人工智能生成内容在医学教育中的应用、挑战与展望

　　摘　要：随着以ChatGPT为代表的生成式人工智能技术的兴起，人工智能生成内容(AIGC)对医学教育的理论教学、实践教学、测量评估等方面均产生了推动作用。作为医学教育创新发展中的重要一环，AIGC的应用、挑战与未来发展值得关注。为推进新医科建设，更好地将AIGC融入我国医学教育，汇总AIGC在国内外医学教育中的创新应用，为我国医学教育提供借鉴，并进一步探讨AIGC的应用风险与伦理挑战，提出AIGC在医学教育中的三个先进案例，探讨AIGC相关技术如何运用于不同阶段的医学教育，进而促进AIGC技术对我国医学教育的赋能作用。最后，展望检索增强生成、多智能体、Sora等AIGC相关技术在未来医学教育中的运用可能，基于此提出以下启示：AIGC作为新质生产力的代表，在医学教育中的应用前景广阔，但其发展和应用需要综合考虑技术可行性、伦理标准、社会接受度、法律法规、教育效果等多维度的因素。医学教育界既应积极把握AIGC技术所带来的机遇，也要做好准备以充分应对其挑战，以此来最大化AIGC对医学教育的价值和效果。

　　关键词：AIGC；医学教育；GPT；大语言模型；数字化；卫生健康事业

　　中图分类号：R-4;G434

　　文献标志码：A

　　文章编号：1673-8454(2024)08-0029-12

　　作者简介：江哲涵，北京大学医学教育研究所副研究员、国家中医药管理局中医师资格认证中心研究处副处长、博士生导师，博士(北京 100191);奉世聪，北京大学教育学院2023级硕士研究生(北京 100871);王维民，通讯作者，北京大学医学教育研究所所长、教授、主任医师、博士生导师，博士(北京 100191)

　　基金项目：2022年国家卫生健康委员会—国家医学考试中心“十四五”改革重点项目“临床执业医师资格考试准入标准与内容设计”(编号：NMEC2022001);2022年国家自然科学基金青年项目“基于贝叶斯法的国家级考试成本—效果分析及优化：以执业医师资格考试的改革为例”(编号：72104006)

　　一、引言

　　随着人工智能生成内容(Artificial Intelligence Generated Content, AIGC)相关技术在全球医学教育领域的迅速崛起与广泛应用，其在提升教育质量、效率与个性化学习方面的潜力日益凸显。^[1][2]作为一种革新性的教育工具，AIGC技术不仅能够通过诸如虚拟病人交互、自动化题库生成、3D解剖学模拟等方式重塑教学实践，而且其在解决医学教育中长期存在的问题，如资源分配不均、知识更新滞后、学习体验单一等方面展现出巨大潜力。^[3-5]因此，深入探索AIGC在医学教育中的应用不仅是对现有教学模式的革新与拓展，更是对未来医学人才的培养模式开展具有前瞻性意义的探索。^[4]

　　本研究旨在系统梳理AIGC技术在医学教育中的应用现状，揭示其对学习成效的积极影响，深入探讨其所面临的挑战与伦理考量，通过分析国内外先进应用案例来揭示其解决实际问题的能力，并展望AIGC在医学教育中的未来发展，以及提出提高其在医学教育中应用质量的策略。最后，强调继续研究和深入探索AIGC在医学教育领域应用的重要性，呼吁全球教育者、技术开发者和政策制定者共同推动医学教育的创新与进步。

　　二、AIGC技术在医学教育中的应用现状

　　AIGC技术在医学教育领域的应用日益广泛，其在教学资源生成、教学过程优化、学习支持与评价等方面均展现出显著优势。^[6]

　　首先，AIGC技术凭借其强大的自动生成能力，可根据医学课程需求，迅速生成教材、讲义、案例分析等教学材料，极大丰富了教学资源库。^[4][7-10]以大型语言模型如聊天生成预训练转换器(Chat Generative Pre-trained Transformer, ChatGPT)为例，教师可快速生成与最新医学进展相匹配的文本内容，确保教学资料的时效性和准确性。^[11]此外，AIGC在评估材料生成上同样具有关键作用，如自动生成多选题、案例分析题等，节省教师时间与精力，^[5][11-15]满足医学教育中频繁、大规模评估需求。^[4][16]

　　其次，AIGC技术的智能辅助功能显著提升教学效率，通过提供智能答疑、个性化学习推荐等服务，减轻教师工作负担，加速教学进程。^[5][17-19]借助AIGC技术自动评估学生作业，教师可即时反馈给学生，同时减少人工批改时间。^[11][20-22]AIGC通过分析学生学习数据，推荐适应个体差异的学习资源和路径，可以实现个性化教学。^[11][23][24]另外，AIGC技术还可模拟复杂临床场景，为学生提供沉浸式、交互式学习环境。^[25-27]学生可通过与AIGC驱动的虚拟患者互动，安全无风险地演练临床推理、诊断和治疗技能，提升临床决策能力。^[18][27][28]这种贴近实际的实践机会对增强医学生临床实践能力和自信心具有重要意义。^[18][29][30]AIGC技术在学习支持方面也可以提供实时学习反馈、个性化学习路径规划、智能测评等服务，增强学生学习体验与效果。^[18][31][32]

