人工智能在醫學統計及數據挖掘類課程中的應用

中圖分類號：G434 文獻標識碼：A 論文編號：1674—2117（2025）13—0105-04

新醫科教育是近年來醫學教育改革的重要方向之一，這是為了適應新時代醫學發展的需求，培養具有創新能力和跨學科知識的醫學人才。新醫科教育強調醫學與工程、理學、文學等其他學科的交叉融合，推動醫工理文的融通。特別是強調將醫學與人工智能、大數據、機器人等技術結合，發展智能醫學、精準醫學等新領域。[2]

醫學統計與數據挖掘類課程在新醫科教育中具有重要的應用價值，主要體現為通過數據分析發現新的醫學規律，優化治療方案，對疾病進行早期預防與控制，從而推動醫學創新。隨著人工智能（ArtificialIntelligence，AI）技術的快速發展，其在醫學統計及數據挖掘類課程教學中也開始被廣泛應用。3醫學統計及數據挖掘類課程，涉及大量復雜的數據分析和處理，而AI輔助教學可以有效提高教學質量和學生的學習效率。

本文通過對醫學統計及醫學數據挖掘課程的AI輔助教學案例的分析及對學生的調查反饋，探討了AI在醫學數據分析類課程中的應用，及其對提升學生解決實際問題能力的幫助。

AI在醫學統計及數據挖掘類課程中的優勢

醫學統計及數據挖掘類課程對醫學生具有非常重要的意義。通過學習該類課程，醫學生能夠從復雜的生物醫學數據中提取有價值的信息和模式，為醫學研究提供新的思路和方向，從而在臨床實踐、醫學研究和醫療管理等方面做出更科學、合理的決策和創新。這對醫學生的職業發展和醫學事業的進步具有重要意義。

當前，AI在醫學統計及數據挖掘類課程中的優勢主要體現在以下幾個方面：

① 進行個性化學習路徑的設計。借助AI，可以根據學生的學習進度、興趣和能力，提供個性化的學習資源和路徑。4例如，通過分析學生的學習數據，推薦適合其水平的案例分析和數據集，幫助學生逐步掌握數據挖掘技能。

② 分析學生的學習行為和成績。例如，通過分析學生的學習行為和成績，動態調整課程內容和難

用非常廣泛。但是，大多數醫學專業的研究生在本科階段學習的都是采用SPSS軟件進行統計分析，所以很多學生是首次接觸R這種編程語言。因此，能夠讓學生快速入門并迅速掌握R語言編程技巧是這類以軟件應用為主的課程的教學重點。

本課程教學設計是先介紹R語言基礎，讓學生熟悉R語言的數據框架和語句特征。這里以采用R語言繪圖為例，介紹AI輔助編程的使用。

習題等。例如，利用大型語言模型（如ChatGPT，文心一言、Kimi等），根據最新的醫學研究和數據挖掘技術進展，自動生成教學文本和練習題。

AI在醫學

在R語言繪圖中，有base和ggplot2兩套程序編寫模式。課程先是講解base繪圖和ggplot2繪圖的模式，然后讓學生選擇應用AI來進行代碼編寫并繪圖。例如，對于R語言的ggplot2的繪圖，首先對ggplot2進行講解：ggplot2是R語言中一個非常強大的繪圖包，它基于“圖形語法”（GrammarofGraphics）的概念，提供了一種靈活且系統的方式來構建各種統計圖表。ggplot2的核心思想是將繪圖過程分解為多個可組合的組件，如數據結構、幾何對象、統計變換和主題設置等。在講解后借助生成式人工智能大模型Kimi并應用R的ggplot2繪圖模式展示數據分布的小提琴圖（如圖1）。

統計及數據挖掘類課程中輔助教度，確保每個學生都能在適合自己的節奏下學習。

③ 創建虛擬實驗環境。例如，通過創建虛擬的數據挖掘實驗平臺，讓學生在平臺上進行數據的處理、模型訓練和結果分析等。

學案例探討

筆者嘗試在所在學校2024級醫學專業研究生的“醫學實驗數據處理”課程教學中利用AI輔助教學。下面，對其中的兩個教學案例分別進行探討。

案例1：借助AI進行R語言代碼的編寫

④ 自動評估學生作業，提供及時反饋。例如，通過智能評估工具，結合自然語言處理和機器學習技術，對學生作業給出評分和改進建議。

此時，Kimi會提供相應的R代碼，將代碼復制到R或Rstudio軟件中。在這個過程中，給學生講解R代碼，并指導學生理解代碼的意義和嘗試修改代碼，最后看看繪圖效果（如圖2）。如果想改變圖片的背

當前，R和Python是在醫學大數據處理中廣泛應用的兩種編程語言，它們在數據清洗、數據轉換、數據可視化、統計分析與機器學習等方面都具有較大的優勢，因此應

⑤ 快速生成與課程內容相關的教學材料，如講義、案例分析和練景、圖形的顏色、圖的標題和字體的格式等，可以引導學生繼續對Kimi進行提問。在這個過程中，同時講解對可能出現的錯誤代碼進行修正。通過講解和實操的方式，加深了學生對R語言的ggplot2繪圖的理解。

