醫學圖像論文范例

1生物醫學圖像信息技術的應用分析

目前，生物醫學圖像信息技術主要包括生物醫學圖像傳輸、圖像管理、圖像分析、圖像處理幾方面。這些技術同以前的圖像技術、醫學影像技術都有一定的聯系，其在涵蓋以往圖像技術、醫學影像技術的同時，也具有自身的特點，與傳統的圖像和醫學影像技術相比，生物醫學圖像信息技術更加強調在醫學圖像信息收集、處理等過程中應用計算機信息技術。

1.1圖像成像

從本質上來看，生物醫學圖像成像技術（下文簡稱“圖像成像技術”）與醫學影像技術的區別并不大，僅僅是人們更習慣將其表達為醫學影像。生物醫學圖像成像技術的研究內容為：利用染色方法和光學原理，清晰地表達出機體內的相關信息，并將其轉變為可視圖像。圖像成像技術研究的圖像對象有：人體的標本攝影圖像、觀察手繪圖像、斷層圖像（如ECT、CT、B超、紅外線、X光）、臟器內窺鏡圖像、激光共聚焦顯微鏡圖像、活細胞顯微鏡圖像、熒光顯微鏡圖像、組織細胞學光學顯微鏡圖像、基因芯片、核酸、電泳等顯色信息圖像、納米原子力顯微鏡圖像、超微結構的電子顯微鏡圖像等等。

圖像成像技術主要包括2個部分：現代數字成像和傳統攝影成像。通?？刹捎脪呙鑳x、內窺鏡數碼相機、采集卡、數字攝像機等進行數字圖像采集；顯微圖像采集則可應用光學顯微鏡成像設備及超微結構電子顯微鏡成像設備；特殊光源采集可應用超聲成像儀器、核磁共振成像儀器及X光成像設備。目前，各種醫學圖像技術的發展都十分迅速，特別是MRI、CT、X線、超聲圖像等技術。在醫學圖像成像技術方面，如何提高成像分辨力、成像速度、拓展成像功能，尤其是在生理功能及人體化學成分檢測方面，已經引起了相關領域的重視。

1.2圖像處理

生物醫學圖像處理技術，是指應用計算機軟硬件對醫學圖像進行數字化處理后，進行數字圖像采集、存儲、顯示、傳輸、加工等操作的技術。圖像處理是對獲取的醫學圖像進行識別、分析、解釋、分割、分類、顯示、三維重建等處理，以提取或增強特征信息。目前，醫學領域所應用的圖像處理技術種類較多，統計學知識、成像技術知識、解剖學知識、臨床知識等的圖像處理均得到了較快的發展。另外，人工神經網絡、模糊處理等技術也引起了圖像處理研究領域的廣泛重視。

影像組學通過計算機技術將醫學圖像轉換為高通量數據，進而對疾病、預后、生存期、腫瘤基因表達等進行分析和預測。與傳統影像學相比，影像組學提供了肉眼無法識別的內部紋理特征，且不依賴醫生的主觀經驗，因此能夠更全面、客觀的分析病變信息。此外，影像組學具有無創性、可重復、快速經濟、避免活檢采樣誤差等優勢。本研究運用文獻計量學對影像組學相關文獻進行分析。

一、資料與方法

1.資料來源與檢索策略。數據來源于WebofScience核心合集數據庫。檢索策略為：主題=“Radiomics”OR“Radiomic”，限定文章類型為Article，文章發表時間不限定，檢索日期截止到2020年4月17日，選擇“全記錄與引用的參考文獻”并以純文本格式導出。

2.研究方法。本研究使用Excel2016驗證布拉德福定律和普賴斯定律，其余數據的統計和處理均采用VOSviewer1.6.14軟件實現3。首先對發表時間、期刊、國家、作者等字段進行統計，對來源期刊利用布拉德福定律得到核心期刊，對作者利用普賴斯定律得到核心作者，將核心作者最低發文量作為劃分核心機構的標準，從而得到影像組學領域相關文獻的發表年代、來源期刊和研究力量分布情況。隨后，將關鍵詞進行同義詞合并處理，截取頻次閾值為10的關鍵詞作為高頻關鍵詞，構建高頻關鍵詞表。限定類中至少包括5個關鍵詞，以“Associationstrength”作為標準化方法進行高頻關鍵詞的聚類分析，并生成高頻詞聚類網絡圖。

