人工智能對婦產科臨床實踐及醫學教育的促進與展望

【摘要】近年來，人工智能（AI）被廣泛地運用到婦產科的臨床診療當中，在診斷疾病、產前檢查、手術規劃中發揮了巨大作用，為婦產科臨床診療帶來了更高的效率和準確性，為患者的健康提供了更好的保障。同時，醫學教育已經進入了由AI驅動的計算機輔助教學的新領域。AI可通過協助教育工作者制定新戰略來提升教學質量，同時學生也能從智能系統中得到個性化教學及對自己學習結果的詳細分析數據。現對婦產科醫療實踐中的AI、婦產科醫學教育中的AI等方面進行綜述，總結AI在婦產科臨床實踐與教學中的應用效果，為臨床診治提供參考。

【關鍵詞】人工智能；婦產科；醫學教育

【中圖分類號】R246.3 【文獻標識碼】A 【文章編號】2096-2665.2024.16.0119.05

DOI：10.3969/j.issn.2096-2665.2024.16.037

人工智能（AI）是指計算機模擬人類智能的技術，其具有強大的數據處理能力，能快速處理和分析海量的數據，并從中提取有價值的信息，在進行圖像識別、數據分析時能達到很高的準確性[1]。近年來， AI廣泛應用于婦產科臨床實踐及醫學教育中。婦產科的臨床實踐包括以下5點：⑴協助醫生解讀MRI、 CT、超聲等影像結果，提高診斷的準確性。⑵分析孕婦的臨床數據、生理指標等，預測早產的風險，便于提前采取干預措施。⑶基于大數據預測妊娠期并發癥，如妊娠期糖尿病、妊娠期高血壓等，為孕婦提供個性化的預防和監測方案。⑷在婦產科手術中，如剖宮產、子宮肌瘤切除術等，也可利用AI進行術前規劃和模擬[2]。⑸通過可穿戴設備和移動應用，實時收集研究對象的生理數據，實現遠程管理和隨訪。在婦產科醫學教育中， AI可通過創建逼真的虛擬患者和臨床情境，讓學生進行診斷、治療、手術操作的練習，提高實踐技能。根據學生的學習進度、知識掌握情況和學習風格，定制個性化的學習計劃和課程內容，通過分析學生的疑問模式，發現學生的知識薄弱點，針對性地提供輔導[3]。基于此，本研究探討人工智能對婦產科臨床實踐及醫學教育的促進與展望，現作如下綜述。

1 背景介紹

婦產科疾病的復雜性和多樣性，使得對臨床精準診斷和個性化治療的需求增加，為醫療技術的創新提出了更高的要求。近年來，AI算法在處理和分析復雜數據方面的能力大幅提升，可為婦產科臨床提供更準確的診斷、更有效的治療方案及更好的預后預測。同時，大量的婦產科臨床數據，如患者的病歷、影像資料、檢驗結果等，為AI技術的應用提供了豐富的資源，有助于提高AI算法的準確性，能更好地應用于臨床。

在醫學教育領域，AI可提供豐富的真實病例庫，讓學生進行分析和討論，培養臨床思維能力，并根據每個學生的學習進度、知識掌握程度、學習風格，為其量身定制學習計劃和課程內容，提高學習效率[4]。AI能實時回答學生的問題，提供及時的反饋和指導，通過虛擬現實（VR）和增強現實（AR）技術，模擬真實的臨床環境，讓學生進行模擬診斷和治療，增強實踐能力。AI還可對學生的考試、作業、實踐操作等進行自動評分和分析，更全面、客觀地評估學生的臨床思維能力、實踐能力等綜合素質，并通過分析學生的學習數據，讓教師更好地了解學生的學習情況，針對性地進行教學調整，有助于提高教學質量。