案例2：借助AI進行非線性擬 合初值的求解

本課程在講解口服給藥的藥物動力學模型的非線性擬合時需要求解初值，提供初值后才能進行模型的參數估計。但是，很多醫學生的數學基礎較為薄弱，特別是有很多在職的博士生，數學基礎知識已經所剩無幾，因此學生在求解方程組方面遇到較大的困難。例如，藥代動力學模型如下：

此時，需要根據樣本點求解A、k1和k2的初始值。根據樣本點的數值，獲得如下的方程組：

教師在講解了這個方程組的基本求解思路和求解過程后，上傳方程組的圖片，借助Kimi對方程組進行求解（如圖3）。

然后分別采用手工求解和借助AI求解的初值進行非線性擬合，并將結果進行對比，對比的結果如圖4所示。

結果發現，應用手工求解和AI求解的初始值對口服給藥的藥物動力學模型進行非線性擬合，獲得的參數結果完全相同。

復雜方程組的求解難度很大，特別是非線性方程組的求解。方程組中包括的高次項、三角函數和指數函數等都需要復雜的數值計算方法，如牛頓法或迭代法。此外，在使用數值方法求解方程組時，數值穩定性也是一個重要的考慮因素。一些方程組可能對初始猜測或數值誤差非常敏感，導致求解過程不穩定或結果不準確，同時也需要耗費大量的計算資源。另外，在求解方程組之前，確定解的存在性和唯一性也是重要的。這可能需要使用如線性代數中的行列式或非線性方程組的不動點定理。因此，對于數學基礎薄弱的醫學生來說，難度非常高。而本課程進行非線性擬合的主要自的并不在于求解方程組的初始值，而是借助初始值來進行模型的擬合和預測。此時，借助AI求解復雜方程組獲得初始值則變得非常便捷和有效。

AI輔助教學的學生反饋調查

針對研究生課程“醫學實驗數據處理”，本研究對2023級和2024級的醫學專業的研究生（包括碩士研究生、博士研究生和同等學歷的博士研究生）進行調查，分別對傳統案例教學和AI輔助教學的教學效果進行了評價。

2023級研究生采用的是傳統案例教學模式，2024級研究生采用了AI輔助教學模式。本研究從五個維度進行了調查（如下頁表1）。

例教學 （P=0.048） 。該調查結果說明，在醫學統計及數據分析類課程中借助AI輔助教學，對提高學生軟件操作能力和進行醫學科研工作有較大的幫助。

AI在醫學統計及數據挖掘類課程中面臨的挑戰

當前，AI輔助教學也面臨著很大的挑戰。在醫學統計及數據挖掘類課程中，學生過度依賴AI可能會導致缺乏獨立思考和解決問題的能力，同時，AI的應用也涉及倫理問題，如算法的公平性和透明度。但總體來看，AI輔助教學在醫學統計及數據挖掘課程中具有顯著的應用優勢，可以有效提高教學質量和學生的學習效率。未來，相信隨著AI技術的不斷完善，其在醫學大數據課程中的應用前景將更加廣闊。

調查結果發現，在增加學習數據分析類課程的興趣和提高科研思維水平方面，兩組沒有統計學差異 （P=0.181 和F λ=0.632 ，如表2）。在提高軟件應用能力和為今后科研工作提供較大幫助方面，AI輔助教學組的分數均明顯高于傳統案例教學組 （Plt;0.001 和P -0.003 。在該課程促進了與醫學學科融合方面，AI輔助教學組分數略高于傳統案

參考文獻：

[1郭欣，陳思穎.新醫科教育背景下綜合性大學醫學期刊交叉學科專題建設JI.中國科技期刊研究，2024，35（04）.541-546.

[2]孔曉榮.新醫科視域下大數據技術通識教育實踐探索[J.中國現代醫生，2023，61（30）：92-9+99[3馬欣欣，萬生芳，魏昭暉，等.醫療大數據背景下的人工智能在中醫診斷中的應用研究[J.世界中醫藥，2023，18（11）：1579—1582.

[4]張海燕.數字賦能視閾下Seminar教學的實施路徑研究[J.教育教學論壇，2024（41）：126-130.

[5]李慶玲.智能學習平臺在高中數學教學中的應用研究——以“Ai學”智慧教育平臺為例D].濟南：山東師范大學，2020.[]陳都，徐峰.淺談Python在創傷流行病學數據分析中的應用[J].創傷外科雜志，2022，24（07）：481-485.

作者簡介：華琳（1973—），女，博士，副教授，研究方向為生物統計與生物信息學；通訊

作者簡介：夏（1974—），女，博士，副教授，研究方向為醫學信息學。

基金項目：2024年全國高等院校計算機基礎教育研究會課題（2024-AFCEC-105）。