二、結果

1.分布情況。2012至2020年共檢索到1476篇文獻，分別為2、3、7、28、66、160、323、675和212篇。共涉及288種期刊，其中核心區期刊8種（EurRadiol，SciRep，MedPhys，JMAGNRESONIMAGING，EurJRadiol，FrontNeuroendocrinol，PHYSMEDBIOL，PLoSOne），核心區文獻503篇。共涉及56個國家，前3位國家分別為中國（611篇）、美國（529）、意大利（100）。共涉及7932位作者，核心作者122位。共涉及1535家科研機構，其中113家為核心科研機構，集中在中國（42家）、美國（35）。

2.研究熱點分析。高頻關鍵詞表見表1，共56個。高頻詞聚類圖如圖1所示，共聚為5類，即涉及5個主題。主題1（紅色）主要介紹了影像組學的實現方法以及基于機器學習方法的影像組學研究。主題2（綠色）主要介紹了基于MRI圖像對頭頸癌、肝癌、鼻咽癌等進行影像組學研究以實現對腫瘤的診斷與預后分析。主題3（藍色）主要介紹了基于CT、PET/CT的影像組學方法在肺癌中的應用以及基于圖像紋理特征對腫瘤異質性的研究。主題4（黃色）主要介紹了利用人工智能、定量成像技術等方法來預測腫瘤治療反應從而實現個體化醫療。主題5（紫色）主要介紹了神經膠質瘤的生存預后分析以及影像組學的基因組學研究。

（一）

一、課堂講解,以教學大綱為基礎，完善教師的備課內容

1、根據學生的專業及所學知識背景情況選擇教學計劃

醫學影像學是一門包括X線、CT、MRI、超聲及介入放射學等內容的課程，在臨床上對患者疾病診斷、治療及隨訪具有越來越重要的作用.隨著醫學亞專業細化及交叉，掌握并應用好影像學不僅是影像科醫生而且是臨床各科醫生所必須的.對于綜合型醫學院校，學生所學的專業不同、醫學知識背景（?？啤⒈究疲┎煌?所以教師要根據不同專業及學生的醫學知識背景編寫具有適合本專業特點的教學計劃和備課的內容.

2、豐富課件的內容

影像教學的特點是以圖像學習為主,所以要充分重視多媒體及數字化教學的積極作用,教學手段實現數字化.在理論教學時，充分利用幻燈、錄像、及圖表等，盡量減少板書，以縮短授課時間，使學生對所學理論知識能“看得見，摸得著”，有效地提高了學生對影像征象的辨認和綜合分析能力.現行的教材特點是以局部解剖為主線,介紹各系統中各個器官不同疾病的不同影像學表現,目的是使學生對一個疾病的影像診斷有一個全面、完整的認識,這是希望學生全面而系統地掌握醫學影像診斷學的基本理論、知識和培養綜合應用多種成像技術進行疾病診斷的能力.教學模式可采用整合各種影像資源集中安排教學,即X線、CT、MRI及超聲相結合；影像、臨床、解剖和病理結合的新模式.使學生在學習過程中形成立體的、三維的影像概念，建立起各種影像間的立體聯系，以增強學生多方面影像的認識能力.

3、改進傳統的醫學影像學教學方法

[摘要]人工智能在醫學影像中的應用飛速發展，目前已用于腦膜瘤影像瘤周水腫的準確分割、預判腦膜瘤的病理級別及鑒別診斷等。筆者就人工智能技術在腦膜瘤影像的應用現狀和未來發展進行綜述。

[關鍵詞]腦膜瘤；人工智能；機器學習；影像組學

人工智能(artificialintelligence，AI)是1956年在Dartmouth大學舉辦的會議期間首次出現的名稱[1]。作為一個通用術語，它是指以最低限度的人為干預，讓計算機自行模擬智能行為[2]。本文就人工智能在腦膜瘤的影像應用進展及發展前景進行綜述。