2 AI在婦產科醫療實踐中的應用

近年來，隨著計算機技術及大數據的飛速發展，AI在疾病的診斷、治療、健康管理、預后及預防等方面彰顯優勢。AI在婦產科領域應用廣泛，如AI用于子宮內膜異位癥的診斷[5]、AI 在婦科惡性腫瘤中的應用[6]等。同時，AI在生殖內分泌疾病的檢測與治療方面也有重大突破，包括疾病的診斷分析、治療方案的提出及預后的判斷等方面[7-8]。AI利用大數據和機器學習算法，可根據患者的病史、癥狀、體征、實驗室檢查結果等因素，預測妊娠期糖尿病、早產、產后出血等并發癥的發生風險，從而提前采取預防措施[9]。同時，一些智能手術設備能在手術過程中提供實時的輔助和監測，提高手術的安全性和準確性[10]。

2.1 AI在產科檢查中的應用

近年來，隨著AI處理的數據量不斷提高，數據處理效率及傳輸速度逐漸加快，其在醫學圖像識別與處理領域的優勢也不斷顯現[11]。當傳統測量存在機械誤差時，AI基于圖像分析技術，可提供更準確和可重復的測量結果[12]，有助于及早發現胎兒的結構異常、生長發育等問題。

標準的胎兒顱腦評估切面是準確測量胎兒頭部參數與評估顱腦發育的關鍵前提，Yaqub等[13]通過聯合多種深度學習算法逐步實現大腦的準確定位、包含感興趣結構區域的檢測、感興趣區域內標準切面的驗證，并能夠智能識別95%以上的胎兒顱腦評估切面。

研究者通過AI技術中的深度學習（DL）功能，可構建出多種針對胎兒心臟的智能識別模型。二維超聲心動圖中編碼器-解碼器卷積神經網絡架構對胎兒心臟圖像進行自動分割的效果與專家的判斷結果接近，在保證高度準確分割結果的同時還具有很高的魯棒性[14]。

Dong等[15]結合兩個分類網絡和一個檢測網絡開發了一種基于卷積神經網絡的三步深度學習框架，分別用于執行粗略分類、分類細化和解剖檢測的任務，該模型對胎兒超聲心臟四腔心切面中的多個解剖結構具有更強大的實時檢測能力，能準確掌握胎兒心臟發育情況。

2.2 AI在新生兒中的應用

胎兒的生物特征參數（如雙頂徑、頭圍、腹圍、股骨長度等）的精確測量對于預估胎兒體重、胎齡及檢測胎兒生長發育的異常情況極為重要。人工智能技術在智能識別胎兒結構的前提下，通過與智能測量算法相結合，能自動測量胎兒生物特征參數，從而進一步優化產科超聲的工作流程。如Li等[16]通過隨機森林分類器、相位對稱及快速橢圓擬合分別實現胎頭的自動定位、檢測及測量；而Van den Heuvel等[17]聯合兩個卷積神經網絡分別實現連續掃描記錄中胎頭的智能識別及胎頭參數的自動測量。Jang等[18]分別使用卷積神經網絡及霍夫變換，來實現胃泡、羊水、臍靜脈的特征識別及腹圍的自動測算，通過融合多個架構構建的智能模型和提升模型自動測算能力，達到提升運算速度、降低硬件需求等目標。

胎肺發育不良會引發新生兒呼吸窘迫綜合征等呼吸系統方面的疾病，因此，產前評估胎肺成熟度，有助于盡早篩查出胎肺成熟度的異常情況，并實施臨床干預。超聲胎肺成熟度評估具有非侵入性、無輻射等優勢，一般通過比較胎肺與肝臟、腸道、胎盤的超聲回聲進行判斷[19]。紋理特征分析被視作定量分析胎肺成熟度的有效手段，其借助算法來估量胎肺的紋理特征，在確保診斷準確性的同時，還能夠維持較好的重復性。早期基于紋理特征識別軟件分析評估胎肺成熟度的靈敏度、特異度和準確度分別可達95.1%、85.7%、90.3%[20]。Xia等[21]基于深度學習算法建立的正常胎肺、胎齡分級模型可以準確識別不同胎齡、不同母體條件下胎肺的超聲圖像。