　　最后，在评价方面，AIGC不仅能自动生成评估题目，还能辅助教师进行学生作业的自动评分和反馈，为学生提供客观、全面的评价结果及改进建议。^[5][33][34]作为学习社区密集型的学科，即医学知识的传播、汲取高发于同伴之间与工作环境之中，AIGC技术降低了医学知识创作的技术门槛，鼓励医学生、教师及行业专家积极参与内容共创，形成活跃的医学学习社区。在这样的平台上，用户可以利用人工智能(Artificial Intelligence, AI)作为创意助手，共同设计医学插画、科普漫画、教学短视频等，既丰富了医学教育资源，又促进了知识的传播与交流。医学生还可以通过与AI合作，创作个性化的学习笔记、病例分析报告，甚至参与国际医学竞赛、科研项目，提升自身的创新思维与实践能力。

　　上述应用现状在宏观影响上不仅体现了生产力革新，也体现了人力资源变革。前者表现在，AIGC技术的引入极大地提升了医学教育的知识生产与传播效率，打破了传统医学教育中知识更新的瓶颈，^[4][11][35]实现了知识的即时、精准传递，推动医学教育生产力的革新。后者则是AIGC技术替代了部分重复性、低技能的教学任务，使教师能够将更多精力投入到教学设计、创新研究、个性化指导等高价值工作中，^[4][5][36]同时对医学教育人才的知识结构和技能要求提出新的挑战，要求教师具备更高的信息技术素养、数据分析能力和创新能力。

　　中观影响集成了教学模式创新与教育公平推动。模式上，AIGC技术推动医学教育从以教师为中心的传统模式转向以学生为中心的个性化、自主学习模式，^[18][37-39]实现了教学内容、形式和方法的变革。公平性上，AIGC技术有助于缓解医学教育资源的地域、城乡、学校间的不均衡问题。通过网络化、数字化的方式，AIGC能够将优质医学教育资源辐射到边远地区、基层医疗机构，提升医学教育的普惠性和公平性。^{[4][18][40][41]}

　　最后，微观影响既反馈在学生学习行为上，也反映在师生关系更迭上。AIGC改变了学生的学习方式与学习习惯，促进了深度学习、主动学习、合作学习等新型学习方式的普及，激发学习兴趣与动力，提高学习效果。^[4][18]而重构了师生关系体现在，教师的角色由知识的传授者转变为学习的引导者、教练员，学生则由被动接受者转变为主动探索者、合作者，师生间的交流互动更加频繁、深入，形成新型的师生合作关系。^[4][18][42]

　　三、面临的挑战与伦理考验

　　尽管AIGC技术在医学教育中展现出诸多潜力和优势，其应用过程中也面临一系列挑战与伦理考验。

　　第一是数据隐私与信息安全。AIGC技术在生成教学资源、优化教学过程及提供学习支持时，可能涉及大量敏感的医学数据和个人信息。^{[5][18][43-45]}确保这些数据的安全存储、传输和使用，防止未经授权的访问、泄露或滥用，是医学教育应用AIGC时首要考虑的问题。遵守严格的医疗数据保护法规，如《健康保险流通与责任法案》(Health Insurance Portability and Accountability Act, HIPAA)，以及实施有效的数据加密、访问控制和审计机制至关重要。^[4][46]

　　第二是过度依赖AIGC技术可能导致教师教学能力退化、学生自主学习能力减弱。^{[4][5][47][48]}教师应合理规划AIGC技术的应用范围与深度，避免完全取代传统教学方法。同时，加强对教师的信息技术素养与创新能力的培养，鼓励学生自主学习与探究性学习。^{[4][5][18][49]}针对学生在考试中以AIGC作弊乱象，不仅需从学生的规范使用、引导善用入手，更需从提升教师教学评价逻辑与方式切入，而非一味地封杀学生AIGC使用行为。

　　第三是AIGC的透明度弱、可解释性差，以及误报和偏见，可能导致学生和教师对其提供的信息、建议缺乏理解和信任。^{[5][18][50-52]}为了保证教育质量和伦理合规，医学教育应利用AIGC技术提供清晰的决策解释，确保使用者了解其工作原理、数据来源及推荐依据。^[4][5][53]如若不然，AIGC技术可能会因训练数据偏差、算法缺陷等原因产生错误信息或强化社会偏见。^{[4][18][54-56]}教育机构需建立有效的审查机制，定期评估AIGC生成内容的准确性和公正性，及时纠正错误，并通过多样化的数据源和算法优化减少潜在偏见。^{[5][18][57][58]}

　　此外，法规遵从与责任归属、终身学习与职业发展间紧密相连，亟待强化。AI相关法律法规的遵从性问题日益凸显，如欧盟的《通用数据保护法案》(General Data Protection Regulation，GDPR)和美国加利福尼亚州的《加州消费者隐私法案》(California Consumer Privacy Act，CCPA)等。明确责任主体、制定应对潜在法律纠纷的预案，以及强化对AI伦理规范的认识与遵守，是保障医学教育合法、有序发展的必要条件。^{[4][5][50][59][60]}再者，医学教育需要不断适应科技进步，教师和学生需具备持续学习与适应新技术的能力。AIGC技术的快速发展要求教育机构提供相应的培训和支持，帮助教师提升AI素养，引导学生适应AI辅助学习环境，确保他们在职业生涯中能够有效利用和批判性思考AI生成的内容。^{[4][5][61-63]}