1AI在影像診斷領域的應用背景

AI是計算機科學的分支，用機器執行通常由人的智力活動完成的認知任務。AI近來在感知能力方面取得了巨大進步，已能讓機器更好地描述和解釋復雜的數據。而深度學習的加入，強化了計算能力，加速了AI的發展。當前影像診斷專業的特點是大量的圖像和報告以數字形式存在，這些特點在推動醫學進入數字化時代的過程中起到了引領作用，同時為發展AI提供了契機。AI在影像醫學應用的最初目的是在臨床工作中提高效率和效果，減少專業人員的失誤，增加客觀性。近年來，影像組學結合深度學習技術(AI的算法之一)可自圖像中自動學習有代表性的特征，從而在腫瘤影像學領域幫助臨床決策，如明確診斷、不同癌癥的危險分層等。目前廣泛使用的AI方法分為2種：第一種是手工裁切特征，如腫瘤紋理特征，再使用計算機程序進行量化；第二種方法是深度學習，深度學習算法能自動從數據中提取特征，不需人工預定義特征[3]。AI在腫瘤影像的應用主要是發現異常(腫瘤識別)、特征提取、監測變化這3個方面，但也面臨一些挑戰，包括開發通用術語以及在不同成像平臺和患者人群中制定AI程序使用的驗證標準。

2AI在腦膜瘤影像的應用現狀

腦膜瘤AI應用的倫理問題由McCradden等[4]進行了研究，結果表明幾乎所有參與者都認為，售賣醫療數據應該被禁止，但為了改進健康狀況，也有小部分人認為暴露少量隱私是可以接受的。技術方面，腦膜瘤圖像分割、智能識別的方法學研究不斷進步，自動化程度越來越高，從而使得影像結果輸出更方便、快捷及精準。2019年1月，Laukamp等[5]采用深度學習模型對56例腦膜瘤患者(病理組織類型Ⅰ級n=38、Ⅱ級n=18)的T1WI、T2WI、T1增強圖像和FLAIR圖像進行識別、分割，輸入模型后結果顯示檢測到腦膜瘤55例，與人工分割效果相當。這表明盡管掃描器數據各不相同，但深度學習模型仍能對腦膜瘤組織進行準確的自動檢測和分割。同年8月，Stember等[6]采用視覺追蹤技術對腦膜瘤圖像進行分割，結果表明，該方法可用于深度學習的語義分割，將來進一步優化，便可以通過更快、更自然的方式用于臨床。2020年2月，Laukamp等[7]對56位腦膜瘤患者的影像數據分別進行兩種處理：深度學習算法自動分割和由兩位高年資影像工作者手動分割，輸入模型后結果顯示為55個腦膜瘤是由深度學習自動分割的，其研究表明對腦膜瘤圖像采用基于深度學習的自動分割具有較高的分割準確性，與人工分割效果相當。這種自動分割圖像包括增強掃描T1WI和FLAIR圖像，與Laukamp等[5]的研究相一致。鑒于腦膜瘤的瘤周水腫程度影響患者的臨床結果，亦有研究者使用半自動方法對該區域進行了精準分割，Latini等[8]使用商業軟件(VuePACSLivewire)在50例顱內腦膜瘤患者的磁共振圖像上采用半自動計算方法計算瘤周水腫量。結果表明無論圖像信號如何變化，都可以精確計算水腫量且具有很高的可重復性。且經過較短的訓練后，便可簡單快速的在臨床實踐中實施。應用方面，這些圖像分割、機器學習等智能手段在腦膜瘤的應用目前主要集中在以下幾個方面：腦膜瘤病理級別的判斷、腦膜瘤的鑒別診斷和瘤周水腫的識別與分割等。其中以腦膜瘤病理級別的判斷研究最多，不同研究者采用的方法不盡相同。早在2016年，Krivoshapkin等[9]設計實驗，由一名放射科醫生和兩名神經外科醫生使用先進的計算機算法分析48例腦膜瘤切除術前1.5T磁共振圖像并區分術前腦膜腫瘤的組織學類型，結果表明高級數學算法在區分腦膜瘤病理級別中具有高度的特異性、靈敏度和可重復性，但當時并未引起重視。2018年11月，ArokiaJesuPrabhu等[10]研究團隊使用一種新型的支持向量機方法，實現了對腦膜瘤病理級別的判斷。與此同時，Hale等[11]通過機器學習對1998～2010年間WHOⅠ級(n=94)和Ⅱ級(n=34)腦膜瘤的18～65歲患者的影像數據進行分析，結果表明機器學習算法是功能強大的計算工具，可以非常準確地預測腦膜瘤分級。到2019年，類似的研究明顯增加，所用的研究方法和MRI圖像也不斷更新。2019年3月，Lu等[12]回顧病理數據庫，納入152例腦膜瘤患者的421張術前ADC圖用于紋理分析，通過機器學習分類器可實現與經驗豐富的神經放射科醫生同等的診斷性能，可對腦膜瘤進行準確分級。表明基于ADC值和ADC值紋理分析的決策樹模型具有廣泛前景，可以在不久的將來提供更精確的診斷和輔助診斷。同年7月，Zhu等[13]通過181例腦膜瘤患者的MRI深度學習影像組學模型，以非侵入性方式對腦膜瘤進行分級，結果表明深度學習影像組學模型在非侵入性個體化腦膜瘤分級預測中其量化能力十分突出。其實驗組使用深度學習的影像組學分析方法也實現了腦膜瘤病理級別的判斷。同年10月，Zhu等[14]基于數據擴增和改良卷積神經網絡自動預測腦膜瘤病理級別。同年11月，Hamerla等[15]使用了4種機器學習方法，進一步提高了腦膜瘤病理級別的分級并具有很好的敏感度和特異度。同年12月，Laukamp等[16]通過MRI形態學檢查序列、擴散序列進行病變的形態學參數、紋理特征分析，實現了腦膜瘤的病理分級。2020年6月，Ke等[17]利用多參數MRI圖像也對這一科學問題進行了研究。與腦膜瘤病理級別的判斷比較，AI在腦膜瘤的診斷和鑒別診斷方面的研究相對較少。2019年7月，Shrot等[18]通過隊列研究，將141例患者(41例膠質母細胞瘤，38例轉移瘤，50例腦膜瘤和12例原發性中樞神經細胞瘤)的形態學MRI、灌注MRI和擴散張量成像序列應用于機器學習方案來鑒別不同類型的腦腫瘤，結果顯示使用普通和高級MRI序列的機器學習方案具有高性能的自動腫瘤分類算法，可應用于臨床決策中優化腫瘤分類。同年9月，Li等[19]通過回顧性分析，在67例患者的MRI序列(T2-FLAIR，擴散加權成像和增強的T1WI)中提取498個組學特征(12個臨床特征和486個紋理特征)，將紋理分析應用于機器學習模型中。結果顯示，與血管瘤性腦膜瘤相比，惡性血管周細胞瘤更大，腫瘤周圍水腫程度更小，并且紋狀血管更多。表明機器學習在鑒別惡性血管周細胞瘤和血管瘤性腦膜瘤的診斷中具有重要價值。2020年，AbdelazizIsmael等[20]使用殘差網絡的深度學習方法，對腦膜瘤、膠質瘤和垂體瘤進行了識別，準確率高達99%。國內文獻也對腦膜瘤的分割和機器學習有所研究，但與英文文獻相比有明顯的差別：一是研究的論文數量較少，二是所涉及的內容不及英文文獻廣泛，三是研究時間晚于國外。目前國內文獻在這方面的研究絕大多數局限于應用方面，如腦膜瘤的分級[21-25]、病變的識別[26]及鑒別診斷[27-28]。關于方法學的改進方面中文文獻較少，唐青青等[29]應用體視學方法進行了這方面的探索。