2.3 AI在高危妊娠篩查中的應用

產前檢查和孕期保健屬于降低孕產婦死亡率與出生缺陷發生率的關鍵舉措。借助對孕婦及胎兒的孕期監護，可盡早發現并診治妊娠期并發癥及胎兒的異常狀況，同時結合孕婦與胎兒的具體情形，明確分娩方式，確保母嬰安全。已有部分衛生保健機構運用電子臨床決策支持系統展開產前與產時的監測，在一些發展中國家運用電子臨床決策支持系統，發現能切實提升工作效率，可及時察覺胎兒異常，做到早發現、早治療，降低不良妊娠結局的發生概率[22]。Mensah等[23]和Sukums等[24]報道，將孕產婦保健質控（QUALMAT）項目引入一個電子臨床決策支持系統（eCDSS），促進資源有限地區遵守臨床實踐指南。Singh A等[25]報道一項關于孕產婦早期產科預警系統（MEOWS）作為產科發病率預測的前瞻性研究，該系統是基于生理參數異常先于危重疾病的原則，可在早期階段識別產婦的病情，是一種預測產科疾病的床邊篩查工具。

2.4 AI在婦科中的應用

婦科惡性腫瘤是威脅女性健康的重要疾病，流行病學調查顯示2021年全球婦科惡性腫瘤新增病例約139.8萬例，死亡病例約67.2萬例[26]。婦科惡性腫瘤主要包含宮頸癌、子宮內膜癌、卵巢癌、妊娠滋養細胞腫瘤及外陰癌等。經陰道超聲作為識別這些差異的最有效的方式，屬于一線成像技術，但該技術的掌握主要依靠經驗豐富的超聲醫生，診斷結果主要取決于臨床超聲醫生的主觀判斷。

目前，AI輔助診斷系統的運用可提升宮頸癌相關疾病診斷的精準度，可降低主觀因素的干擾，減少陽性病例的漏診情況，有助于提高宮頸癌早期診斷的準確率。另外，有研究選取19 435 例患者的陰道鏡圖像，開發了陰道鏡人工智能輔助診斷系統，該系統是DL陰道鏡診斷和活檢指導系統，其輔助的活檢分析結果準確率（82.2%）高于婦產科醫生單獨獲得結果的準確率（65.9%）[27]。Kudva等[28]開發了一種稱為混合轉移學習的新方法，并通過DL系統將陰道鏡圖像診斷的準確率提高到91%。Hu等[29]開發了一種宮頸造影方法，該方法的攝像機聚焦于宮頸病變，并使用DL來分析圖像，結果顯示準確率為91%。

卵巢癌是婦科惡性腫瘤中死亡率最高的一類，其發病率在女性生殖系統腫瘤中位于第三位，其病死率在女性生殖系統惡性腫瘤當中位居榜首，是嚴重危害女性健康的惡性腫瘤[30]。MRI是術前診斷卵巢良惡性腫瘤的重要影像學方法。Wang等[31]采用DL評估451例卵巢腫瘤患者的545個病變（包括379個良性病變和166個惡性病變）的MRI圖像，開發了一種可診斷良惡性腫瘤的算法，并將算法結果與放射科醫生的診斷結果進行比較，結果顯示該算法具有更高的準確度（87%）、特異度（92%）、敏感度（75%）。超聲檢查是鑒別卵巢良惡性腫瘤的另一個有效手段。Martinez-Más等[32]使用多種ML方法分析了數據庫中348個卵巢腫瘤的超聲圖像，以創建區分卵巢良惡性腫瘤的預測模型，結果顯示：K近鄰模型的診斷正確率低至60%，而線性判別、支持向量機和極限學習機算法的正確率均在85%以上。

2.5 AI在生殖領域的應用

選擇優質胚胎是輔助生殖領域的主要挑戰，精液質量、子宮內膜厚度、輸卵管通暢度、胚胎的選擇及移植、宮腔微環境等多個因素均會影響輔助生殖技術[33]。 AI可通過處理圖像、數據分析、預測模型、胚胎分級、機器人手術等多種新興技術診治生殖疾病，從而實現精確的診斷及個性化的治療。此外，因AI驅動的策略具有快速、客觀和有效性，可在評估卵巢儲備、內分泌狀況等方面提高生殖系統疾病的治療和診斷的效果。

