李 佳，楊武晨，彭賢貴，高 蕾，張 曦，墻 星，陶廷露，劉思恒，冉岑霞，張 誠

（陸軍軍醫(yī)大學(xué)第二附屬醫(yī)院，重慶 400002）

骨髓細(xì)胞形態(tài)檢驗是醫(yī)學(xué)檢驗中最基礎(chǔ)的學(xué)科，是血液病實驗室診斷方法中最重要的技術(shù)，也是目前各醫(yī)院必須開展的基礎(chǔ)檢驗項目。但骨髓細(xì)胞形態(tài)理論知識枯燥乏味，細(xì)胞體積小、種類繁多、差別細(xì)微，無法肉眼觀察，僅能在顯微鏡下觀察，難度極大，對細(xì)胞的識別及認(rèn)識主觀性強(qiáng)，強(qiáng)烈依賴經(jīng)驗。骨髓細(xì)胞形態(tài)學(xué)是將實踐和經(jīng)驗融為一體的漫長的學(xué)習(xí)過程，是繼續(xù)教育中的常見進(jìn)修課程。傳統(tǒng)進(jìn)修骨髓細(xì)胞形態(tài)的教學(xué)形式多采用“灌輸式”教師講授—學(xué)習(xí)者聽的教學(xué)法，忽視了學(xué)習(xí)者的主觀能動性，部分帶教教師不夠重視，實驗教學(xué)手段單一且落后[1]。人工智能（Artificial Intelligence，AI）是目前生產(chǎn)技術(shù)革新和產(chǎn)能提高的重要手段，已進(jìn)入智慧教育領(lǐng)域，但在醫(yī)學(xué)教育領(lǐng)域甚少涉及。因此本課題引入人工智能識別系統(tǒng)，讓學(xué)習(xí)者（在校學(xué)生及繼續(xù)教育者）在其幫助下學(xué)習(xí)骨髓細(xì)胞形態(tài)，對比其與傳統(tǒng)骨髓細(xì)胞形態(tài)學(xué)習(xí)方式在進(jìn)修教學(xué)中的應(yīng)用，旨在研究人工智能識別系統(tǒng)在教學(xué)上有無優(yōu)勢，能否更好地完成教學(xué)任務(wù)。

1 研究對象及方法

1.1 研究對象

納入2018年3月—2020年6月到陸軍軍醫(yī)大學(xué)第二附屬醫(yī)院血液病醫(yī)學(xué)中心參加進(jìn)修的各醫(yī)院醫(yī)生共26例，性別及年齡無特殊要求。

1.2 研究方法

將進(jìn)修生隨機(jī)分為傳統(tǒng)教學(xué)組和人工智能組，傳統(tǒng)教學(xué)組主要通過教師帶教、學(xué)生聽課及學(xué)生提問教師回答的方式達(dá)到教學(xué)目的；人工智能組主要通過杭州智維公司開發(fā)的人工智能識別骨髓細(xì)胞形態(tài)軟件進(jìn)行細(xì)胞教學(xué)指導(dǎo)，學(xué)生用鼠標(biāo)劃過需要學(xué)習(xí)的細(xì)胞，人工智能識別系統(tǒng)自動顯示細(xì)胞名字、需要鑒別的細(xì)胞類型及可能性百分?jǐn)?shù)。

1.2.1 師資 由經(jīng)驗豐富、臨床及教學(xué)時間大于10年的教員帶教，由主管技師以上職稱講解。

1.2.2 人工智能識別骨髓細(xì)胞形態(tài)軟件 由杭州智維軟件公司研發(fā)，可進(jìn)行骨髓細(xì)胞識別，識別率分別為：中性粒細(xì)胞識別率99.8%，單核細(xì)胞識別率98%，淋巴細(xì)胞識別率99.7%，紅系有核細(xì)胞識別率97%。

1.2.3 評判標(biāo)準(zhǔn) 主要觀察指標(biāo)：（1）教學(xué)滿意度和興趣（滿意度設(shè)為非常滿意5分，滿意4分，一般3分，差2分，很差1分；興趣設(shè)為非常有興趣5分，有興趣4分，一般3分，沒興趣2分，非常沒興趣1分），通過學(xué)生閱片考核及問卷調(diào)查的方法進(jìn)行效果評估；（2）學(xué)習(xí)時長（課后自習(xí)時長）；（3）兩組進(jìn)修生單個細(xì)胞的識別準(zhǔn)確率（分別考核教學(xué)前和教學(xué)后）；（4）單張骨髓涂片準(zhǔn)確率（分別考核教學(xué)前和教學(xué)后）。問卷調(diào)查包括教學(xué)滿意度、興趣；單個細(xì)胞考核以每張圖一個細(xì)胞的形式，考核100個細(xì)胞，記錄正確細(xì)胞數(shù)；考核的骨髓片要求為骨髓增生活躍，細(xì)胞分布均勻且視野好，染色良好；單張涂片準(zhǔn)確率通過對單張骨髓涂片進(jìn)行細(xì)胞計數(shù)，與正確計數(shù)答案做對比，統(tǒng)計正確率。