新媒體與科技期刊的融合，主要是指借助互聯網手段將新媒體運用到傳統媒體中，使科技期刊的網站建設、網絡化采編、電子編校、出版、營銷等得以優化和改善，使科技期刊相關的微信平臺建設、APP開發等得以實現，促進新媒體與傳統媒體的深度融合，推動科技期刊數字化發展和增強學術影響力[1]。目前，國內多數科技期刊已經在媒體融合大潮中開始了數字化轉型[2]，部分編輯部成立了新媒體部門，專門推動傳統媒體網絡化、數字化、平臺化。相較于傳統媒體時代，初次傳播占主導地位；新媒體時代，二次傳播的意義凸顯。盡管新媒體二次傳播在新聞媒體的應用和研究已經比較廣泛[3-6]，但是關于科技期刊的二次傳播，目前的應用和研究相對較少[7]?？萍计诳蝹鞑ナ切旅襟w與傳統媒體融合發展過程中的產物，隨著期刊網絡化、數字化、平臺化的發展，二次傳播應用到科技期刊主要是指通過轉載轉發、論文包裝、知識重組、增強出版、二度創作等途徑，將科技期刊上發表的部分學術論文以原文或者轉變成其他形式的文字、聲音、圖形、圖像、視頻、動畫、課件等，在微信、網站、APP、微博、QQ等科技期刊常見的新媒體平臺上進行分享傳播[3]。目前，國內期刊面臨著大量優質稿件外流入國際期刊(如SCI、EI等)，同時內部同質期刊競爭加大，優質稿件“粥少僧多”的雙重壓力，要想提高期刊的影響力，在源頭上要積極組稿約稿、爭取更多優秀稿源、提高期刊學術質量，同時也應該對期刊發表的文章在論文輸出上進行多角度、全方位的廣泛傳播，進一步提升期刊的影響力[8-9]。因此，本文以《國際檢驗醫學雜志》及其相應的新媒體平臺為背景，探討當前科技期刊如何利用新媒體進行論文“二次傳播”，以不斷提高期刊影響力。