在卵子和精子質量評估方面，AI可通過分析圖像和數據，準確地評估卵子和精子的形態、活力等指標，例如利用計算機視覺技術對精子的運動軌跡進行分析，篩選出活力更強的精子用于受精[34]。同時，AI還能對胚胎的發育過程進行實時監測和分析，綜合考慮胚胎的形態、分裂速度等多個因素，為醫生提供更科學的胚胎選擇建議，提高胚胎著床率和妊娠成功率[35]。AI還可整合患者的年齡、身體狀況、生殖激素水平等大量數據，通過分析以往的治療案例和數據，為患者提供最適合的促排卵方案、胚胎移植時機等，減少不必要的治療步驟和藥物使用[36]。

3 婦產科醫學教育中的AI系統

在婦產科醫學教育中，傳統的教學方法主要依賴于書本知識、課堂講授及有限的臨床實踐機會，但隨著醫療技術的發展和醫療需求的增長，傳統教學模式有一定局限性，例如真實病例的數量和多樣性無法滿足學生的學習需求、模擬環境的逼真度有限、學生的問題不能及時得到解答。近年來，AI技術逐漸應用到婦產科醫學教育當中。AI 技術能處理和分析海量的醫療數據，并通過機器學習和DL算法，挖掘出隱藏在數據中的模式和規律，為教學提供豐富的素材和案例[37]。

3.1 人機對話系統

人機對話系統是經過編程的AI系統，其能從互聯網數據庫中檢索信息，并使用其高級自然語言處理（NLP）模型生成人類語言，來理解、處理、響應特定輸入數據的查詢[38]。而聊天機器人具有生成人類語言文本與用戶互動對話的能力，在婦產科教學中，其主要作為虛擬教學助理，回答學生的疑問并推薦資源材料。這些機器人可以作為臨床前的互動導師和病房助理，幫助學生理解復雜的臨床場景，協助增強學生的決策能力。

3.2 智能輔導系統

基于AI的智能輔導系統（ITS）是一種自適應教學系統，可模擬人類一對一輔導的過程。ITS通過分析學生過去的表現、偏好和學習風格等大量數據，識別學習差距，根據學生的需求和進度，創造個性化的學習方案[39]。ITS通過解釋學生的答案，在自適應學習路徑中對學生做出適當回應，達到模擬人類導師的作用。在婦產科教學中，ITS可傳授婦科、產科、生殖醫學等亞專業科課程內容，提供自動反饋，還可根據學生需求策劃學習材料，促進學生之間的協作，提升臨床技能和決策能力。

3.3 虛擬患者系統

虛擬患者系統是用于衛生專業培訓和教育的交互式AI系統，意在重現現實中的臨床場景。學生扮演醫療保健提供者的角色，通過獲取信息、鑒別診斷、醫療管理、隨訪患者來完成任務[40]。VR通過頭戴式顯示器或眼鏡生成逼真的三維模擬環境，使學生感到身臨其境；AR則通過智能手機或其他設備將虛擬組件疊加在現實世界的視圖上。結合這些技術，可創造一個模擬現實世界的沉浸式互動虛擬環境，學生能參與到復雜的臨床場景，通過鍛煉學生與患者溝通的能力和臨床推理技能，有助于提升其專業技能和應變能力。

3.4 自適應學習系統

學習管理系統（LMS）通過AI算法評估學生的知識水平，提供個性化的教學內容，并指導學生掌握課程內容[41]。這種個性化、適應性教學方式，可有效提高學生學習的效率和效果。當學生在某些知識點的理解和掌握上存在困難時，自適應學習系統會敏銳地捕捉到這一情況，并針對性地提供更多相關的解釋、示例以及練習材料。然而，如果學生對某些內容掌握得較好，系統則會適當加快進度，推送更具深度和拓展性的知識，避免學生在已熟悉的內容上浪費過多時間。通過這種動態調整的方式，自適應學習系統使得學習過程更加貼合每個學生的需求，極大地提高了學習的效率。學生可按照自身的實際情況獲取最適合的學習資源，從而實現更高效、更有質量的學習效果。

