超声心动图带教工作中运用AI的效果,超声医学论文

　　摘要：　目的观察人工智能在超声心动图带教工作中的应用效果。方法选取医院2018年12月—2019年12月在心内科超声心动图室实习的60名学生，根据是否借助人工智能软件辅助教学，分为研究组（n=30）和常规组（n=30），比较两组实习生的理论成绩、实践操作成绩评分、诊断时间以及培训时间，并评估两组实习生对带教老师的教学满意度。结果研究组理论成绩、实践操作成绩评分均高于常规组（P <0.05）；诊断时间以及培训时间均低于常规组（P <0.05）。研究组教学满意度（96.7%）明显高于常规组教学满意度（73.3%）(P<0.05)。结论在超声心动图带教中，结合人工智能可以帮助学生快速识别超声心动图各种切面，掌握不同征象特征，并指导规范化采集图像和测量，有助于缩短实习医生培训周期，提高教学效果。

　　关键词 : 超声心动图;人工智能;带教;医学教育;临床实践;诊断;

　　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;

　　超声心动图是利用高频率超声波的特殊物理学特性，对心脏和大血管的解剖结构及功能状态进行无创评估的一线临床检查手段。在心血管影像领域，超声心动图是唯一能无创、动态显示并实时测量心腔内结构、心脏功能和血液流动的检测仪器，可用于冠心病、心力衰竭、高血压、心肌病、先天性心脏病、瓣膜性心脏病等在内的各类心脏疾病的诊断及治疗监测中[1]。但是超声心动图切面比较多，培训周期较长，需要有很好的心脏解剖基础和空间想象力，这就增加了实习医生的带教难度。近年来，人工智能在医学影像方面发展较快，与超声心动图的研究也正在不断涌现。人工智能已经可以做到对超声心动图切面的自动分类识别，图像分割自动测量参数，以及常见疾病的自动分析诊断。本研究利用人工智能软件优化超声心动图教学方案，有助于缩短实习医生培训周期，提高教学效果。现报道如下。

超声心动图带教工作中运用AI的效果

　　1、资料与方法

　　1.1 、一般资料

　　入选我院2018年12月—2019年12月在心内科超声心动图室实习的60名学生，根据是否借助人工智能软件辅助教学，分为研究组（n=30）和常规组（n=30），其中常规组男20名，女10名，年龄21～23周岁，平均年龄（22.12±1.03）岁；研究组男22名，女8名，年龄20～23周岁，平均年龄（21.79±2.07）岁，两组一般资料的差异无统计学意义，P>0.05。具有可比性。

　　1.2 、研究方法

　　常规组采用常规教学模式，按照实习大纲要求，由带教老师实操教学授课。实习生入科后由带教老师集中授课，首先讲解超声心动图理论知识和采图规范，之后由带教老师进行一对多带教。临床教学以带教老师为中心，老师实操中，针对常见心血管疾病的超声心动图不同表现再进行详细讲解，并指导学生在不同的体表位置进行规范采图。结束后分别对理论知识和实践操作进行考核。

　　研究组在常规教学模式基础上，再采用北京安德医智公司研发的AI辅助超声心动图诊断软件进行学习，此软件经过上万例超声心动图图像进行训练建立模型，可以识别超声心动图不同的切面（包括M型、二维及多普勒超声心动图）、各种征象（包括心肌肥厚、心腔扩大、瓣膜反流、瓣膜狭窄、室壁运动异常、房室间隔分流等）、自动测量相应参数，以及识别常见心血管疾病（包括心肌梗死、高血压、瓣膜病、心肌病、先天性心脏病等）。通过此软件帮助实习生快速掌握常见心血管疾病的超声心动图诊断。

　　1.3、评价方法

　　1.3.1 、满意度分析

　　通过问卷法，分析两组学生对不同教学模式的满意度。非常满意：≥80分；一般满意：79～60分；不满意：<60分。

　　1.3.2 、教学效果评价

　　通过自制试卷和典型病例图像，对两组学生分别进行本次教学效果评价。包括理论知识以及实践操作能力，满分均为100分。

　　1.4、统计学方法

　　应用SPSS 22软件进行统计分析，计量资料数值以表示，组间比较采用t检验；计数资料以例（%）表示，组间比较采用χ2检验/Fisher精确概率法。所有分析均以P<0.05为差异有统计学意义。

　　2 、结果

　　2.1 、两组教学满意度比较

　　研究组教学满意度为（96.7%），常规组教学满意度为（73.3%),P<0.05。见表1。

　　2.2、两组教学效果比较

　　研究组理论成绩、实践操作成绩评分，均高于常规组（P<0.05）；诊断时间以及培训时间，均低于常规组（P<0.05）。详见表2。

　　3 、讨论

　　超声心动图是目前心血管疾病诊断评估的临床一线检查手段，理解和学习超声心动图，会大大提高对心血管疾病病理生理机制的认识。但是超声心动图呈现的是实时动态的心脏二维图像，通过不同的角度来观测心脏，切面比较多，这导致各房室腔空间方位和位置理解困难，给初学者带来很大的困惑。在超声心动图带教中，带教老师不仅要强调学生掌握心脏的大体解剖，熟悉心脏和周围器官的毗邻关系以及心腔内部结构的空间方位，帮助学生建立起较强的空间想象力，明确超声心动图各个切面，如何从不同的角度显示心脏的结构。超声心动图诊断疾病的基础在于对不同征象的识别，这需要经过大量病例的反复训练，比如心肌梗死导致的节段性室壁运动异常，对于初学者无法短期内掌握，这就大大增加了实习生学习的难度。另外，超声心动图参数的测量受人为因素影响比较大，不同医生以及同一位医生不同次测量，结果可能明显不同，这就导致实习生在学习过程中无标准的参照。所以超声心动图的学习培训周期较长，需要掌握的理论知识较多，而且需要较强的逻辑推理能力来理解心脏的血流动力学，而实习生往往在超声心动图室轮转2～3周，这些因素均导致其教学成果欠佳[2,3]。