1直接在新媒體平臺進行轉發轉載，延長論文生命力

傳統期刊，在論文印刷出版后，通常會將論文發往各大合作的數據庫，如知網、萬方、維普等。隨著互聯網的發展，很多編輯部都建立了自己的網站，編輯部會將論文在送印刷廠后甚至論文錄用后很短的時間內，就將論文刊載在自己的網站上，方便讀者、作者閱讀和下載。而刊媒融合時代，很多編輯部都會將已經發表的論文整期(通常只包括每篇論文的題目、作者、單位和摘要等)放在各個新媒體平臺進行推送，或者向專業學術論壇、微信群、QQ群、郵箱等定向推送。由于每本雜志的新媒體粉絲群，絕大多數都是基于自己的讀者、作者建立起來的，這種直接轉載轉發的形式，沒有破壞期刊的整體風格。一方面方便讀作者進行整體瀏覽，提高論文的閱讀量，延長論文生命力，進而提高論文被下載或者引用的可能；另一方面，也可以方便讀者或感興趣的人分享傳播。論文直接轉發、轉載的二次轉播形式，是目前絕大多數期刊采取的方式，如《中國激光》《暖通空調》等雜志。以《國際檢驗醫學雜志》為例，編輯部會將每期論文的題目、作者等以流媒體鏈接的形式在微信服務號，供作者閱讀瀏覽分享。

2論文包裝，擴大作者影響力

科技期刊出版的論文，不論是在論文體例、排版或者內容上，都具有很強的專業性、理論性，題目和全文呈現方式都比較嚴謹，甚至刻板，很難引起一般讀者的興趣。這樣帶來的后果就是，不符合現代社會人們的閱讀習慣。2018年2月，中國互聯網絡信息中心(CNNIC)的數據顯示，截至2017年12月，我國網民規模達7.72億，其中，手機網民占97.5%[10]。智能手機的普及，以及微博、微信、APP等的大量出現，使人們使用智能手機的頻次持續大幅提高，數字化閱讀已逐漸成為讀者的主要閱讀方式，并且人們的閱讀時間和閱讀方式都變得碎片化[11]。論文包裝就是指不改變論文本身的內容，只是從題目、圖文、排版等方面對論文進行簡單的外部包裝，以更吸引讀者。具體說來，包括將論文改變題目、排版、論文格式等來吸引讀者，如將PDF格式轉換成Word格式或網頁格式，或者使呈現方式更活潑豐富，以更適合讀者的閱讀方式和閱讀習慣。通常像重點專題稿件或重要專家約稿等論文，可以采取此類方法，一方面提高論文的閱讀量和關注度，另一方面可以重點推薦專家和作者，擴大專家或者作者的影響力。如《國際檢驗醫學雜志》2018年14期發表的專家述評《Klotho在慢性腎病和血管鈣化中的作用》一文，編輯在《國際檢驗醫學雜志》服務號上進行論文包裝，將題目改成《揭開命運女神“Klotho”與腎病和血管病的神秘面紗》，使題目更有吸引力，同時配上一張希臘女神的照片，將論文排版改變成便于閱讀的Word模式，并且添加一些符合現代人審美的版式，在服務號上，該文的閱讀量較同期的其他推文的閱讀量高。