3.5 模擬評估系統

AI評估手段通過創建游戲化的評估測驗，通過跟蹤個人表現，評估學生的學習進度及學習效果。測驗、謎題、匹配游戲、繪畫等游戲化工具，適用于促進自我評估和階段性學習后的評估實踐；某些婦產科臨床操作技能可以使用AR/VR進行評估，如在婦科手術教學中，將手術操作步驟進行分解，配合實體或虛擬手術器械，讓學生進行操作，然后進行自動評估，并及時提供反饋。

3.6 遠程醫療教育系統

婦產科遠程醫療教育是一種利用信息技術和遠程通訊手段來進行醫學教育和臨床指導的方法，其包括遠程機器人手術、遠程醫療查房、遠程指導手術等多個方面。遠程機器人手術是在手術過程中使用機器人系統，由遠程的外科醫生進行操作，通過高分辨率的攝像頭和精密的機械手臂，術者能在千里之外操控手術工具，進行復雜的手術操作[42]。遠程醫療查房和遠程指導手術，是利用視頻會議系統、遠程監控設備及VR設備，由遠程醫務人員對病房中的患者進行檢查和評估。通過遠程指導，經驗豐富的醫生可以向年輕醫生傳授手術技巧，進而提高整體醫療團隊的技能水平，有助于推動技術交流。

3.7 醫學教育管理系統

在醫學教育管理中，AI通過基于規則、機器學習、神經網絡、DL這4個方面進行輔助工作。

基于規則的方法是通過預先設定的明確規則和條件來進行決策和處理。在醫院教育管理系統中，基于規則的方法可用于制訂課程安排的基本框架，規定實習輪轉順序、必修課程的設置，并設定學生成績的評定標準。機器學習則是讓系統從大量的數據中自動學習模式和規律，從而作出預測和決策。在醫院教育管理系統中，機器學習通過分析學生的歷史學習數據，包括過往課程成績、學習時間、42b18ff9b9e7d47ec286d5daa4097a90參與討論的活躍度等，預測學生在未來課程中的表現，以便更換教學方案，幫助學生更好地學習。

神經網絡是一種模仿生物大腦神經細胞之間的連接方式的計算模型，能夠處理復雜的數據和識別任務。DL則是基于神經網絡，通過構建多層的神經網絡結構，能自動從大量數據中學習到深層次的特征和規律。在醫院教育管理系統中，神經網絡和DL可通過對學生的學習數據進行分析，預測學生的學習趨勢和潛在問題，為學生進行個性化的教育輔導提供依據。DL還可用于課程內容推薦，根據學生的專業方向、學習進度和興趣偏好，為其推薦適合的課程、學習資料和培訓項目，通過個性化的學習內容與教學策略，有助于提高學生學習效率。

4 結語

未來，AI在婦產科領域的臨床實踐及醫學教育中具有廣闊的研究前景和眾多潛在的研究方向。在臨床實踐方面，AI有望在疾病的早期診斷和預測方面取得更深入的突破：⑴對大規模的婦產科疾病數據進行深度學習，建立更精準的模型，為早期干預和治療提供依據。⑵利用AI技術對女性生殖系統腫瘤的影像數據進行更細致的分析，提高腫瘤的早期檢測率。⑶利用AI綜合患者的多維度數據，為每位婦產科患者制訂個性化的治療方案，以提高治療效果。⑷AI輔助的手術機器人有望通過更智能的感知和操作能力，提高手術的精度和安全性。

在醫學教育中：⑴AI可創建更逼真的虛擬臨床環境，讓學生在模擬真實病例的情境中進行實踐和決策訓練。

⑵結合AR和VR技術，使學生更直觀地感受婦產科的臨床場景，提高他們的臨床技能和應變能力。⑶通過AI驅動的智能輔導系統，實時評估學生的學習表現，提供個性化的反饋和建議，幫助學生發現自己的知識漏洞和不熟練的技能，有針對性地進行改進。

參考文獻

陳孝平，曹豐，王慶，等.中國醫學區塊鏈場景構建及應用指南（2024版）[J].中華老年多器官疾病雜志， 2024， 23（7）： 481-490.

馬周，易躍雄，陳雨柔，等.基于深度學習YOLOv5網絡的機器人輔助單孔腹腔鏡子宮切除術實時解剖標志指示系統[J].武漢大學學報（醫學版）， 2024， 45（2）： 152-158.

