優于對照組，尤其在高、中風險結節的診斷和標識上。這些結果表明，在結節準確數識別方面，試驗組的總體診斷準確率為91.9%，對照組為73.3%。在結節肺段標記準確數方面，試驗組總體診斷準確率為100.0%，對照組為83.7%（表1）。
表1
兩組肺結節識別情況比較
2.2 閱片時間
在本研究中，36位對照組醫師的平均CT閱片時間為（332.1±20.2）s。而AI輔助的試驗組醫師的閱片時間顯著縮短，平均閱片時間為（118.5±10.5）s（P<0.01）。
2.3 問卷結果
問卷調查結果顯示，大多數規培醫師對AI輔助肺結節和肺段解剖持積極態度。約94%以上的醫師希望在臨床實踐中使用AI技術，認為其能夠顯著提升診斷的準確性。此外，醫師們普遍認為AI技術在培訓醫師方面具有重要作用。盡管AI輔助技術在胸外科住院醫師的培訓中展現了顯著優勢，但部分醫師仍存在一些顧慮。首先，技術的可靠性和準確性是一個重要問題，醫師擔心AI可能無法在復雜或非典型病例中提供足夠的決策支持，且可能過度依賴AI而忽視自身判斷能力的培養。其次，有些醫師擔心，過度使用AI會影響他們積累臨床經驗的機會，尤其是在面對真實病例時，AI可能減少了他們主動思考和診斷的機會。但總體來看，醫師們對AI輔助的期望較高，顯示出對未來技術應用的信心和期待（表2）。
表2
調查問卷結果（%）
3 討論
近年來，隨著AI在醫學影像領域的迅速發展，AI輔助技術在胸外科醫師的培訓中表現出了顯著的教學效果，特別是在肺結節CT診斷及肺段解剖的學習上。這一技術的應用不僅在肺結節的檢測上提供了高效的輔助，同時也在住院醫師的規培中發揮了不可替代的作用[9-10]。
首先，AI在肺結節的識別和診斷中具有重要意義。AI基于深度學習算法，可以通過分析胸部CT圖像，自動識別和定位肺結節，并對其良惡性進行初步判斷。對于剛進入胸外科臨床的低年資住院醫師來說，肺結節的識別往往是最初步且最關鍵的一步。我們的研究結果表明AI識別肺結節可以顯著的提高肺結節的診斷率，這與既往研究[7-9]結果一致。AI可以幫助這些住院醫師快速找到并標注出圖像中的結節，從而降低漏診的概率。特別是對于一些形態特殊、位置較深或者直徑<5 mm的肺結節，AI的識別準確性明顯高于僅依賴人工判斷的初學者。通過AI輔助技術的幫助，住院醫師能夠迅速核對自己的閱片結果，發現可能的錯誤或漏診情況，從而有效提升他們的識別能力。
AI輔助教學不僅限于肺結節的識別，還體現在對結節良惡性的定性診斷上。傳統的教學往往依賴典型病例進行示教，而AI的優勢在于其可以提供海量的影像數據，包括各種非典型表現的結節圖像。這些圖像庫使住院醫師能夠在學習過程中體驗到不同類型的肺結節，從而更好地掌握判斷結節良惡性的關鍵特征。特別是對于一些惡性征象的判斷，如分葉征、毛刺征、支氣管截斷征等.AI能夠通過對圖像的全面分析，將這些征象明確地顯示出來，住院醫師可以直觀地理解每個征象的特征及其臨床意義，從而提高對結節性質判斷的準確性[10-11]。
肺段解剖的學習在胸外科的規培中同樣具有重要地位，而AI在此方面也提供了極大的幫助。傳統的解剖教學常常需要通過示教解剖圖譜和影像資料進行，而AI系統則可以結合三維重建技術，將肺葉及各個肺段的結構以動態的形式展現出來。這種立體可視化的教學方式，可以幫助住院醫師更加直觀地理解肺段的空間關系及其在影像學中的表現[12-13]。同時，AI軟件在肺結節標注時也按肺葉和肺段進行歸類，使得住院醫師能夠在實際閱片中逐漸形成按照肺葉肺段順序閱片的良好習慣，這對于減少漏診和規范化閱片流程具有重要意義。