3知識重組，提高論文使用率

知識重組是指編輯部結合當前的熱點話題，根據某一特定的主題，重新集合已經發表的論文制成專輯，在新媒體平臺上集中二次傳播，以提高讀者對熱點論文的關注和閱讀，提高論文使用率，延長論文生命。如“人工智能”近年來逐步成為各行各業的研究熱點，“人工智能”在檢驗醫學領域的應用和研究也越來越廣泛[12]。編輯部在知網數據庫搜索“人工智能”或“大數據”發現，在《國際檢驗醫學雜志》上發表的論文，單篇論文最高下載量達1325次，編輯部將在本刊發表的與“人工智能”“大數據”相關的論文中下載和引用頻次高的論文，重新整理成專輯，以流媒體鏈接的形式在新媒體平臺，受到了讀作者的廣泛關注。

學術不端是科技期刊出版過程中無法避免的問題與挑戰，據《PLosOne》2009年5月29日發表的一篇系統綜述統計，學術不端行為在世界范圍內的期刊發表中都會存在。文章將從學術不端的定義和國家最新法律法規；出版倫理委員會(CommitteeonPublicationEthics，COPE)和國際醫學期刊編輯委員會（InternationalCommitteeofMedicalJournalEditors，ICMJE）中關于期刊更正與撤稿的定義、區別以及更正與撤稿的流程這3個方向解讀科技期刊處理學術不端問題的原則與措施。

1、關于學術不端的定義和國家最新法律法規

學術不端行為（scientificmisconduct）是指在建議研究計劃、從事科學研究、評審科學研究、報告研究結果中出現捏造、篡改、剽竊、偽造學歷或工作經歷。這不包括誠實的錯誤和對事物的不同的解釋和判斷。學術不端行為在中國相關法律法規中有：《中華人民共和國科學技術進步法》《中華人民共和國著作權法》《中華人民共和國高等教育法》《中華人民共和國教師法》《中華人民共和國學位條例》《國家自然科學基金條例》等。中國從2020年9月1日起實施的《科學技術活動違規行為處理暫行規定》，被稱為史上最嚴、最全面的學術不端處理法規，該規定是由中國科技部部長王志剛簽發的科技部第19號令。該規定除了對學術不端行為的調查處理做出明確規定之外，還對那些出售學術論文、捏造數據并代人撰寫或投稿的“論文工廠”提出了查處方案。

2、COPE和ICMJE中關于更正與撤稿的定義及區別

COPE與ICMJE是科技期刊出版過程中遵守并參考的權威規范，文章將對兩種規范對期刊更正與撤稿的定義及不同進行闡述：

2.1COPE對更正與撤稿的定義：(1)更正：√沒有嚴重違反出版或研究道德；√糾正不影響結論的小錯誤。(2)撤稿：√有明確證據表明，由于重大錯誤（例如，計算錯誤或實驗錯誤），或者由于捏造（例如，數據）或偽造（例如，圖像處理）而導致研究結果不可靠；√構成剽竊；√研究結果先前已在其他地方發表，而沒有適當地注明先前的來源或向編輯披露，也沒有允許重新發表或提出正當理由；√未經授權使用其中包含的材料或數據；√版權受到侵犯或存在其他嚴重的法律問題（例如誹謗，隱私）；√研究不符合道德倫理要求；√在同行評審過程受到破壞或操縱的基礎上的文章；√作者未能聲明主要的競爭利益（又稱利益沖突），據編輯認為，這會不適當地影響編輯和同行評審對文章的建議和解釋。

2.2ICMJE對更正與撤稿的定義：(1)更正：誠實的錯誤是科學研究與發表的一個組成部分。某個編碼有誤或某個計算出錯可導致普遍性的差錯，以致在整篇文章中出現大量錯誤。如果這些錯誤沒有改變文章結果、解釋和結論的方向或意義，當發現錯誤時，應發表更正啟事。對事實方面的錯誤進行更正是必要的。(2)撤稿：學術不端包括數據造假和剽竊，但并不一定僅限于此。數據造假包括欺騙性地篡改圖像。錯誤嚴重到足以使文章報告的結果和結論不可靠，則可以要求撤銷。若調查證實有科學不端，應刊登撤銷論文的聲明。

