北京中医药大学管理学院韩爱庆教授实录分享：医学 AI 人才培养的课程与实践教学探索
导读
6月10日，和鲸举办 “医科+AI 人才培养” 系列首场讲座，北京中医药大学管理学院韩爱庆教授在会上作“医学 AI 人才培养的课程与实践教学探索”专题报告，分享了中医药院校在医工融合育人领域的创新路径。
韩老师系统阐述了《深度学习及医学应用》课程建设的完整“路线图”，从课程建设背景出发，指出该课程以 AI 全生命周期理念为指引，从需求分析到数据采集、标注、训练、可视化及落地应用等实践，全面培养学生的高阶能力，特别是培养学生解决医学领域实际问题的能力和创新性思维。
本篇实录整理自分享会内容，旨在呈现医学领域 AI 赋能教学与人才培养的新思路与实践经验，为关注新医科建设、产教融合的教育工作者提供参考。
分享嘉宾
韩爱庆
北京中医药大学管理学院教授、硕士生导师
荣获北京市教学创新大赛三等奖、北京中医药大学教学创新大赛一等奖，获评“优秀教师” “优秀主讲教师”等荣誉称号。主持及参与省部级以上科研项目20余项，发表学术论文80余篇，拥有软件著作权11项。相关研究成果入选2024全球数字经济大会——中医药专题论坛重大发布项目。主要研究方向为医学人工智能。
《深度学习及医学应用》课程背景
培养学生的高阶能力，在选择强计算方向时具备更强的竞争优势
我先围绕《深度学习及医学应用》这门课程的背景展开分享。北京中医药大学是一所以中医药学为鲜明特色的高校，传统主干学科主要围绕中医学、中药学、中西医结合以及公共事业管理等领域，此前相关专业中均未开设过此课程。
2020年，大数据管理与应用专业开始首届招生，在专业培养方案中，我们将《深度学习及医学应用》这门课纳入其中作为一门专业选修课，安排在大三下学期授课。实际上，2019年至2021年期间，在信息管理与信息系统专业《数据挖掘导论》课程中已经有涉及部分相关内容的教学，已经有一定经验积累，为新开课奠定了基础。
我们对该专业首届毕业生进行了调研，发现毕业生去向大致可分为三类：
一部分学生毕业后前往人工智能、计算机、大数据等强计算相关专业深造，这些专业的课程设置在计算强度上比我们专业本身更高，部分优秀学生选择此方向攻读；
一部分学生在中等计算强度的专业发展，如攻读情报学、生物信息学、生物医学工程、以及其他交叉专业，近两年来这部分占比较大；
还有一部分学生选择管理科学、公共卫生等弱计算相关方向，占比较小。
对读研深造的学生而言，约1/3左右学生选择强计算相关专业， 超过1/3的学生选择中计算相关方向，而选择弱计算相关方向的学生占比较小。基于以上对学情的分析，我们期望通过这门课程培养学生的高阶能力，让修完该课程的学生在选择强计算方向和中等计算方向的专业时具备更强的竞争优势。
基于此，我们将教学目标设定为涵盖价值观、知识、能力与思维四个维度。高阶能力培养与思维塑造是我们的核心关注点。具体而言，能力培养定位为引导学生运用所学知识解决医学领域实际问题的实践能力，思维塑造则聚焦于培养学生的创新性思维品质。
那么，如何通过系统化的教学设计实现上述能力与思维的培养目标？
实践教学环境
以 AI 全生命周期概念为指引
长期以来，我心中一直构想了一幅课程框架图，起初因思路尚未完全清晰而未能完整呈现，在多次参与比赛及分享汇报的过程中不断迭代优化，逐步形成了如今的构想。实际上，我们的课程建设正是围绕这一框架展开——以 AI 全生命周期概念为指引，从真实 AI 项目的需求导入，基于成果导向进行数据采集与标注、模型训练、结果可视化及应用落地的完整流程推进教学。
这门课程的终极目标是服务社会发展。从宏观层面而言，旨在通过 AI 技术赋能中医药领域研究发展，如助力实现中医四诊客观化、助力中药饮片智能辨识与鉴定等关键课题；从微观层面来看，则致力于让学生在学习中感知课程的实际应用价值，通过项目落地获得切实的学习获得感。尽管我们在这条探索之路上已取得初步成果，但仍在持续精进，后面我将进一步展示具体实践成效。
若要实现上述 AI 全生命周期管理，算法、算力与数据三大要素的统筹整合不可或缺。基于此，自2019年教育部批复我们设立大数据管理与应用专业起，我们便启动实验室申报工作，旨在为课程理念落地构建实践载体。这一过程充满挑战，从2019年至2022年，我们根据申报通知先后做了七版，历经调研、考察等多轮工作，最终于2022年获批立项，并在2023至2024年间完成整体建设。实验室的核心算力资源部署于学校数据中心，配置了高阶 GPU 服务器。
在场景化教学设备方面，我们经对十多家企业的市场调研后引入 Pepper 机器人，该设备支持学生进行二次开发，目前学生已完成自定义对话系统嵌入、机器人导航、中药饮片辨识模型部署等实践项目。此外，实验室还配备智能中药辨识系统及四诊仪等，均为师生共同参与的产学研课题成果，将在后续分享中详细介绍。
为实现实验室算法、算力与数据的一体化运转，我们开展了大量平台调研工作。经过系统对比 22 家厂商的技术方案，由专业教师团队对各平台功能的专项汇报进行投票表决，最终选定和鲸平台作为核心支撑。下图能看到平台架构设计：