在教學模式的改革上，AI輔助教學推動了自主學習的進步。與傳統的碎片化教學相比，AI的引入使住院醫師可以根據個人的時間安排，在任意工作地點自主學習，并通過軟件中的海量病例進行反復練習[14]。目前的AI軟件可以提供電腦版本和手機版本，可以使住院醫師靈活地選擇學習方式。這種靈活的學習方式不僅提高了學習效率，也提高了住院醫師的學習興趣和主動性。AI就像一個隨時在線的教學助手，幫助住院醫師及時解答在學習過程中遇到的各種問題。在復雜結節的診斷和鑒別診斷上，通過與AI的對比分析，醫師能夠更深入地理解肺結節的影像特征[15-16]。
綜上所述，AI在胸外科醫師肺結節CT診斷及肺段解剖教學中的應用，為醫師規培帶來了新的契機。通過AI輔助技術，住院醫師不僅能夠提高對肺結節的識別準確性，還能增強其對復雜結節的理解和分析能力，逐步形成系統化、邏輯化的閱片思維。這種智能化、個性化的教學方式，有助于胸外科住院醫師在短時間內快速提升臨床能力，并為未來的臨床工作奠定堅實的基礎。
利益沖突：無。
作者貢獻：高超、梁乃新負責論文設計與撰寫；高超、周小昀、郭超負責數據收集和整理；李單青、劉洪生、梁乃新負責審閱與修改。
醫學住院醫師規范化培訓（簡稱“規培”）是中國醫療體系中至關重要的環節，旨在通過系統的臨床訓練，提高醫學畢業生的專業素養和臨床實踐能力。通過為期3年的全科室輪轉規培，幫助年輕醫師全面掌握各臨床學科的基本技能和診療規范，統一醫療標準，推動醫教協同發展，滿足日益增長的醫療需求[1]。其中，在胸外科規培中，醫師需要掌握復雜的解剖結構、手術技巧及圍手術期的管理技能，尤其是肺結節的精準診斷和肺段切除等高難度手術的規劃和執行。然而，現階段的胸外科規培仍面臨一些挑戰與不足。首先，由于手術復雜性高，規培醫師的實際操作機會有限，影響了臨床經驗的積累。其次，傳統教學通常使用靜態的解剖圖譜和影像資料，缺少動態、立體的視覺效果，難以幫助醫師直觀理解肺段及其解剖結構的空間關系。此外，胸外科規培時間相對較短，患者周轉較快，教學往往依賴于分散的個案，缺乏系統性，難以幫助住院醫師全面理解和掌握各項技術與理論[2-4]。在此背景下，人工智能（artificial intelligence，AI）技術為胸外科規培帶來了廣闊的應用前景[5-7]。通過AI輔助，可以分析影像學數據，幫助規培醫師更精準地識別肺結節。其次，可以根據AI提供的路徑進行手術規劃，尤其是在肺段切除的復雜手術中，AI可以為規培醫師提供有力的決策支持及演示。此外，AI還可以通過數據分析，評估規培醫師的學習理解，優化培訓計劃，提升培訓效果和臨床技能[8]。鑒于此，本研究通過AI技術完成了對2023年9月—2024年9月共72名胸外科規培生的教學，取得了不錯的效果，現報道如下。
1 資料與方法
1.1 研究對象和分組
本研究納入2023年9月—2024年9月期間在北京協和醫院參加胸外科住院醫師規培的72名住院醫師。所有納入者為首次輪轉胸外科，且此前未接受過系統的胸外科培訓。能夠理解并參與胸部CT圖像的學習與評估。排除標準包括：已接受過系統胸外科培訓的住院醫師，參與其他影響研究結果的臨床研究或教學項目的住院醫師，以及因疾病或其他原因無法完成全部培訓內容的住院醫師。采用隨機數字表法將規培住院醫師隨機分為試驗組和對照組。
1.2 研究方法
