人工智能识别系统在骨髓细胞形态进修教学中的应用研究

李 佳，杨武晨，彭贤贵，高 蕾，张 曦，墙 星，陶廷露，刘思恒，冉岑霞，张 诚

（陆军军医大学第二附属医院，重庆 400002）

骨髓细胞形态检验是医学检验中最基础的学科，是血液病实验室诊断方法中最重要的技术，也是目前各医院必须开展的基础检验项目。但骨髓细胞形态理论知识枯燥乏味，细胞体积小、种类繁多、差别细微，无法肉眼观察，仅能在显微镜下观察，难度极大，对细胞的识别及认识主观性强，强烈依赖经验。骨髓细胞形态学是将实践和经验融为一体的漫长的学习过程，是继续教育中的常见进修课程。传统进修骨髓细胞形态的教学形式多采用“灌输式”教师讲授—学习者听的教学法，忽视了学习者的主观能动性，部分带教教师不够重视，实验教学手段单一且落后[1]。人工智能（Artificial Intelligence，AI）是目前生产技术革新和产能提高的重要手段，已进入智慧教育领域，但在医学教育领域甚少涉及。因此本课题引入人工智能识别系统，让学习者（在校学生及继续教育者）在其帮助下学习骨髓细胞形态，对比其与传统骨髓细胞形态学习方式在进修教学中的应用，旨在研究人工智能识别系统在教学上有无优势，能否更好地完成教学任务。

1 研究对象及方法

1.1 研究对象

纳入2018年3月—2020年6月到陆军军医大学第二附属医院血液病医学中心参加进修的各医院医生共26例，性别及年龄无特殊要求。

1.2 研究方法

将进修生随机分为传统教学组和人工智能组，传统教学组主要通过教师带教、学生听课及学生提问教师回答的方式达到教学目的；人工智能组主要通过杭州智维公司开发的人工智能识别骨髓细胞形态软件进行细胞教学指导，学生用鼠标划过需要学习的细胞，人工智能识别系统自动显示细胞名字、需要鉴别的细胞类型及可能性百分数。

1.2.1 师资 由经验丰富、临床及教学时间大于10年的教员带教，由主管技师以上职称讲解。

1.2.2 人工智能识别骨髓细胞形态软件 由杭州智维软件公司研发，可进行骨髓细胞识别，识别率分别为：中性粒细胞识别率99.8%，单核细胞识别率98%，淋巴细胞识别率99.7%，红系有核细胞识别率97%。

1.2.3 评判标准 主要观察指标：（1）教学满意度和兴趣（满意度设为非常满意5分，满意4分，一般3分，差2分，很差1分；兴趣设为非常有兴趣5分，有兴趣4分，一般3分，没兴趣2分，非常没兴趣1分），通过学生阅片考核及问卷调查的方法进行效果评估；（2）学习时长（课后自习时长）；（3）两组进修生单个细胞的识别准确率（分别考核教学前和教学后）；（4）单张骨髓涂片准确率（分别考核教学前和教学后）。问卷调查包括教学满意度、兴趣；单个细胞考核以每张图一个细胞的形式，考核100个细胞，记录正确细胞数；考核的骨髓片要求为骨髓增生活跃，细胞分布均匀且视野好，染色良好；单张涂片准确率通过对单张骨髓涂片进行细胞计数，与正确计数答案做对比，统计正确率。

1.2.4 统计学分析 通过SPSS 19.0软件分析数据，采用配对t检验、秩和检验（Mann-Whitney U）及χ2检验进行。

2 结果

2.1 一般情况

传统教学组和人工智能组均为13例，平均年龄分别为27.18岁和 28.10 岁，无统计学差异（P＞0.05），男女性别比为 1∶2。

2.2 两组教学满意度及兴趣比较（见表1）

表1 两组教学满意度及兴趣评分分布情况（n）

传统教学组和人工智能组的教学满意度比较，秩和检验Z=-1.531，P=0.126＞0.05。尽管人工智能组教学满意度略高于传统教学组，但并无差异，说明学生对传统教学和人工智能教学均很满意。传统教学组和人工智能组的兴趣比较，秩和检验Z=-2.571，P=0.01＜0.05，人工智能组兴趣高于传统教学组。总之，在学习过程中，人工智能教学更能调动学生的学习积极性。

