超聲心動圖帶教工作中運用AI的效果

　　摘    要：　目的 觀察人工智能在超聲心動圖帶教工作中的應用效果。方法 選取醫院2018年12月—2019年12月在心內科超聲心動圖室實習的60名學生，根據是否借助人工智能軟件輔助教學，分為研究組（n=30）和常規組（n=30），比較兩組實習生的理論成績、實踐操作成績評分、診斷時間以及培訓時間，并評估兩組實習生對帶教老師的教學滿意度。結果 研究組理論成績、實踐操作成績評分均高于常規組（P <0.05）；診斷時間以及培訓時間均低于常規組（P <0.05）。研究組教學滿意度（96.7%）明顯高于常規組教學滿意度（73.3%）(P<0.05)。結論 在超聲心動圖帶教中，結合人工智能可以幫助學生快速識別超聲心動圖各種切面，掌握不同征象特征，并指導規范化采集圖像和測量，有助于縮短實習醫生培訓周期，提高教學效果。

　　關鍵詞 :     超聲心動圖;人工智能;帶教;醫學教育;臨床實踐;診斷;

　　Abstract：　Objective To observe the application effect of artificial intelligence in the teaching of echocardiography. Methods Sixty students who were interned in the echocardiography room of the Department of Cardiology from December 2018 to December 2019 in our hospital were pided into experimental group(n=30) and control group(n=30), the difference between the two groups of the theoretical scores, practical operation scores, diagnosis time and training time were compared, and the teaching satisfaction of the two groups were evaluated. Results The performance of theoretical and practical scores of the experimental group were higher than those of the control group(P < 0.05); the diagnosis time and training time were lower than that of the control group(P < 0.05). The teaching satisfaction of the experimental group(96.7%) was significantly higher than that of the control group(73.3%)(P < 0.05). Conclusion Combining artificial intelligence with the teaching of echocardiography can help students quickly identify various views of echocardiography, understand the characteristics of different signs, and guide the standardized acquisition of images and measurements, which can help shorten the training period of interns and improve the teaching effect.

　　Keyword：　echocardiography; artificial intelligence; teaching; medical education; clinical practice; diagnosis;

　　超聲心動圖是利用高頻率超聲波的特殊物理學特性，對心臟和大血管的解剖結構及功能狀態進行無創評估的一線臨床檢查手段。在心血管影像領域，超聲心動圖是唯一能無創、動態顯示并實時測量心腔內結構、心臟功能和血液流動的檢測儀器，可用于冠心病、心力衰竭、高血壓、心肌病、先天性心臟病、瓣膜性心臟病等在內的各類心臟疾病的診斷及治療監測中[1]。但是超聲心動圖切面比較多，培訓周期較長，需要有很好的心臟解剖基礎和空間想象力，這就增加了實習醫生的帶教難度。近年來，人工智能在醫學影像方面發展較快，與超聲心動圖的研究也正在不斷涌現。人工智能已經可以做到對超聲心動圖切面的自動分類識別，圖像分割自動測量參數，以及常見疾病的自動分析診斷。本研究利用人工智能軟件優化超聲心動圖教學方案，有助于縮短實習醫生培訓周期，提高教學效果�，F報道如下。
 

　　1、 資料與方法

　　1.1 、一般資料

　　入選我院2018年12月—2019年12月在心內科超聲心動圖室實習的60名學生，根據是否借助人工智能軟件輔助教學，分為研究組（n=30）和常規組（n=30），其中常規組男20名，女10名，年齡21～23周歲，平均年齡（22.12±1.03）歲；研究組男22名，女8名，年齡20～23周歲，平均年齡（21.79±2.07）歲，兩組一般資料的差異無統計學意義，P>0.05。具有可比性。

　　1.2 、研究方法

　　常規組采用常規教學模式，按照實習大綱要求，由帶教老師實操教學授課。實習生入科后由帶教老師集中授課，首先講解超聲心動圖理論知識和采圖規范，之后由帶教老師進行一對多帶教。臨床教學以帶教老師為中心，老師實操中，針對常見心血管疾病的超聲心動圖不同表現再進行詳細講解，并指導學生在不同的體表位置進行規范采圖。結束后分別對理論知識和實踐操作進行考核。

　　研究組在常規教學模式基礎上，再采用北京安德醫智公司研發的AI輔助超聲心動圖診斷軟件進行學習，此軟件經過上萬例超聲心動圖圖像進行訓練建立模型，可以識別超聲心動圖不同的切面（包括M型、二維及多普勒超聲心動圖）、各種征象（包括心肌肥厚、心腔擴大、瓣膜反流、瓣膜狹窄、室壁運動異常、房室間隔分流等）、自動測量相應參數，以及識別常見心血管疾�。ò�括心肌梗死、高血壓、瓣膜病、心肌病、先天性心臟病等）。通過此軟件幫助實習生快速掌握常見心血管疾病的超聲心動圖診斷。