應用推想醫療提供的肺三維重建AI平臺，將胸部CT文件進行AI自動分析，并生成胸部CT三維重建圖像，用于肺結節分析及肺段解剖路徑研究。試驗組規培醫師使用AI三維重建和普通胸部CT圖像，對照組僅使用普通胸部CT圖像。首先進行胸部CT基礎教學，由一位高年資的胸外科醫師為兩組學生進行胸部CT影像基礎教學，重點包括肺結節的影像特征、肺段解剖，其中肺結節的分類采用Lung-RADS（Lung Reporting and Data System）分類系統，該系統由美國放射學會（American College of Radiology）制定，旨在標準化影像學報告，并提高肺結節管理的一致性。教學結束后，給學生提供若干標準化胸部CT圖像，進行自主練習，目的是確保學生掌握基本的閱片技能。在基礎教學結束后，試驗組的學生接受額外的AI三維重建軟件教學，由高年資醫師指導。講解內容包括如何利用AI軟件對普通胸部CT圖像進行三維重建，如何通過三維重建直觀地識別肺結節，以及重建圖像與平面CT圖像之間的對應關系。
在完成教學后，兩組學生分別對給定的同一患者胸部CT圖像進行評估，評估內容包括肺結節的數目和部位。學生們獨立完成評估，不允許互相討論，以確保評估結果的獨立性。將每位學生的評估結果記錄在表格中，包括每個結節的標注位置及數量，以便于數據的整理和后續分析。最后由兩位高年資胸外科醫師對兩組學生的評估結果進行評判。評判過程采用雙盲設計，評判醫師對學生所屬組別不知情，以確保評判的客觀性。評判內容包括學生標注肺結節數目和部位的正確率，并進行評分。教學結束后，組織一次討論會，學生可以分享他們在使用AI輔助閱片過程中的經驗和體會，并完成問卷調查。同時也會對對照組的學生進行AI教學，完成課程。
1.3 統計學分析
數據采用SPSS 20.0統計軟件進行分析。計量資料以均數±標準差（x±s）表示，組間比較采用獨立樣本t檢驗。計數資料以頻數和百分比表示，組間比較采用χ2檢驗或校正χ2檢驗。雙側檢驗水準α=0.05。
2 結果
2.1 肺部結節識別情況
本研究共納入72名住院醫師，其中男30人（41.7%）、女42人（58.3%），平均年齡為（24.0±3.0）歲。首先由兩名高年資胸外科醫師對1例患者的薄層CT掃描進行分析，圖像中共包含15個肺結節。其中，3個結節被評估為Lung-RADS 4～5分（高風險），5個肺結節被評估為Lung-RADS 3分（中風險），7個肺結節被評估為Lung-RADS 1～2分（低風險）。試驗結果顯示，試驗組在高、中、低風險結節的診斷準確性和肺段標識準確性方面均優于對照組，尤其在高、中風險結節的診斷和標識上。這些結果表明，在結節準確數識別方面，試驗組的總體診斷準確率為91.9%，對照組為73.3%。在結節肺段標記準確數方面，試驗組總體診斷準確率為100.0%，對照組為83.7%（表1）。
表1
兩組肺結節識別情況比較
2.2 閱片時間
在本研究中，36位對照組醫師的平均CT閱片時間為（332.1±20.2）s。而AI輔助的試驗組醫師的閱片時間顯著縮短，平均閱片時間為（118.5±10.5）s（P<0.01）。
2.3 問卷結果
問卷調查結果顯示，大多數規培醫師對AI輔助肺結節和肺段解剖持積極態度。約94%以上的醫師希望在臨床實踐中使用AI技術，認為其能夠顯著提升診斷的準確性。此外，醫師們普遍認為AI技術在培訓醫師方面具有重要作用。盡管AI輔助技術在胸外科住院醫師的培訓中展現了顯著優勢，但部分醫師仍存在一些顧慮。首先，技術的可靠性和準確性是一個重要問題，醫師擔心AI可能無法在復雜或非典型病例中提供足夠的決策支持，且可能過度依賴AI而忽視自身判斷能力的培養。其次，有些醫師擔心，過度使用AI會影響他們積累臨床經驗的機會，尤其是在面對真實病例時，AI可能減少了他們主動思考和診斷的機會。但總體來看，醫師們對AI輔助的期望較高，顯示出對未來技術應用的信心和期待（表2）。