　　四、先进案例与实证研究

　　国内典型案例为全国医学教育发展中心的“医学教育小百科”——医学教育垂直领域的大语言模型应用，体现了当前主流AIGC应用的全栈式构建。其语库资料涵盖医学教育经典教科书、期刊文献、国内外相关政策文件，共计2000多份且保持阶段性更新，确保了知识来源的权威性与广泛性，为“医学教育小百科”提供坚实的知识基础，使其能够准确、全面地解答用户在医学教育领域的多类问题。技术环节上，“医学教育小百科”利用的FastGPT平台可灵活调用不同模型(如“文心一言”和“通义千问”)作为问答基座，并将信息处理、知识调用、汇总输出等步骤串联起来，以应对多轮推理、跨学科知识融合或特定场景模拟等高级需求。在数据存储与检索方面，系统依然采用高性能的MongoDB数据库，以应对医学教育领域海量数据的存储与高效查询需求。MongoDB的灵活文档模型与强大的索引功能，能够轻松管理复杂多样的教育资源，如课程大纲、教学案例、教师简介等，并能迅速响应用户对特定知识点、教学资源或政策信息的检索请求，提供相应查询结果。在用户交互与访问方面，“医学教育小百科”依然通过功能完善的微信作为前端界面，提供便捷的移动访问体验，其社交属性也促进了医学教育知识的分享与传播，进一步提升了“医学教育小百科”的影响力和实用性。

　　在院校医学教育阶段，文本驱动的图像生成技术为AIGC在医学教育中的应用提供了新的可能性。MedSyn模型^[64]能够实现基于文本信息的高质量肺部CT图像生成。研究中训练了一个针对医学文本优化的BERT模型，以提取用户输入的文本标记特征。通过使用低分辨率的3D扩散模型，生成融合文本信息的64×64×64低分辨率CT图像;再运用超分辨率3D扩散模型，通过轻量级UNet将图像采样至256×256×256的高分辨率，同时补充缺失的解剖细节。经过大规模3D数据集的验证，MedSyn在解剖学合理性方面相较于现有的生成对抗网络(Generative Adversarial Network，GAN)和扩散模型更具优势。在医学教育实践中，MedSyn模型能够根据使用者输入的文本提示来生成具有精细解剖特征的CT图像，帮助学生更深入地理解肺部解剖结构及其病理表现。利用文本驱动的图像生成技术，使学生即使在未接触真实患者的情况下，也能利用高度仿真的医学影像来进行学习。这不仅丰富了学生的学习体验，保护患者的个人隐私;而且在一定程度上，缓解了医学教学资源、多媒体资源的不足和不均等问题。而对于医学教师而言，这些技术还可以帮助编写个性化的教学材料，满足多样化的教学需求和适应不同学生的学习进度。相信随着技术的不断进步和模型的优化迭代，AIGC在医学教育中的应用前景十分广阔，有望促进医学模拟教育和个性化学习的发展。

　　在毕业后的医学教育阶段，AIGC也逐渐成为提升医学教学质量和个性化学习体验的重要方式。纽约大学格罗斯曼医学院(NYU Grossman School of Medicine)开发的DX Mentor项目^[65][66]便是一个典型案例，利用AIGC技术实现了医学生学习资源的个性化定制和实时更新。DX Mentor项目的核心在于其能够根据学生所负责患者的信息，从最新的医学文献中自动提取和定制学习资源。DX Mentor项目精确匹配电子病历系统中的数据与医学教育资源，每日早晨8:30向医学生发送个性化电子邮件，提供由AI生成的练习题，来自Amboss、Osmosis、UpToDate，以及PubMed的文本、图表、视频、相关综述、指南文献等一系列学习材料，而这些内容均基于学生最近接诊的病例。个性化学习方案不仅提高了学习效率，而且促进了学生对医学知识的深入理解和应用。ChatGPT聊天机器人在DX Mentor项目中的整合进一步增强了学习的便利性和效率，医学生一键即可获取所有推荐文章摘要的总结，从而快速掌握关键信息。AIGC在医学生辅导和目标设定方面也表现出巨大潜力。设定特定学习目标的医学生可以接收ChatGPT提供的针对性建议和计划，甚至包括推荐其在纽约大学医院系统中特定诊所进行学习的详细建议。DX Mentor项目通过智能化的辅导和目标设定，极大地提升了医学生的学习效率和教育质量。

　　五、提高AIGC在医学教育中应用质量的策略

　　AIGC技术为医学教育提供了令人兴奋的新可能性。然而，为充分发挥其潜力，使用者必须采取措施来提高应用质量，包括建立评估框架、提供适当的教程和最佳实践指南、改进错误识别和纠正机制。通过这些举措，医学教育工作者能更有效、更负责任地使用AIGC，为学生提供高质量的教育体验。

　　为了有效地将AIGC整合到医学教育中，使用者须建立严格的质量评估框架。这包括评估生成内容的准确性、相关性、连贯性和教学效果。^[25]一种方法是使用人工评估，其中医学专家审查AIGC生成的内容并提供反馈。另一种方法是开发自动化的评估指标，如BLEU(Bilingual Evaluation Understudy)和ROUGE(Recall-Oriented Understudy for Gisting Evaluation)，用于测量生成文本与参考答案之间的相似性。^[67]此外，我们可以进行用户研究，收集学生和教师对AIGC生成的教学材料、模拟的反馈。通过结合人工和自动评估方法，使用者可全面评估AIGC在医学教育中的应用质量。