謝秀英，薛堯，張欣，等.智能模塊化教學與宮腔鏡專科醫師培訓學習曲線的相關性分析[J].醫學教育研究與實踐， 2022， 30（6）： 783-785.

劉暉，任曼，寇麗圓，等. ChatGPT對醫學臨床實踐教學的影響與思考[J].中國醫學教育技術， 2024， 38（4）： 389-393， 400.

鄢海藍，史精華，冷金花.人工智能在子宮內膜異位癥診斷中的研究進展[J].中華婦產科雜志， 2023， 58（6）： 469-473.

陳敏欣，郜意，康玉，等.人工智能在婦科惡性腫瘤領域應用的研究進展[J].中華婦產科雜志， 2022， 57（1）： 72-78.

TIWARI S， KANE L， KOUNDAL D， et al.SPOSDS：A smart polycystic ovary syndrome diagnostic system using machine learning[J]. Expert Syst Appl， 2022， 203： 117592.

裴友娟，阮祥燕，鞠蕊，等.人工智能在生殖內分泌領域中的應用[J].首都醫科大學學報， 2024， 45（4）： 566-572.

葉慧，謝曉玲.超聲檢測宮頸異質性指數及宮頸內口前、后唇彈性值在妊娠中期孕婦自發性早產風險預測中的應用[J].江西醫藥， 2024， 59（3）： 307-310.

黨建紅，孫昊，隋曉馨，等.人工智能輔助懸吊式無氣腹單孔腹腔鏡在婦科手術中的應用價值[J].機器人外科學雜志（中英文）， 2024， 5（3）： 312-318.

KOMATSU M， SAKAI A， DOZEN A， et al. Towards clinical application of artificial intelligence in ultrasound imaging[J]. Biomedicines， 202l， 9（7）： 720．

譚瑩，文華軒，彭桂艷，等.產科超聲圖像智能質量控制系統的效能[J].中國醫學影像技術， 2022， 38（9）： 1361-1366.

YAQUB M， KEUY B， PAPAGEORGHIOU A T， et al. A deep learning solution for automatic fetal neurosonographic diagnostic plane verification using clinical standard constraints[J].Ultrasound Med Biol， 2017， 43（12）： 2925-2933．

LECLERC S， SMISTAD E， PEDROSA J， et al. Deep learning for segmentation using an open large-scale dataset in 2 d echo-cardiography[J]. IEEE Trans Med ITXqZagotL7JTAsupAl3hHNfw0sktFj3BnZR/tcbhbDc=maging， 2019， 38（9）： 2198-2210.

DONG J， LIU S， LIAO Y， et al. A generic quality control framework for fetal ultrasound cardiac four-chamber planes[J]. IEEE J Biomed Health Inform， 2020， 24（4）： 931-942.

LI J， WANG Y， LEI B， et al.Automatic fetal head circumference measurement in ultrasound using random forest and fast ellipse fitting[J]. IEEE J Biomed Health Inform， 2018， 22（1）： 215-223.

VAN DEN HEUVEL T L A， PETROS H， SANTINI S， et al. Automated fetal head detection and circumference estimation from free-hand ultrasound sweeps using deep learning in resource-limited countries[J]. Ultrasound Med Biol， 2019， 45（3）： 773-785.

JANG J， PARK Y， KIM B， et al. Automatic estimation of fetal abdominal circumference from ultrasound images [J]. IEEE J Biomed Health Inform， 2018， 22（5）： 1512-1520.

董亞青，高志敏，徐然，等.全自動胎兒肺部超聲分析預測妊娠晚期胎兒肺成熟度的研究[J].河北醫科大學學報， 2022， 43（10）： 1192-1196.

COBO T， BONET-CARNE E， MARTíNEZ-TERRóN M， et al. Feasibility and reproducibility of fetal lung texture analysis by automatic quantitative ultrasound analysis and correlation with gestational age[J]. Fetal Diagn Ther， 2012， 31（4）： 230-236.

XIA T H， TAN M， LI J H， et al. Establish a normal fetal lung gestational age grading model and explore the potential value of deep learning algorithms in fetal lung maturity evaluation[J]. Chin Med J（Engl）， 2021， 134（15）： 1828-1837.