2.3 课后学习时间

传统教学组学习时间均值为（2.06±0.399）小时/天，人工智能组学习时间均值为（2.67±0.560）小时/天，传统教学组和人工智能组比较，P=0.000＜0.01，有统计学差异。

2.4 100个细胞识别正确个数

对比两组教学前后的细胞识别情况，传统教学组教学前正确识别细胞数均值为（26.46±8.491）个，教学后正确识别细胞数均值为（74.31±3.093）个，配对 t检验 t=-17.533，P＜0.01，有统计学差异，教学成果显著。人工智能组教学前正确识别细胞数均值为（25.00±7.937）个，教学后正确识别细胞数均值为（73.23±3.295）个，配对 t检验 t=-19.085，P＜0.01，有统计学差异，教学成果显著。教学后的传统教学组和人工智能组比较，t=0.859，P＞0.05，无统计学差异。

2.5 单张骨髓涂片细胞计数的正确率

传统教学组和人工智能组单张骨髓涂片细胞计数正确情况见表2，传统教学组教学后成绩显著高于教学前（P＜0.01）；人工智能组教学后成绩显著高于教学前（P＜0.01）。教学后的人工智能组和传统教学组比较，无统计学差异（χ2=0.249，P=0.618）。

表2 两组单张骨髓涂片细胞计数情况（n）

3 讨论

近年来，越来越多人工智能引入医学范畴，AI医学图像识别已应用于肠镜AI图像识别[2]、影像学（CT、B超等）[3]的AI图像识别、胚胎与繁殖的AI图像识别[4]、肿瘤病理的AI图像识别[5]。本研究中主要涉及的是骨髓/血细胞的AI图像识别，相比较而言，其观察指标更多，种类繁多而缺乏特征性组织结构，可参照的参数相对较少，因此对细胞认识的要求更高，细胞的识别难度加大，系统研发或学习的难度极大提升。将AI识别系统应用于骨髓细胞形态的学习中，可以帮助学生或进修生更好地学习。

3.1 满意度及兴趣分析

本研究中认为采用人工智能教学和传统教学的学生均有很高的教学满意度及兴趣，两种方法均获得学习者较高的认可。但是学习者认为AI教学更有趣，此方法可以寓教于乐，方式类似游戏，让人有挑战的冲动，且易于操作，便于学习。

3.2 学习时长分析

本研究发现，人工智能组学习者更愿意主动学习，可能因为采用新型教学法学习者可根据自己的时间安排学习，学习方式更有趣，并且在学习中能快速得到反馈，学习过程不枯燥，更能吸引学习者。

3.3 学习成果分析

研究发现，无论传统教学法还是AI教学法，经过长时间的学习，成绩都能得到较明显的提升，差别并不大，可能是传统教学组的教学虽然比较枯燥，学习者和教师的互动相对较少，但是经过学习后，仍能很好地识别细胞及细胞分类，这也说明人工智能组和传统教学组比较，优势更多地在学习过程中。

3.4 AI识别系统在教学上应用的优劣势

3.4.1 优势（1）目前AI教学模式优势之一是储备能力及更新能力，可让学习者最大可能地接触最多最广的细胞图片[6]，做到与时俱进。长远来看，可能会让学习者学习更快、更新能力更强[7]；还可自动参考异常细胞，方便快捷。（2）AI教学法能减轻教师负担，教师不用专门抽时间给学生讲课、准备课件。同时，还可以通过AI识别系统进行远程专家咨询[8-10]，有助于教育标准化[10]。

3.4.2 缺点（1）反馈环节：尽管相较传统教学组，人工智能组学习者能得到更多反馈，但这仍是薄弱环节。反馈是AI教学十分重要的环节[11-14]，但本中心的AI识别系统提供反馈却很困难，同样问题还见于Egele等[15]的研究，他们发现80%的受调查者从未或很少收到纠正性反馈。另外，如何提高反馈质量仍是亟须解决的方面。（2）考试模块薄弱：本研究的考核手段仍是人工考核，AI识别系统缺乏考试模块，有待后期补充。国际研究表明，目前大多AI教学系统均存在这一缺陷，其中通信安全及作弊问题需要警惕[16-17]；机器故障或不正确的编码而导致错判误判，可能造成可怕的后果。想办法做到公正无误且不出纰漏，才能更好地将AI识别系统运用在实际工作中。

3.5 解决办法

加速系统的完善，注意隐私保护，提高反馈质量及加强考试系统的研发。