　　此外，为教育工作者使用AIGC提供适当的指导和培训已成为当务之急。开发教程和最佳实践指南，说明如何有效地使用大语言模型来创建高质量的教学内容和评估问题。^[25]关键是提供清晰、具体的提示，引导AIGC生成准确、相关和有教育意义的响应。例如，提示应包括所需内容的详细说明、目标受众、所需格式和任何特定的医学术语或概念。通过遵循最佳实践并提供精心设计的提示，教育工作者可以显著提高AIGC生成的内容质量，从而增强学生的学习体验。

　　着眼于完善AIGC在医学内容中错误识别和纠正机制的方法，也是策略当中的重要一环。尽管AIGC在生成高质量医学内容方面显示出巨大的潜力，但确保其输出的准确性和可靠性仍然是一个关键挑战。为了解决这个问题，使用者必须开发先进的错误识别和纠正机制。一种方法是利用医学知识图谱和本体来验证AIGC生成内容的事实准确性。^[5]通过将生成的信息与结构化的医学知识库进行比较，可以识别和纠正任何事实错误或不一致之处。另一种方法是采用基于众包的方法，利用医学专家社区的集体智慧来审查和编辑AIGC生成的内容。研究表明，通过结合自动化和人工错误纠正技术显著能提高AIGC在医学教育中应用的准确性和可靠性。^[25]

　　六、AIGC前沿生态与落地场景

　　AIGC百花齐放，正逐步形成充满活力的生态圈，各种前沿技术层出不穷，其中，以检索增强生成(Retrieval Augmented Generation，RAG)、多智能体(Multi-Agent)、Sora为代表的视频生成，以及AI驱动的数字人等新兴科技，正成为引领AIGC发展方向的重要力量。这些技术不仅在娱乐、游戏、广告等领域大放异彩，还在推动整个医学教育的数字化转型中扮演关键角色。同时，我国医学教育中无法回避的“中医”，也必然为AIGC的生态延伸与场景拓宽提供独特的中国视角。

　　RAG技术，即检索与生成相结合的技术，通过引入外部知识库，显著提升文本生成的质量和准确性，这一特性使其在医学教育中具有显著的应用价值。在医学教育环境中，RAG技术能够协助学生深入探索和理解复杂的医学概念。例如，在分析特定病例时，RAG技术可以从广泛的医学文献和数据库中精准检索相关病例资料、治疗方法和最新的研究进展。利用生成能力，它可以整合相关信息，为学生提供一份详尽且有针对性的病例报告，从而加深学生对病例的全面理解。相较于仅依赖内部知识库的语言模型，RAG技术通过结合外部资源，为医学教育提供了更为准确和专业的信息支持。这种技术的引入，不仅提高了学生的学习效率，也增强了他们对医学知识掌握的深度和广度。

　　多智能体通过多个智能体的协作与通信，模拟出真实的医疗环境，为医学教育提供全新的教学手段。该系统能够构建一个包含医生、护士、患者等多种角色的复杂场景，使学生在模拟的医疗流程中与各智能体进行交互，从而深入学习和掌握医学知识。以急救医学的教学为例，多智能体可以模拟一个真实的急救场景，其中包含急救医生、护士、模拟患者等多个智能体。学生在这个环境中，需要依据模拟患者的病情变化，与各个智能体进行有效的沟通协作，制定出合理的治疗方案。这样的教学方式，不仅提升了学生的临床实践能力，还强化了他们的团队协作和沟通技巧。此外，在医学知识的表示和推理方面，多智能体也展现出了独特的优势。通过智能体之间的协作和信息共享，学生可更好地理解医学概念之间的关联，提升他们的综合分析和解决问题的能力。

　　以Sora为代表的视频生成技术，通过生成高质量的医学教学视频，为医学教育提供了更为直观和生动的教学资源。这种技术能够将抽象的医学概念和复杂的生理过程以动态、可视化的形式展现出来，从而降低学生的理解难度，提升他们的学习兴趣。例如，在解剖学教学中，视频生成技术可以生成详细展示人体各个器官和结构的三维动画视频。学生通过观看视频，能够更清晰地了解人体的内部结构和生理功能。相较于传统的文字和图片教材，这种动态的视频教材更能吸引学生的注意力，提高他们的学习效果。不仅如此，Sora技术还具有生成错误示例视频的独特功能，能够按照教学需求故意制造出操作顺序错误或违反医疗规程的场景，如模拟手术中的不当操作、用药错误等。这些“反面教材”为教学增添了宝贵的素材，使学生在对比正确的操作流程中，更深刻地认识到错误行为的潜在危害与正确做法的重要性，从而在实践中避免类似错误的发生。同时，这些错误视频也可用于测评环节，作为检验学生判断力与批判性思维的有效工具，要求他们识别并指出视频中的错误之处，进一步巩固所学知识，提升临床决策能力。

　　AI驱动的数字人通过模拟真实的患者反应和症状，为医学实操训练提供了有力的支持。作为虚拟现实(Virtual Reality，VR)或增强现实(Augmented Reality，AR)教学环境中的一种核心元素，通过模拟真实患者的生理反应、病状表现和人际互动，为医学实操训练带来前所未有的沉浸式体验和教学效益。这些高度逼真的数字患者，由AIGC技术赋予生命，能够在虚拟诊疗场景中精确复现各类病症和体征，为医学生提供一个安全、无风险且可调控的实践平台。AI驱动的数字人不仅能根据预设的病例剧本展现特定疾病的典型特征，还能凭借AIGC强大的自然语言处理和情境理解能力，实时响应学生的询问和操作，呈现出个体化、动态化的病情进展，甚至模拟突发状况或并发症，极大地丰富了训练的复杂性和真实性。此外，AIGC技术还可以驱动虚拟环境中其他角色的智能交互，如同事、导师或家属等，营造出全方位、多角度的临床情景模拟。医学生可以在这样的环境中锻炼跨专业协作、沟通技巧和伦理决策能力，全面模拟从接诊到出院的整个诊疗流程，提前熟悉未来职业生涯中可能遇到的各种复杂情境，提升其综合临床胜任力。