洪凡，王曉怡，譚琳.人工智能應用于產科的新進展[J/CD].中華產科急救電子雜志， 2020， 9（2）： 126-128.

MENSAH N， SUKUMS F， AWINE T， et al. Impact of an electronic clinical decision support system on workflow in antenatal care：The OUALMAT eCDSS in rural health care facilities in Ghana and Tanzania[J]. Glob Health Action， 2015， 8： 25756.

SUKUMS F， MENSAH N， MPEMBENI R， et al. Promising adoption of an electronic clinical decision support system for antenatal and intrapartum care in rural primary healthcare facilities in sub Saharan Afica： The QUALMAT experience[J]. Int J Med Inform， 2015， 84（9）： 647-657.

SINGH A， GULERIA K， VAID N B， et al. Evaluation of maternal early obstetric warning system（MEOWS chart）as a predictor of obstetric morbidity：a prospective observational study[J]. Eur J Obstet Gynecol Reprod Biol， 2016， 207： 11-17.

SUNG H， FERLAY J， SIEGEL R L， et al. Global cancer statistics 2020： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin， 2021， 71（3）： 209-249.

XUE P， TANG C， LI O， et al. Development and validation of an artificial intelligence system for grading colposcopy impressions and guiding biopsies[J]. BMC Med， 2020， 18（1）： 406.

KUDVA V， PRASAD K， GURUVARE S. Hybrid transfer learning for classification of uterine cervix images for cervical cancer screening[I].J Digit Imaging， 2020， 33（3）： 619-631.

HU L， BELL D， ANTANI S， et al.An observational study of deep learning and automated evaluation of cervical images for cancer screening[J]. J Natl Cancer Inst， 2019， 111（9）： 923-932.

李寧，吳令英.中國臨床腫瘤學會《卵巢癌診療指南（2021年版）》更新要點[J].中國實用婦科與產科雜志， 2021， 37（7）： 720-723.

WANG R， CAI Y， LEE I K， et al. Evaluation of a convolutional neural network for ovarian tumor differentiation based on magnetic resonance imaging[J]. Eur Radiol， 2021， 31（7）： 4960-4971.

MARTINEZ-MáS J， BUENO-CRESPO A， KHAZENDAR S， et al. Evaluation of machine learning methods with Fourier transform features for classifying ovarian tumors based on ultrasound images[J]. PLoS One， 2019， 14（7）： e0219388.

何佳，孫虹.輔助生殖技術與子代認知發育[J].中國計劃生育和婦產科， 2024， 16（7）： 10-13.

陳亦聰，龔亞東.人工智能在男性輔助生殖中的應用進展[J].中國男科學雜志，2023，37（4）：108-110.

周德富，鄒廉，陳瑛.人工神經網絡在體外受精胚胎評估中的應用[J].中華檢驗醫學雜志，2022，45（3）：310-314.

郎鵬，時曉丹，張軍強.輔助生殖領域中的精準醫學[J].國際生殖健康/計劃生育雜志，2021，40（2）：121-125，146.

隋佳宇，劉爽，劉海霞，等.ChatGPT在臨床醫學教育中的應用與挑戰[J].醫學教育研究與實踐，2024，32（2）：141-145，157.

潘柔百，陶蓉. 淺談基于大型語言模型的聊天機器人對醫學教育的影響[J]. 內科理論與實踐，2023，18（6）：439-446.

封純，呂萍萍，金敏.基于文獻計量學的虛擬現實和人工智能在醫學教育中的應用[J].醫學教育研究與實踐，2023，31（3）：278-287.

劉大路，李靜.培養醫學生機器學習的實踐素養[J].基礎醫學與臨床，2021，41（7）：1071-1075.

張艷麗，王志剛，史涪仁，等.基于Moodle的混合式教學在醫學教育中的應用[J].基礎醫學與臨床，2021，41（11）：1701-1706.

顧圓圓，周冠楠，丁景新，等.機器人單孔腹腔鏡在婦科手術中應用進展[J].中國臨床醫學， 2020， 27（1）： 136-139.