　　人工智能是一门由计算机科学、数学和神经科学等多学科交叉的研究机器学习的新兴学科。近年来，数据资源、计算学习能力、算法模型等基础科学的突破成为了人工智能发展的重要推动力[4]。在图像处理领域，人工智能对于图像分类、图像分割及目标检测等多个类别的工作，已经达到甚至超越人类的水平。因此非常适合应用于医疗影像领域，从而达到自动判读、辅助快速诊断的目的。深度学习是当前人工智能领域研究最多、应用最广、前景最大的方向之一，相较传统机器学习算法，深度学习在图像处理方面具有明显优势。近几年，深度学习在医学影像领域发展较快，针对包括肺部、乳腺、心脏、颅脑、肝脏等诸多器官疾病的核磁和CT影像的深度学习均可实现接近或超越专家水准的自动识别与诊断[5,6]。在超声心动图领域，目前研究报道人工智能已经实现了切面识别、图像分割，实现了心脏功能参数的自动化测量，以及常见心血管疾病的识别[7,8,9]。

　　表1 两组教学模式满意度比较[例（%）]

　　表2 两组教学效果比较

　　在大数据和人工智能时代，教育领域也正在向智能化时代前进。利用人工智能辅助教学，已经在各行各业中陆续展开，并且均受到了很好的效果[10,11]。在医学教育中，人工智能也正在引领医学教育的改革[12,13,14]。并且医学影像与AI的结合被认为是最具发展前景的领域，目前AI应用于医学影像教育的理论教学和临床实践教学的研究已逐步展开[15,16,17]。在教学模式方面，AI辅助教学应用于医学影像学规范化培训中，为不同专业、不同层次的住院医师提供个性化、智能化的人机交互教学模式，能够在短时间内培训住院医师有效掌握医学影像技能。本研究利用人工智能软件辅助超声心动图教学的优势在于，其可以自动识别超声心动图不同的切面，并且标识各个房室腔的位置，就相当于有一个专家站在实习生旁边给予一对一，手把手的教导。而且，人工智能可以做到对超声心动图不同征象的识别，比如瓣膜狭窄，瓣膜反流，室壁增厚，房室腔增大，室壁运动异常等，实习生在上级操作时，借助人工智能软件，可以快速地学习各种心血管疾病的不同征象特征，对于不同征象的识别是诊断疾病的最主要依据，这就大大缩短了实习生的学习周期，明显提高教学成果。心脏结构和功能的精细化测量也是超声心动图的重要部分，平时由于工作量大，很多时候需要依靠检查者目测进行大体评估，这就依赖于检查者的经验和能力，对于实习生而言，就不能准确地掌握各个参数测量的标准。人工智能软件目前可以实现自动测量参数，出具标准化报告。所以在人工智能的辅助下，实习生可以快速掌握标准化测量要求和方法。

　　综上所述，在超声心动图教学过程中，借助人工智能软件辅助，这种人机交互式的教学模式，能够有效地提高学生对超声心动图理论知识的掌握，大大缩短了实习生的学习周期，快速提高对超声心动图图像的认识，以及加深了对于心血管疾病的理解，并增加了教学满意度。

　　参考文献

　　[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]胡国兵,朱向明关于心脏超声诊断临床实践带教的几点体会[J].中国继续医学教育, 2020(12):61-62.
　　[3]李颖.微课在超声诊断学实习教学中应用的研究[J].中国继续医学教育, 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]蒋建慧基于深度学习的超声心动图自动分类与参数测量研究[D].南京:东南大学, 2019.
　　[10]翟雷,邢国春大数据环境下人工智能技术在教育领域的应用研究[J]情报科学, 2019,37(11):127-132,143.
　　[1]曾辉.人工智能技术在教育领域的应用[J].电子技术与软件工程, 2019(19):241-242.
　　[12]岳梅,张叶江人工智能时代医学教学改革方向研究[J].中国继续医学教育, 2020,12(7):6-9.
　　[13]王梦溪,王娜,张欣多,等人工智能医学教学平台的构建[J].中国高等医学教育, 2020(3):46-48.
　　[14]李文星。唐军，屈艺，等人工智能在医学教育中的应用和发展[J].成都中医药大学学报(教育科学版) , 2019.21(1):17-18,60.
　　[15]陈宇辰股信道.住院医师规范化培训在医学影像科的教学方法探索- 以南京市第一医院医学影像科为例[J]教育教学论坛,2020(14):266-269.
　　[16]张冉冉,蒲利红,张文,等人工智能在医学影像教育中的应用现状和前景[J].现代预防医学, 2019,46(24):4527-4529.
　　[17]黄丽利,廖晓辉人工智能结合混合式教学在内科学教学中的应用[J].现代医药卫生, 2019,35(8):1260-1263.