　　AIGC多模态技术在中医医学教育中的巨大潜力，为传统中医教学模式带来革新性的启示，不仅能从教学效率与教学质量上进行提升，更可促进中医知识的普及与传承。构建多感官交互的中医学习环境，让学生亲身体验中药炮制、针灸手法、推拿操作等实践技能，提升学习兴趣与实践能力。AIGC的语音识别、图像识别等技术实时监测学生的技能操作，提供即时纠正与指导，如在模拟针灸练习中，AI能判断穴位定位是否准确、手法是否规范。此外，AIGC对多模态数据和信息的整合，可促进中医与现代科学技术的深度融合：长期以来，在临床和科研中，困扰中医理论如何与生物信息学、计算生物学相结合的痛点有望解决，在AIGC的帮助下学生(同时也可能是未来的科研工作者)通过识别、理解复杂的生命现象与疾病机理，养成跨学科思维。诚然，AIGC技术通过融入病例VR场景模拟的尝试而实现辨证论治、方药配伍等实践训练，但其对复杂中医诊疗信息(如脉象、舌象等)的理解与模拟尚需进一步提升，从而确保教学指导的准确性和可靠性，更好地体现中医学科特色与理论精髓。

　　七、结论与启示

　　AIGC在医学教育中的应用，不仅是一种技术创新，更是一种教育理念与教学模式的革新，它与医学教育的理论基础、新质生产力特征，以及医学教育特有的学制、专业性、见习、轮转、操作训练、临床思维培养等要素产生深度关联，同时也对医学教育认证体系、包括规培在内的培养制度提出了新的要求与挑战。从理论层面看，AIGC技术的应用与医学教育的深度整合，实质上是对教育信息化理论、个性化学习理论以及情境学习理论的实践延伸。教育信息化理论主张利用现代信息技术优化教学过程、丰富教学资源，AIGC恰好以其强大的自动生成能力，为医学教育提供实时更新、高度定制化的教学内容，契合了这一理论的核心要义。个性化学习理论强调因材施教，关注每个学生的个体差异，AIGC通过分析学生学习数据，推荐个性化学习路径，实现了这一理念在医学教育中的具体应用。情境学习理论主张在模拟真实情境中进行学习，以提升知识迁移与技能应用能力，AIGC驱动的虚拟病人交互和临床场景模拟为医学生提供沉浸式、高仿真度的学习环境，践行了这一理论原则。^[68]

　　作为新质生产力的代表，AIGC对医学教育的深远影响体现在其快速、精准的知识生产与传播能力，不仅突破传统医学教育的知识更新瓶颈，更可显著提升医学教育的生产力水平。同时，AIGC对重复性教学工作的自动化处理，使教师能在高价值的教学创新与个性化指导方面投入更多精力，推动人力资源结构的优化。这种生产力革新不仅体现在教学内容的丰富与更新速度上，更体现在教学效率与学习效果的显著提升，以及教育资源分配的公平性改善上。

　　尤其是医学教育，因学制长、专业性强、实践要求高等特性，其与AIGC技术的结合呈现出鲜明的独特性。在学制方面，医学教育的本科、硕士、博士乃至毕业后规培等多层次体系，为AIGC提供了多元化的应用场景，从基础理论教学、专业知识深化，到临床技能训练、专业思维养成，AIGC都能提供针对性的支持。在专业性方面，医学教育对知识的严谨性、准确性有着极高要求，AIGC通过与权威医学数据库、知识图谱的深度融合，确保了生成内容的专业水准。在见习、轮转、操作训练等实践环节，AIGC模拟的真实病例、手术演示、操作指导，为医学生提供安全、灵活的学习平台，弥补了实物资源的不足。在临床思维培养方面，AIGC驱动的虚拟病例讨论、决策模拟等互动式学习，有效锻炼了医学生的临床推理能力。

　　然而，AIGC在医学教育中的广泛应用，也对现有的教育认证体系与培养制度提出了新的挑战。传统的医学教育认证往往侧重于师资力量、硬件设施、课程设置等实体资源的评估，而AIGC的引入要求认证标准适应数字化、智能化的教学模式，关注教育数据的合规使用、教学质量的动态监控、学生学习效果的量化评估等新维度。对于规培制度而言，AIGC技术的应用可能引发对规培时长、内容、考核方式的重新审视，如何在保证医学教育质量的前提下，合理融入AIGC辅助学习，避免过度依赖技术而忽视临床实践经验的积累，是政策制定者与教育实践者需要审慎思考的问题。

　　面对上述陈列的种种变革，医学教育界应积极应对，既要把握AIGC带来的机遇，充分挖掘其在提升教育质量、促进个性化学习、优化教育资源分配等方面的潜力，又要关注由此产生的伦理、认证、规培制度调整等挑战，通过制度创新与标准修订，确保医学教育在智能化转型过程中保持其专业性、严谨性与人文关怀，为培养适应未来医疗环境的高素质医学人才奠定坚实基础。

　　参考文献：

　　[1]STOKEL-WALKER C, VAN NOORDEN R. What ChatGPT and generative AI mean for science[J]. Nature, 2023, 614(7947):214-216.