1.2.4 統(tǒng)計學(xué)分析 通過SPSS 19.0軟件分析數(shù)據(jù)，采用配對t檢驗、秩和檢驗（Mann-Whitney U）及χ2檢驗進(jìn)行。

2 結(jié)果

2.1 一般情況

傳統(tǒng)教學(xué)組和人工智能組均為13例，平均年齡分別為27.18歲和 28.10 歲，無統(tǒng)計學(xué)差異（P＞0.05），男女性別比為 1∶2。

2.2 兩組教學(xué)滿意度及興趣比較（見表1）

表1 兩組教學(xué)滿意度及興趣評分分布情況（n）

傳統(tǒng)教學(xué)組和人工智能組的教學(xué)滿意度比較，秩和檢驗Z=-1.531，P=0.126＞0.05。盡管人工智能組教學(xué)滿意度略高于傳統(tǒng)教學(xué)組，但并無差異，說明學(xué)生對傳統(tǒng)教學(xué)和人工智能教學(xué)均很滿意。傳統(tǒng)教學(xué)組和人工智能組的興趣比較，秩和檢驗Z=-2.571，P=0.01＜0.05，人工智能組興趣高于傳統(tǒng)教學(xué)組?？傊趯W(xué)習(xí)過程中，人工智能教學(xué)更能調(diào)動學(xué)生的學(xué)習(xí)積極性。

2.3 課后學(xué)習(xí)時間

傳統(tǒng)教學(xué)組學(xué)習(xí)時間均值為（2.06±0.399）小時/天，人工智能組學(xué)習(xí)時間均值為（2.67±0.560）小時/天，傳統(tǒng)教學(xué)組和人工智能組比較，P=0.000＜0.01，有統(tǒng)計學(xué)差異。

2.4 100個細(xì)胞識別正確個數(shù)

對比兩組教學(xué)前后的細(xì)胞識別情況，傳統(tǒng)教學(xué)組教學(xué)前正確識別細(xì)胞數(shù)均值為（26.46±8.491）個，教學(xué)后正確識別細(xì)胞數(shù)均值為（74.31±3.093）個，配對 t檢驗 t=-17.533，P＜0.01，有統(tǒng)計學(xué)差異，教學(xué)成果顯著。人工智能組教學(xué)前正確識別細(xì)胞數(shù)均值為（25.00±7.937）個，教學(xué)后正確識別細(xì)胞數(shù)均值為（73.23±3.295）個，配對 t檢驗 t=-19.085，P＜0.01，有統(tǒng)計學(xué)差異，教學(xué)成果顯著。教學(xué)后的傳統(tǒng)教學(xué)組和人工智能組比較，t=0.859，P＞0.05，無統(tǒng)計學(xué)差異。

2.5 單張骨髓涂片細(xì)胞計數(shù)的正確率

傳統(tǒng)教學(xué)組和人工智能組單張骨髓涂片細(xì)胞計數(shù)正確情況見表2，傳統(tǒng)教學(xué)組教學(xué)后成績顯著高于教學(xué)前（P＜0.01）；人工智能組教學(xué)后成績顯著高于教學(xué)前（P＜0.01）。教學(xué)后的人工智能組和傳統(tǒng)教學(xué)組比較，無統(tǒng)計學(xué)差異（χ2=0.249，P=0.618）。