【摘要】隨著兒科醫學事業的發展，兒科醫學影像學研究生培養是促進和保障兒童健康的必須。經歷了從無到有，從發展到逐漸成熟的過程，醫學影像學研究生在培養過程中還是存在不完善的地方，比如臨床能力不足、科研創新能力缺乏、評估體系不完善等。文章對我國醫學影像學研究生教學模式進行探討。試圖通過傳統教學方式，結合病例教學法和以問題為向導的教學方法，創建影像科醫生和學生交流平臺，影像科與臨床科室交流平臺，加強學生的識別影像征象能力；同時，加強科研思路的培養和英語學習，建立完善的教學評估系統，提高醫學影像學研究生臨床技能和科研能力，旨在促進我國影像醫學的創新及發展。

【關鍵詞】兒科；醫學影像學；研究生；教學模式

現代醫學事業蓬勃發展，醫學影像學在醫療機構中的位置越來越重要，醫學影像知識已經成為臨床醫務工作者必備的知識之一。而且，我國“全面二胎”政策實施后，隨著出生人口數量的增加，兒科醫生短缺的形勢更加嚴峻，特別是作為兒科診斷和治療保駕護航的兒科影像醫生，需求量日益增加。兒科影像醫學研究生教育是我國發展高層次醫學人才的重要途徑。但長期以來，兒科醫學影像學的教學由于受醫院資金匱乏、設備陳舊，教學人才短缺和教學體制落后等條件的的限制，無論在教學理念還是教學形式上，都落后于大型綜合性教學醫院，這是我國兒科影像教學的現狀。另外，兒童醫學影像網絡教學起步晚，發展慢，盡管近年少數兒童專科醫院已經建起了自己的網絡教學數據庫，但仍趕不上醫學發展和社會的需求，總體上處于發展的初期階段。醫學影像學是一個實踐性非常強的專業，學生想要掌握不同疾病影像診斷，需要閱讀大量的病例，才能積累經驗，達到一定的診斷水平，特別是兒科醫學影像學知識，在大學教科書中很少涉及，更需要學生加強兒科病例的閱讀與實踐。同時，醫學影像學研究生是高層次醫學人才，不僅需要有扎實的臨床理論知識、能勝任臨床影像診斷工作，還應具備一定的科學研究的能力，適應科研發展和醫療的進步。臨床技能的提高，是為了更好地滿足患者需求，科研能力的提高，不僅能提高醫生自身的科研水平，而且還能推動我國整體醫療水平的發展。針對目前兒科影像研究生培養的需求和教學體系中的不足之處，如何提升研究生影像診斷學教學質量，有效提高實習質量，提升學生的臨床工作能力，促進科研事業的發展，是擺在醫學影像學研究生教學工作者面前的一個重要課題。筆者結合自身工作實踐及科室教學改革的探索，就這些問題及其解決方案作如下探討。

1采取不同的教學模式相結合的方式，提高研究生技能

1）傳統教學方式。是由帶教老師負責全程帶教，先講解理論知識，然后跟著帶教老師參與臨床實踐。這種教學方法，可以讓學生能全面了解影像診斷基本知識和各種疾病。但是，此種教學方式屬于“填鴨式”教育，學生被動接受，缺乏主動思考，不能激發學生的主動能動性，導致學習效率降低。另外，兒童不是成人的縮小版，病種與成人不同，兒童疾病包括中樞神經系統，骨關節系統，五官及呼吸系統等各個系統，需要由擅長不同系統的醫生進行系統講解，才能讓學生真正了解兒科影像的特點。2）病例教學法（case-basedlearning，CBL）和以問題為導向的教學方法（problem-basedlearning，PBL）”。兩種教學方法相結合。病例教學法是以病例為中心的新型教學方法，指學生運用學過的知識，初步診斷真實病例，并提出診斷依據，制定治療計劃。病例討論教學模式，好比一座橋梁，連接了基礎理論與臨床實踐，為學生以后更好地完成臨床工作奠定基礎。PBL教學法是以問題為基礎，以學生為中心的教學方法，帶教老師在該教學過程中起引導、組織的作用，引導學生主動思考，激發他們的興趣，加強記憶，提高學習效率。這是一種開放式的教學模式，經過臨床教學實踐證明[3]，已經取得了較好的效果。兩種教學方式結合起來，先準備典型病例或疑難病例，帶教老師提出問題，讓學生進行討論。具體有以下幾個主要步驟：①首先，由帶教老師找出典型或疑難病例，讓學生介紹病史，包括臨床癥狀，實驗室檢查、現病史、既往史以及體檢結果。②然后，從圖像存儲和傳輸系統（picturearchivingandcommunicationsystem，PACS）中調出所有影像資料，包括X-ray平片，CT及MR，超聲等影像圖像，讓學生先分組討論，然后每組代表描述影像學征象，結合臨床病史及實驗室檢查，提出診斷思路，列出診斷及鑒別診斷。③帶教老師針對該病例提出問題，學生回答，帶教老師再對學生的描述和診斷，進行詳細講解分析，根據同學們討論的方向和內容做出點評，加深對征象及疾病診斷的了解和認識。3）創建影像科醫生和學生交流平臺，影像科與臨床科室交流平臺。通過創建微信平臺或開辟網絡專欄，促進學生和帶教老師，影像學生和臨床醫生的相互溝通，定期上傳兒科影像病例和影像診斷課件，在微信或網絡平臺進行交流學習，只要有手機或電腦，有網絡，無論在何時何地，學生都可以利用閑暇時間學習，提高學習興趣和效率。