　　[2]FATANI B. ChatGPT for future medical and dental research[J]. Cureus, 2023(4):e37285.

　　[3]AGARWAL M, SHARMA P, GOSWAMI A. Analysing the applicability of ChatGPT, bard, and bing to generate reasoning-based multiple-choice questions in medical physiology[J]. Cureus, 2023,15(6):e40977.

　　[4]BOSCARDIN C K, GIN B, GOLDE P B, et al. ChatGPT and generative artificial intelligence for medical education: potential impact and opportunity[J]. Academic Medicine, 2023, 99(1):22-27.

　　[5]WU J T Y, SHENOY E S, CAREY E P, et al. ChatGPT: increasing accessibility for natural language processing in healthcare quality measurement[J]. Infection Control & Hospital Epidemiology, 2023,45(1):9-10.

　　[6]LUCAS H C, UPPERMAN J S, ROBINSON J R. A systematic review of large language models and their implications in medical education[J/OL]. Medical Education. (2024-04-19)[2024-04-22]. https://onlinelibrary.wiley.com/doi/abs/10.1111/medu.15402.

　　[7]BAKKUM M J, HARTJES M G, PIËT J D, et al. Using artificial intelligence to create diverse and inclusive medical case vignettes for education[J]. British Journal of Clinical Pharmacology, 2024,90(3):640-648.

　　[8]COKUN Ö, KIYAK Y S, BUDAKOLU I . ChatGPT to generate clinical vignettes for teaching and multiple-choice questions for assessment: a randomized controlled experiment[J]. Medical Teacher, 2024:1-7.

　　[9]MONDAL H, MARNDI G, BEHERA J K, et al. ChatGPT for teachers: practical examples for utilizing artificial intelligence for educational purposes[J]. Indian Journal of Vascular and Endovascular Surgery, 2023,10(3):200.

　　[10]HAN Z, BATTAGLIA F, UDAIYAR A, et al. An explorative assessment of ChatGPT as an aid in medical education: use it with caution[J]. Medical Teacher, 2023,0(0):1-8.

　　[11]KUNG T H, CHEATHAM M, MEDENILLA A, et al. Performance of ChatGPT on USMLE: potential for AI-assisted medical education using large language models[J]. PLOS Digital Health, 2023,2(2):e0000198.

　　[12]ZUCKERMAN M, FLOOD R, TAN R J B, et al. ChatGPT for assessment writing[J]. Medical Teacher, 2023,45(11):1224-1227.

　　[13]INDRAN I R, PARAMANATHAN P, GUPTA N, et al. Twelve tips to leverage AI for efficient and effective medical question generation: a guide for educators using ChatGPT[J]. Medical Teacher, 2023,0(0):1-6.

　　[14]KLANG E, PORTUGEZ S, GROSS R, et al. Advantages and pitfalls in utilizing artificial intelligence for crafting medical examinations: a medical education pilot study with GPT-4[J]. BMC Medical Education, 2023,23(1):772.

　　[15]CHEUNG B H H, LAU G K K, WONG G T C, et al. ChatGPT versus human in generating medical graduate exam multiple choice questions—a multinational prospective study (Hong Kong S.A.R., Singapore, Ireland, and the United Kingdom)[J]. PLOS ONE, 2023,18(8):e0290691.

　　[16]ARTSI Y, SORIN V, KONEN E, et al. Large language models for generating medical examinations: systematic review[J]. BMC Medical Education, 2024,24(1):354.

　　[17]LENG L. Challenge, integration, and change: ChatGPT and future anatomical education[J]. Medical Education Online, 2024,29(1):2304973.

　　[18]LEE H. The rise of ChatGPT: exploring its potential in medical education[J/OL]. Anatomical Sciences Education, 2023. (2024-03-14)[2024-04-18]. https://anatomypubs.onlinelibrary.wiley.com/doi/10.1002/ase.2270.

　　[19]ABD-ALRAZAQ A, ALSAAD R, ALHUWAIL D, et al. Large language models in medical education: opportunities, challenges, and future directions[J]. JMIR Medical Education, 2023,9(1):e48291.

　　[20]COTTON D R E, COTTON P A, SHIPWAY J R. Chatting and cheating: ensuring academic integrity in the era of ChatGPT[J]. Innovations in Education and Teaching International, 2024,61(2):228-239.

　　[21]CARDONA M A, RODRÍGUEZ R J, ISHMAEL K.Artificial intelligence and the future of teaching and learning: insights and recommendations[EB/OL]. UNT Digital Library. (2023-05)[2024-04-23]. https://digital.library.unt.edu/ark:/67531/metadc2114121/.

　　[22]FULLER K A, MORBITZER K A, ZEEMAN J M, et al. Exploring the use of ChatGPT to analyze student course evaluation comments[J]. BMC Medical Education, 2024,24(1):423.

　　[23]FENG S, SHEN Y. ChatGPT and the future of medical education[J]. Academic Medicine, 2023,98(8):867.

　　[24]DIVITO C B, KATCHIKIAN B M, GRUENWALD J E, et al. The tools of the future are the challenges of today: the use of ChatGPT in problem-based learning medical education[J]. Medical Teacher, 2024,46(3):320-322.

　　[25]EYSENBACH G. The role of ChatGPT, generative language models, and artificial intelligence in medical education: a conversation with ChatGPT and a call for papers[J]. JMIR Medical Education, 2023,9(1):e46885.