表2 兩組單張骨髓涂片細(xì)胞計數(shù)情況（n）

3 討論

近年來，越來越多人工智能引入醫(yī)學(xué)范疇，AI醫(yī)學(xué)圖像識別已應(yīng)用于腸鏡AI圖像識別[2]、影像學(xué)（CT、B超等）[3]的AI圖像識別、胚胎與繁殖的AI圖像識別[4]、腫瘤病理的AI圖像識別[5]。本研究中主要涉及的是骨髓/血細(xì)胞的AI圖像識別，相比較而言，其觀察指標(biāo)更多，種類繁多而缺乏特征性組織結(jié)構(gòu)，可參照的參數(shù)相對較少，因此對細(xì)胞認(rèn)識的要求更高，細(xì)胞的識別難度加大，系統(tǒng)研發(fā)或?qū)W習(xí)的難度極大提升。將AI識別系統(tǒng)應(yīng)用于骨髓細(xì)胞形態(tài)的學(xué)習(xí)中，可以幫助學(xué)生或進(jìn)修生更好地學(xué)習(xí)。

3.1 滿意度及興趣分析

本研究中認(rèn)為采用人工智能教學(xué)和傳統(tǒng)教學(xué)的學(xué)生均有很高的教學(xué)滿意度及興趣，兩種方法均獲得學(xué)習(xí)者較高的認(rèn)可。但是學(xué)習(xí)者認(rèn)為AI教學(xué)更有趣，此方法可以寓教于樂，方式類似游戲，讓人有挑戰(zhàn)的沖動，且易于操作，便于學(xué)習(xí)。

3.2 學(xué)習(xí)時長分析

本研究發(fā)現(xiàn)，人工智能組學(xué)習(xí)者更愿意主動學(xué)習(xí)，可能因為采用新型教學(xué)法學(xué)習(xí)者可根據(jù)自己的時間安排學(xué)習(xí)，學(xué)習(xí)方式更有趣，并且在學(xué)習(xí)中能快速得到反饋，學(xué)習(xí)過程不枯燥，更能吸引學(xué)習(xí)者。

3.3 學(xué)習(xí)成果分析

研究發(fā)現(xiàn)，無論傳統(tǒng)教學(xué)法還是AI教學(xué)法，經(jīng)過長時間的學(xué)習(xí)，成績都能得到較明顯的提升，差別并不大，可能是傳統(tǒng)教學(xué)組的教學(xué)雖然比較枯燥，學(xué)習(xí)者和教師的互動相對較少，但是經(jīng)過學(xué)習(xí)后，仍能很好地識別細(xì)胞及細(xì)胞分類，這也說明人工智能組和傳統(tǒng)教學(xué)組比較，優(yōu)勢更多地在學(xué)習(xí)過程中。

3.4 AI識別系統(tǒng)在教學(xué)上應(yīng)用的優(yōu)劣勢

3.4.1 優(yōu)勢（1）目前AI教學(xué)模式優(yōu)勢之一是儲備能力及更新能力，可讓學(xué)習(xí)者最大可能地接觸最多最廣的細(xì)胞圖片[6]，做到與時俱進(jìn)。長遠(yuǎn)來看，可能會讓學(xué)習(xí)者學(xué)習(xí)更快、更新能力更強(qiáng)[7]；還可自動參考異常細(xì)胞，方便快捷。（2）AI教學(xué)法能減輕教師負(fù)擔(dān)，教師不用專門抽時間給學(xué)生講課、準(zhǔn)備課件。同時，還可以通過AI識別系統(tǒng)進(jìn)行遠(yuǎn)程專家咨詢[8-10]，有助于教育標(biāo)準(zhǔn)化[10]。

3.4.2 缺點（1）反饋環(huán)節(jié)：盡管相較傳統(tǒng)教學(xué)組，人工智能組學(xué)習(xí)者能得到更多反饋，但這仍是薄弱環(huán)節(jié)。反饋是AI教學(xué)十分重要的環(huán)節(jié)[11-14]，但本中心的AI識別系統(tǒng)提供反饋卻很困難，同樣問題還見于Egele等[15]的研究，他們發(fā)現(xiàn)80%的受調(diào)查者從未或很少收到糾正性反饋。另外，如何提高反饋質(zhì)量仍是亟須解決的方面。（2）考試模塊薄弱：本研究的考核手段仍是人工考核，AI識別系統(tǒng)缺乏考試模塊，有待后期補充。國際研究表明，目前大多AI教學(xué)系統(tǒng)均存在這一缺陷，其中通信安全及作弊問題需要警惕[16-17]；機(jī)器故障或不正確的編碼而導(dǎo)致錯判誤判，可能造成可怕的后果。想辦法做到公正無誤且不出紕漏，才能更好地將AI識別系統(tǒng)運用在實際工作中。

3.5 解決辦法

加速系統(tǒng)的完善，注意隱私保護(hù)，提高反饋質(zhì)量及加強(qiáng)考試系統(tǒng)的研發(fā)。