机房与部署于学校数据中心的服务器形成协同架构，通过将硬件内存、虚拟环境及 GPU 显存进行资源池化处理，实现了计算资源的虚拟化管理。
该架构支持根据教学需求动态分配算力资源，可精准匹配不同课程的资源消耗场景——如某门课程仅需 1 颗 CPU 与 4G 内存即可满足运行需求时，系统将自动调度对应算力并实施精细化资源管控。
关于平台具体功能模块及运行界面的实操细节，将在后续内容中展开详细说明。
教学内容、实践案例与平台应用
累计支撑近 2 万小时的实训教学
本课程的显著特色在于丰富的实践案例体系。课程初期基于 Pytorch 环境，以一元线性回归为切入点，避免新知识灌输，通过旧知识迁移的方式，帮助学生快速熟悉平台操作与 Pytorch 框架；后续教学中，依次引入 MNIST 数据集、人脸数据集、中药饮片数据集、舌象数据集及手诊相关数据集作为实操案例。
实验室特别配置了 50 套真实中药饮片样本，学生可在实验室内完成数据采集、依托和鲸平台进行标注、模型训练验证、成果发布的全流程操作。模型部署环节采用华为 HiLens 边缘计算设备，而鉴于英伟达 Jetson 平台具备更强的自定义能力，目前正开展该平台的迁移开发工作，以更有利于深化学生实践能力培养。
在课程实训管理体系中，需涵盖学生管理、数据管理、算力调度、样本标注、竞赛功能及算法管理等多维需求。基于此，我们对平台功能进行了针对性设计。登录进入工作平台后可见核心功能模块：
「我的空间」集成所有自主开发项目，实现算法全生命周期管理；
「共享空间」支持跨团队的数据项目共享；
「数据」模块整合个人上传数据；
「算力管理」模块可支持学生直观查看可调用的算力资源，包括不同显存容量及 CPU 核心配置。在课程中老师通过明确告知学生不同课程项目对应的算力版本，确保学生依据任务需求合理选择。
同时，教师端的算力分配界面具备高度灵活性，可自定义资源参数。例如：
将「CPU实训版」设置为 4 颗 CPU、8G 内存；
将「GPU实训版」配置为 4 颗 CPU、16G 内存与 15G 显存（可根据 GPU 服务器实际性能动态调整）；
教师可依据课程难度与教学目标，精准分配算力资源：将实训版定向分配给大数据专业学生开展深度实践项目，而CPU基础版（2 颗 CPU、4G 内存）则面向全体学生开放，包括公选课学生，以此实现差异化教学资源供给。
因此，不同学生在平台中看到的算力资源与项目内容也是存在差异的。在「我的空间」模块，所有项目代码均按类别清晰标注，便于后期管理。平台也支持按名称或关键词检索项目，可快速定位相关内容，实现分类化管理。
我们也将相关课程迁移到了平台上。
平台支持将 Jupyter 项目直接嵌入课程体系，同步关联数据、PPT、教学视频等资源，满足实训课程的刚需。
作业布置环节可以基于 Jupyter 项目形式发布，教师能在线运行学生作业并进行评估打分，相较学校传统 Blackboard 平台提供的一部分功能，该模式更贴合实训教学需求。
管理端数据显示，近一年来 CPU 基础版使用时长约 8000 小时，GPU 实训版超 5000 小时，各级别算力已经累计支撑近 2 万小时的实训教学。
从去年平台全面投入使用后，使用量显著攀升，尤其是今年的整体使用频次更是显著高于去年，不同算力版本的消耗数据也清晰呈现。
在比赛板块，我们每学期组织学生以个人或团队形式参与打榜，发现学生参赛积极性高涨，提交作品时间分布于全天各个时段，很多学生为冲刺排名主动熬夜探索新技术，通过持续优化模型提升成绩，形成了良性的竞赛氛围。
实践教学探索
以提升学生实践能力与创新思维为核心目标
在实践教学层面，我们以提升学生实践能力与创新思维为核心目标，开展了系列教学创新。
一方面，几乎每节课我都会布置实战作业，并选取3~5名学生分享作业完成思路，实践下来我们发现这个模式能显著提升学生的作业完成质量；
另一方面，采用“以赛促学”机制，每学期组织专项竞赛并设置打榜环节。今年竞赛规则优化为“70%模型得分+30%团队汇报”，要求学生以团队形式展示成果，并引入跨组互评机制，这种模式也极大激发了学生积极性。赛后，优秀团队需要将经验要点板书分享，从而实现全班的知识迁移。
此外，我们希望课程竞赛不仅局限于课堂，能延伸至校级竞赛体系，形成“课堂训练-校级选拔-全国赛事”的进阶路径。目前，我们的学生在竞赛方面最高获得过全国二等奖（奖金1万元），我们也在着力向更高奖项突破。
在长效实践机制建设上，学院的“青葵工程”项目是比较有创新性的。教师将科研课题拆解为适合本科生参与的小课题，以招标形式发布（如图所示，红色与蓝色标识为本人发布的课题），内容涵盖目标检测、中药饮片识别、学生行为检测等深度学习应用场景，聚拢优秀学生组建专项团队。该模式既助力教师课题推进，又为学生提供实战平台，产生了显著育人成效。同时我们将相关课题融入毕业设计，如中药饮片辨识、中医文本分类等，形成梯队式培养模式，通过青葵工程与毕业设计结合，让优秀学生产出成果，实现从知识应用到创新能力的提升。
0
以上为部分实录分享内容，更多材料可联系工作人员了解（添加时烦请备注“医学+AI”）。