　　[26]DE OLIVEIRA A S, BOLLELA V R. ChatGPT simulations to develop communication skills in health education[J]. Medical Education, 2024,58(5):592-593.

　　[27]MOULIN T C. Learning with AI language models: guidelines for the development and scoring of medical questions for higher education[J]. Journal of Medical Systems, 2024,48(1):45.

　　[28]BENÍTEZ T M, XU Y, BOUDREAU J D, et al. Harnessing the potential of large language models in medical education: promise and pitfalls[J]. Journal of the American Medical Informatics Association: JAMIA, 2024,31(3):776-783.

　　[29]TSANG R. Practical applications of ChatGPT in undergraduate medical education[J]. Journal of Medical Education and Curricular Development, 2023,10:23821205231178449.

　　[30]HESS B J, CUPIDO N, ROSS S, et al. Becoming adaptive experts in an era of rapid advances in generative artificial intelligence[J]. Medical Teacher, 2024,46(3):300-303.

　　[31]PEACOCK J, AUSTIN A, SHAPIRO M, et al. Accelerating medical education with ChatGPT: an implementation guide[J]. MedEdPublish, 2023,13:64.

　　[32]WU Y, ZHENG Y, FENG B, et al. Embracing ChatGPT for medical education: exploring its impact on doctors and medical students[J]. JMIR Medical Education, 2024,10(1):e52483.

　　[33]王茹俊,王丹.ChatGPT介入医学教育的伦理风险及应对策略[J].医学与哲学,2024,45(2):76-81.

　　[34]SRIDHARAN K, SEQUEIRA R P. Artificial intelligence and medical education: application in classroom instruction and student assessment using a pharmacology & therapeutics case study[J]. BMC Medical Education, 2024,24(1):431.

　　[35]SALEEM N, MUFTI T, SOHAIL S S, et al. ChatGPT as an innovative heutagogical tool in medical education[J]. Cogent Education, 2024,11(1):2332850.

　　[36]ADESHOLA I, ADEPOJU A P. The opportunities and challenges of ChatGPT in education[J]. Interactive Learning Environments, 2023,0(0):1-14.

　　[37]TAN L F, NG I K S, TEO D. Artificial intelligence tools in medical education beyond Chat Generative Pre-trained Transformer (ChatGPT)[J]. Postgraduate Medical Journal, 2024:qgae014.

　　[38]金铁峰,朴俊杰,杨洋,等.人工智能在医学教育领域的应用研究——基于CiteSpace的文献共词分析[J].医学与哲学,2024,45(2):72-75.

　　[39]陈峰,黄国祯,诸葛晶,等.人工智能医学教育应用研究的国际图景与趋势[J].医学与哲学, 2024,45(2):67-71,81.

　　[40]WANG X, SANDERS H M, LIU Y, et al. ChatGPT: promise and challenges for deployment in low- and middle-income countries[J]. The Lancet Regional Health. Western Pacific, 2023,41:100905.

　　[41]ALKHAALDI S M I, KASSAB C H, DIMASSI Z, et al. Medical student experiences and perceptions of ChatGPT and artificial intelligence: cross-sectional study[J]. JMIR Medical Education, 2023,9(1):e51302.

　　[42]ChatGPT: the catalyst for teacher-student rapport and grit development in L2 class[J]. System, 2024,120:103209.

　　[43]MURDOCH B. Privacy and artificial intelligence: challenges for protecting health information in a new era[J]. BMC Medical Ethics, 2021,22(1):122.

　　[44]WONG R S Y, MING L C, ALI R A R. The intersection of ChatGPT, clinical medicine, and medical education[J]. JMIR Medical Education, 2023,9(1):e47274.

　　[45]HARRER S. Attention is not all you need: the complicated case of ethically using large language models in healthcare and medicine[J/OL]. eBioMedicine, 2023,90[2024-04-22]. https://www.thelancet.com/journals/ebiom/article/PIIS2352-3964(23)00077-4/fulltext?ref=dedataverbinders.nl.

　　[46]MESZAROS J, MINARI J, HUYS I. The future regulation of artificial intelligence systems in healthcare services and medical research in the European Union[J/OL]. Frontiers in Genetics, 2022,13[2024-04-22]. https://www.frontiersin.org/journals/genetics/articles/10.3389/fgene.2022.927721/full.

　　[47]VAN DE RIDDER J M M, SHOJA M M, RAJPUT V. Finding the place of ChatGPT in medical education[J]. Academic Medicine, 2023,98(8):867.

　　[48]PU Z, SHI C L, JEON C O, et al. ChatGPT and generative AI are revolutionizing the scientific community: a Janus-faced conundrum[J]. iMeta, 2024,3(2):e178.

　　[49]CHADHA N, POPIL E, GREGORY J, et al. How do we teach generative artificial intelligence to medical educators? Pilot of a faculty development workshop using ChatGPT[J]. Medical Teacher, 2024,0(0):1-3.

　　[50]KNOPP M I, WARM E J, WEBER D, et al. AI-enabled medical education: threads of change, promising futures, and risky realities across four potential future worlds[J]. JMIR Medical Education, 2023,9:e50373.

　　[51]NGUYEN T. ChatGPT in medical education: a precursor for automation bias?[J]. JMIR Medical Education, 2024,10(1):e50174.

　　[52]ARAJI T, BROOKS A D. Evaluating the role of ChatGPT as a study aid in medical education in surgery[J]. Journal of Surgical Education, 2024.