表2
調查問卷結果（%）
3 討論
近年來，隨著AI在醫學影像領域的迅速發展，AI輔助技術在胸外科醫師的培訓中表現出了顯著的教學效果，特別是在肺結節CT診斷及肺段解剖的學習上。這一技術的應用不僅在肺結節的檢測上提供了高效的輔助，同時也在住院醫師的規培中發揮了不可替代的作用[9-10]。
首先，AI在肺結節的識別和診斷中具有重要意義。AI基于深度學習算法，可以通過分析胸部CT圖像，自動識別和定位肺結節，并對其良惡性進行初步判斷。對于剛進入胸外科臨床的低年資住院醫師來說，肺結節的識別往往是最初步且最關鍵的一步。我們的研究結果表明AI識別肺結節可以顯著的提高肺結節的診斷率，這與既往研究[7-9]結果一致。AI可以幫助這些住院醫師快速找到并標注出圖像中的結節，從而降低漏診的概率。特別是對于一些形態特殊、位置較深或者直徑<5 mm的肺結節，AI的識別準確性明顯高于僅依賴人工判斷的初學者。通過AI輔助技術的幫助，住院醫師能夠迅速核對自己的閱片結果，發現可能的錯誤或漏診情況，從而有效提升他們的識別能力。
AI輔助教學不僅限于肺結節的識別，還體現在對結節良惡性的定性診斷上。傳統的教學往往依賴典型病例進行示教，而AI的優勢在于其可以提供海量的影像數據，包括各種非典型表現的結節圖像。這些圖像庫使住院醫師能夠在學習過程中體驗到不同類型的肺結節，從而更好地掌握判斷結節良惡性的關鍵特征。特別是對于一些惡性征象的判斷，如分葉征、毛刺征、支氣管截斷征等.AI能夠通過對圖像的全面分析，將這些征象明確地顯示出來，住院醫師可以直觀地理解每個征象的特征及其臨床意義，從而提高對結節性質判斷的準確性[10-11]。
肺段解剖的學習在胸外科的規培中同樣具有重要地位，而AI在此方面也提供了極大的幫助。傳統的解剖教學常常需要通過示教解剖圖譜和影像資料進行，而AI系統則可以結合三維重建技術，將肺葉及各個肺段的結構以動態的形式展現出來。這種立體可視化的教學方式，可以幫助住院醫師更加直觀地理解肺段的空間關系及其在影像學中的表現[12-13]。同時，AI軟件在肺結節標注時也按肺葉和肺段進行歸類，使得住院醫師能夠在實際閱片中逐漸形成按照肺葉肺段順序閱片的良好習慣，這對于減少漏診和規范化閱片流程具有重要意義。
在教學模式的改革上，AI輔助教學推動了自主學習的進步。與傳統的碎片化教學相比，AI的引入使住院醫師可以根據個人的時間安排，在任意工作地點自主學習，并通過軟件中的海量病例進行反復練習[14]。目前的AI軟件可以提供電腦版本和手機版本，可以使住院醫師靈活地選擇學習方式。這種靈活的學習方式不僅提高了學習效率，也提高了住院醫師的學習興趣和主動性。AI就像一個隨時在線的教學助手，幫助住院醫師及時解答在學習過程中遇到的各種問題。在復雜結節的診斷和鑒別診斷上，通過與AI的對比分析，醫師能夠更深入地理解肺結節的影像特征[15-16]。
綜上所述，AI在胸外科醫師肺結節CT診斷及肺段解剖教學中的應用，為醫師規培帶來了新的契機。通過AI輔助技術，住院醫師不僅能夠提高對肺結節的識別準確性，還能增強其對復雜結節的理解和分析能力，逐步形成系統化、邏輯化的閱片思維。這種智能化、個性化的教學方式，有助于胸外科住院醫師在短時間內快速提升臨床能力，并為未來的臨床工作奠定堅實的基礎。
利益沖突：無。
作者貢獻：高超、梁乃新負責論文設計與撰寫；高超、周小昀、郭超負責數據收集和整理；李單青、劉洪生、梁乃新負責審閱與修改。