2加強研究生科研能力的培養

在加強醫學影像學研究生技能的培養的同時，還需要進行科研意識和科研能力的訓練。導師團隊需要事先制定好完善的專業科研訓練內容，包括針對臨床病例的文獻檢索、影像資料的收集和整理、影像數據的綜合分析、科研綜述和科研論文的寫作，以及針對臨床遇到的疑難病例和未解決的問題的思索，提出科研問題，并進行科研分析，找到解決問題的方法，設計研究課題等，這些都是科研能力培養的重要內容。此外，還應創造國內甚至國際間學術交流，讓學生參加國內和國際會議，積極開展國際交流，如有條件可以邀請國外專家來醫院演講，介紹最新醫學或科研進展，讓醫學生們在拓展視野的同時，也培養了繼續科研深造的興趣[4-5]。

【提要】醫學影像學發展迅速，新設備、新技術不斷出現，影像?？漆t生要不斷更新知識才能適應醫學影像學科發展和專業人才培養要求。該文通過探討有效的醫學影像學繼續教育模式，提出了醫學影像學綜合應用能力培養目標，既促進了專業人才的培養，也促進了學科和專業建設。

【關鍵詞】教育，繼續；醫學影像學；網絡化教學

隨著醫療影像設備及新技術的快速發展，醫學影像學已由傳統的大體形態學檢查向生理、代謝和功能成像過渡，醫學影像?？漆t生從醫學院校教育所獲得的知識已經遠遠不能適應臨床工作的需求。因此，只有不斷更新知識才能適應醫學影像學科發展和專業人才培養要求。醫學影像繼續教育的形式多種多樣，如何選擇行之有效的模式來適合臨床工作壓力大、學習時間緊張的一線醫生，值得大家重視。

1繼續教育模式

1.1利用計算機網絡資源

網絡化教學模式可以不受地域、時間限制來共享發達地區、大型醫院的教學資源，提供高水平的教學內容[1⁃2]，也使基層醫院的廣大技術人員足不出戶式地參加繼續教育學習[3]。網絡平臺的優勢還在于可以利用分散時間隨時隨地參與繼續教育學習，積少成多地累及知識。目前，各種影像學的在線學習平臺，如丁香園、微信公眾訂閱號“放射沙龍”等，內容更新快，操作方便，特別適合工作壓力大、學習時間緊張的臨床一線醫生[4⁃5]，其中微信公眾平臺形式更加靈活，可以定期推送和分享一些相關專業醫學影像教學PPT和學術視頻，還可以利用上報表單系統功能，將日常工作中遇到的疑難罕見病例上傳（由科室指定的病例隨訪人員將臨床確診結果和手術病理報告隨時上傳），供相關人員查閱學習，將循證醫學思維應用到日常診療行為中[6]。當然，網絡平臺存在一些缺乏系統性的多余信息，也給大家的學習帶來了不小的干擾，如打開一個搜索引擎，輸入關鍵詞，出來的結果可能大部分內容重復，還有一些錯誤或相關性不高的信息，也可能對目標信息造成干擾。另外，對于網絡課程繼續教育學習的認證還沒有完善的學分認證系統，也不利于網絡教學模式的推廣應用，因此需要相關部門出臺措施進行規范。

1.2定期組織學術講座和交流