　　1.3、 評價方法

　　1.3.1 、滿意度分析

　　通過問卷法，分析兩組學生對不同教學模式的滿意度。非常滿意：≥80分；一般滿意：79～60分；不滿意：<60分。

　　1.3.2 、教學效果評價

　　通過自制試卷和典型病例圖像，對兩組學生分別進行本次教學效果評價。包括理論知識以及實踐操作能力，滿分均為100分。

　　1.4、 統計學方法

　　應用SPSS 22軟件進行統計分析，計量資料數值以表示，組間比較采用t檢驗；計數資料以例（%）表示，組間比較采用χ2檢驗/Fisher精確概率法。所有分析均以P<0.05為差異有統計學意義。

　　2 、結果

　　2.1 、兩組教學滿意度比較

　　研究組教學滿意度為（96.7%），常規組教學滿意度為（73.3%),P<0.05。見表1。

　　2.2、 兩組教學效果比較

　　研究組理論成績、實踐操作成績評分，均高于常規組（P<0.05）；診斷時間以及培訓時間，均低于常規組（P<0.05）。詳見表2。

　　3 、討論

　　超聲心動圖是目前心血管疾病診斷評估的臨床一線檢查手段，理解和學習超聲心動圖，會大大提高對心血管疾病病理生理機制的認識。但是超聲心動圖呈現的是實時動態的心臟二維圖像，通過不同的角度來觀測心臟，切面比較多，這導致各房室腔空間方位和位置理解困難，給初學者帶來很大的困惑。在超聲心動圖帶教中，帶教老師不僅要強調學生掌握心臟的大體解剖，熟悉心臟和周圍器官的毗鄰關系以及心腔內部結構的空間方位，幫助學生建立起較強的空間想象力，明確超聲心動圖各個切面，如何從不同的角度顯示心臟的結構。超聲心動圖診斷疾病的基礎在于對不同征象的識別，這需要經過大量病例的反復訓練，比如心肌梗死導致的節段性室壁運動異常，對于初學者無法短期內掌握，這就大大增加了實習生學習的難度。另外，超聲心動圖參數的測量受人為因素影響比較大，不同醫生以及同一位醫生不同次測量，結果可能明顯不同，這就導致實習生在學習過程中無標準的參照。所以超聲心動圖的學習培訓周期較長，需要掌握的理論知識較多，而且需要較強的邏輯推理能力來理解心臟的血流動力學，而實習生往往在超聲心動圖室輪轉2～3周，這些因素均導致其教學成果欠佳[2,3]。

　　人工智能是一門由計算機科學、數學和神經科學等多學科交叉的研究機器學習的新興學科。近年來，數據資源、計算學習能力、算法模型等基礎科學的突破成為了人工智能發展的重要推動力[4]。在圖像處理領域，人工智能對于圖像分類、圖像分割及目標檢測等多個類別的工作，已經達到甚至超越人類的水平。因此非常適合應用于醫療影像領域，從而達到自動判讀、輔助快速診斷的目的。深度學習是當前人工智能領域研究最多、應用最廣、前景最大的方向之一，相較傳統機器學習算法，深度學習在圖像處理方面具有明顯優勢。近幾年，深度學習在醫學影像領域發展較快，針對包括肺部、乳腺、心臟、顱腦、肝臟等諸多器官疾病的核磁和CT影像的深度學習均可實現接近或超越專家水準的自動識別與診斷[5,6]。在超聲心動圖領域，目前研究報道人工智能已經實現了切面識別、圖像分割，實現了心臟功能參數的自動化測量，以及常見心血管疾病的識別[7,8,9]。

　　表1 兩組教學模式滿意度比較[例（%）]