　　[53]JAMAL A, SOLAIMAN M, ALHASAN K, et al. Integrating ChatGPT in medical education: adapting curricula to cultivate competent physicians for the AI era[J]. Cureus, 2023(8):e43036.

　　[54]RAHIMZADEH V, KOSTICK-QUENET K, BLUMENTHAL BARBY J, et al. Ethics education for healthcare professionals in the era of ChatGPT and other large language models: do we still need it?[J]. The American Journal of Bioethics, 2023,23(10):17-27.

　　[55]FRIEDERICHS H, FRIEDERICHS W J, MÄRZ M. ChatGPT in medical school: how successful is AI in progress testing?[J]. Medical Education Online, 2023,28(1):2220920.

　　[56]SAFRANEK C W, SIDAMON-ERISTOFF A E, GILSON A, et al. The role of large language models in medical education: applications and implications[J]. JMIR Medical Education, 2023,9(1):e50945.

　　[57]CASCELLA M, SEMERARO F, MONTOMOLI J, et al. The breakthrough of large language models release for medical applications: 1-year timeline and perspectives[J]. Journal of Medical Systems, 2024,48(1):22.

　　[58]SALLAM M. ChatGPT utility in healthcare education, research, and practice: systematic review on the promising perspectives and valid concerns[J]. Healthcare, 2023,11(6):887.

　　[59]MASTERS K. Ethical use of artificial intelligence in health professions education: AMEE guide No. 158[J]. Medical Teacher, 2023,45(6):574-584.

　　[60]PUPIC N, GHAFFARI-ZADEH A, HU R, et al. An evidence-based approach to artificial intelligence education for medical students: a systematic review[J]. PLOS Digital Health, 2023,2(11):e0000255.

　　[61]LUKE W A N V, SEOW CHONG L, BAN K H, et al. Is ChatGPT “ready” to be a learning tool for medical undergraduates and will it perform equally in different subjects? Comparative study of ChatGPT performance in tutorial and case-based learning questions in physiology and biochemistry[J]. Medical Teacher, 2024,0(0):1-7.

　　[62]LAUPICHLER M C, ASTER A, MEYERHEIM M, et al. Medical students’ AI literacy and attitudes towards AI: a cross-sectional two-center study using pre-validated assessment instruments[J]. BMC Medical Education, 2024,24(1):401.

　　[63]PARK S H, PINTO-POWELL R, THESEN T, et al. Preparing healthcare leaders of the digital age with an integrative artificial intelligence curriculum: a pilot study[J]. Medical Education Online, 2024,29(1):2315684.

　　[64]XU Y, SUN L, PENG W, et al. MedSyn: text-guidedanatomy-aware synthesis of high-fidelity 3D CT images[EB/OL]. arXiv, 2023[2024-04-18]. http://arxiv.org/abs/2310.03559.

　　[65]How ChatGPT could help medical students learn on the fast track[EB/OL]. American Medical Association. (2023-11-17)[2024-04-18]. https://www.ama-assn.org/education/changemeded-initiative/how-chatgpt-could-help-medical-students-learn-fast-track.

　　[66]ChatGPT in medical education: generative AI and the future of artificial intelligence in health care[EB/OL]. American Medical Association. (2024-02-23)[2024-04-18]. https://www.ama-assn.org/practice-management/digital/chatgpt-medical-education-generative-ai-and-future-artificial.

　　[67]PAPINENI K, ROUKOS S, WARD T, et al. BLEU[C]//Proceedings of the 40th Annual Meeting on Association for Computational Linguistics-ACL ’02, Association for Computational Linguistics, 2001.

　　[68]张广录,刘晓峰.“人G共生”范式:生成式人工智能视域下的教育转型图景[J].中国教育信息化,30(6):12-22.

Application, Challenges, and Prospects of Artificial Intelligence Generated Content

in Medical Education

Zhehan JIANG¹, Shicong FENG², Weimin WANG¹

(1.National Center for Healthcare Profession Education Development, Peking University, Beijing 100191;

2.Graduate School of Education, Peking University, Beijing 100871)

　　Abstract: With the emergence of generative artificial intelligence technologies represented by ChatGPT, Artificial Intelligence Generated Content (AIGC) has significantly propelled theoretical instruction, practical training, and assessment in medical education. As a pivotal component of innovative medical education development, the application, challenges, and future prospects of AIGC warrant meticulous attention. To advance the construction of new medical disciplines and effectively integrate AIGC into China’s medical education framework, it is essential to synthesize innovative applications of AIGC in both domestic and international medical education contexts, thereby furnishing instructive lessons for enhancing our educational practices. Furthermore, delving into the ethical challenges and application risks associated with AIGC, this paper presents three avant-garde case studies illustrating how AIGC technologies are being employed across various stages of medical education, thereby empowering the educational process. Looking ahead, the potential utilization of AIGC-related technologies such as retrieval-augmented generation, multi-agent systems, and Sora in future medical education underscores the need for anticipation. These considerations give rise to the following insights: As a representative of novel productive forces, AIGC holds immense promise for application within medical education, yet its development and implementation necessitate a comprehensive evaluation of multiple dimensions, including technical feasibility, ethical norms, societal receptiveness, legal frameworks, and pedagogical outcomes. The medical education community must not only seize the opportunities presented by AIGC technologies, but also prepare diligently to address the attendant challenges, thereby optimizing the value and efficacy of AIGC in enhancing medical education.

　　Keywords: AIGC; Medical education; GPT; Large language model; Digitalization; Healthcare

　　编辑：王天鹏　校对：王晓明