　　表2 兩組教學效果比較

　　在大數據和人工智能時代，教育領域也正在向智能化時代前進。利用人工智能輔助教學，已經在各行各業中陸續展開，并且均受到了很好的效果[10,11]。在醫學教育中，人工智能也正在引領醫學教育的改革[12,13,14]。并且醫學影像與AI的結合被認為是最具發展前景的領域，目前AI應用于醫學影像教育的理論教學和臨床實踐教學的研究已逐步展開[15,16,17]。在教學模式方面，AI輔助教學應用于醫學影像學規范化培訓中，為不同專業、不同層次的住院醫師提供個性化、智能化的人機交互教學模式，能夠在短時間內培訓住院醫師有效掌握醫學影像技能。本研究利用人工智能軟件輔助超聲心動圖教學的優勢在于，其可以自動識別超聲心動圖不同的切面，并且標識各個房室腔的位置，就相當于有一個專家站在實習生旁邊給予一對一，手把手的教導。而且，人工智能可以做到對超聲心動圖不同征象的識別，比如瓣膜狹窄，瓣膜反流，室壁增厚，房室腔增大，室壁運動異常等，實習生在上級操作時，借助人工智能軟件，可以快速地學習各種心血管疾病的不同征象特征，對于不同征象的識別是診斷疾病的最主要依據，這就大大縮短了實習生的學習周期，明顯提高教學成果。心臟結構和功能的精細化測量也是超聲心動圖的重要部分，平時由于工作量大，很多時候需要依靠檢查者目測進行大體評估，這就依賴于檢查者的經驗和能力，對于實習生而言，就不能準確地掌握各個參數測量的標準。人工智能軟件目前可以實現自動測量參數，出具標準化報告。所以在人工智能的輔助下，實習生可以快速掌握標準化測量要求和方法。

　　綜上所述，在超聲心動圖教學過程中，借助人工智能軟件輔助，這種人機交互式的教學模式，能夠有效地提高學生對超聲心動圖理論知識的掌握，大大縮短了實習生的學習周期，快速提高對超聲心動圖圖像的認識，以及加深了對于心血管疾病的理解，并增加了教學滿意度。

　　參考文獻

　　[1] Mitchell C ,Rahko PS ,Blauwet LA,et al. Guidelines for Performing a Comprehensive Transthoracic Echocardiographic Examination in Adults. Recommendations from the American Society of EchocardiographylJ]. J Am Soc Echocardiogr,2019,32(1):1-64.
　　[2]胡國兵,朱向明關于心臟超聲診斷臨床實踐帶教的幾點體會[J].中國繼續醫學教育, 2020(12):61-62.
　　[3]李穎.微課在超聲診斷學實習教學中應用的研究[J].中國繼續醫學教育, 2017,9(5):44-45.
　　[4] Madani A,Amaout R,Mofrad M,et al. Fast and accurate view classifc ation of echocardiograms using deep le arning[J]_ Digital Medicine,2018(16):1-8.
　　[5] Obermeyer Z, Emanuel EJ. Predicting the future-big data,machine learning, and clinical medicine[J]. N Engl J Med,2016,37(5):1216-1219.
　　[6] Rajikomar A,Dean J,Kohane 1. Machine Learming in Medicine[J]. N Engl J Med,2019,380(14):1347-1358.
　　[7] Madani A.Ong JR.,Tbrewal A.et al. Deep echocardiography:data-efficient supervised and semi-supervised deep learning towards automated diagnosis of cardiac disease[J]. NPJ Digit Med, 2018(1):59.
　　[8] Zhang J,Gajala s. Agrawal P,et al. Fully Automated Echocardiogram Interpretation in Clinical Practice[J]. Circulation,2018, 138(16):1623-1635.
　　[9]蔣建慧基于深度學習的超聲心動圖自動分類與參數測量研究[D].南京:東南大學, 2019.
　　[10]翟雷,邢國春大數據環境下人工智能技術在教育領域的應用研究[J]情報科學, 2019,37(11):127-132,143.
　　[1]曾輝.人工智能技術在教育領域的應用[J].電子技術與軟件工程, 2019(19):241-242.
　　[12]岳梅,張葉江人工智能時代醫學教學改革方向研究[J].中國繼續醫學教育, 2020,12(7):6-9.
　　[13]王夢溪,王娜,張欣多,等人工智能醫學教學平臺的構建[J].中國高等醫學教育, 2020(3):46-48.
　　[14]李文星。唐軍，屈藝，等人工智能在醫學教育中的應用和發展[J].成都中醫藥大學學報(教育科學版) , 2019.21(1):17-18,60.
　　[15]陳宇辰股信道.住院醫師規范化培訓在 醫學影像科的教學方法探索- 以南京市第一醫院醫學影 像科為例[J]教育教學論壇,2020(14):266-269.
　　[16]張冉冉,蒲利紅,張文,等人工智能在醫學影像教育中的應用現狀和前景[J].現代預防醫學, 2019,46(24):4527-4529.
　　[17]黃麗利,廖曉輝人工智能結合混合式教學在內科學教學中的應用[J].現代醫藥衛生, 2019,35(8):1260-1263.