《教育强国建设规划纲要（2024—2035年）》明确要“建设学习型社会，以教育数字化开辟发展新赛道、塑造发展新优势”。人工智能技术的飞速发展不断推动医学教育数字化转型。在此背景下，四川大学华西基础医学与法医学院紧紧围绕人工智能赋能医学教育开展了大量研究与实践，与电子科技大学联合攻关基于医学基础知识的精细化知识地图构建和检索优化，尝试本地部署大语言模型，结合本地知识库进行“幻觉”矫正，实现本地知识库与大语言模型之间的沟通互作，最终建设基础医学教育专用模型，推动基础医学拔尖创新人才自主培养的高质量发展，优化各类医学人才培养的智慧医学教育新生态。

　　四川大学华西基础医学与法医学院和电子科技大学联合攻关团队（以下简称“联合攻关团队”）在研究中发现，基础医学教育数字化转型面临两个基础问题：一是人工智能与基础医学知识的适配问题，例如，人工智能对于医学相关知识的掌握是否通过语料训练就能够完善、如何克服人工智能在医学相关问题的输出中存在“幻觉”问题。二是人工智能如何才能真正做到赋能医学教育。联合攻关团队针对这两个问题展开了深入的探索。

　　针对人工智能与基础医学知识的适配问题，联合攻关团队采用检索增强生成（RAG）技术作为解决问题的核心方案。传统大语言模型（LLM）如同“泛读百科全书”，虽然能覆盖广泛的知识，但在医学领域常因概率推断机制生成错误内容，产生“幻觉”。而RAG技术则像“带专业索引的医学词典”，通过超精细知识图谱实时检索权威数据源，将大语言模型的生成过程建立在准确的知识基底上，使医学问答更加准确。

　　对比传统微调技术，RAG技术在医学教育场景中展现出显著优势：一是与知识图谱的适配性更高，RAG技术与基础医学核心课程知识图谱深度耦合，可精准定位细分知识点；二是数据安全可控，通过RAG技术的权限管控机制，仅允许访问经伦理审查的医学教学数据，避免敏感信息泄露；三是动态更新灵活，当教材更新内容时，只需更新知识图谱节点，不需重新训练模型，提升响应效率；四是算力成本优化，RAG技术仅需低算力支撑推理过程，减少了GPU资源消耗，更适合学校本地服务器部署。

　　在突破医学知识深层关联与挖掘的瓶颈方面，联合攻关团队创新将图神经网络（GNN）与基于知识图谱的RAG技术深度融合，构建了“LLM-GNN-Graph-RAG”智能框架。GNN是一种专门用于处理图结构数据的深度学习模型，通过学习图中节点、边和子图的表示，捕捉图结构中的复杂关系和模式。GNN已广泛应用到社交网络分析、知识图谱、推荐系统、化学分子预测等领域。联合攻关团队用GNN挖掘数据之间的深层次关联，以“GNN-Graph-RAG”为核心技术解决本地部署与知识库之间的沟通问题。利用GNN捕捉知识节点间的多阶关联，使模型回答从“单点知识”升级为“关联网络解析”。当新知识加入图谱时，GNN可通过节点嵌入更新，自动推演其与现有知识体系的关联，实现“一次建模、持续进化”。这种“LLM-GNN-Graph-RAG”智能框架不仅尝试解决了医学教育中“知识准确性”与“关联深度”的双重需求，更通过图结构的可解释性，为教师设计跨学科整合课程提供了可视化的知识关联蓝图，并推动基础医学教育从“知识灌输”向“关联思维培养”转型。

　　人工智能依托强大的能力和特点将改变传统的“教与学”医学人才培养模式，而不仅仅是优化课堂教学、考试出题、考核评价等过程管理环节。因此，人工智能会如何改变医学教育模式是值得研究，也是必须研究的重要课题之一。基于此，四川大学华西基础医学与法医学院成立了医学基础教育信息科学与技术实验室，专门组建了包括人工智能专家、医学教育研究人员、实践与管理专家的跨学科交叉团队，对未来医学教育模式展开了探索式研究。现阶段，团队以学生为中心，在教材中引入知识图谱，在课堂上开展以医学知识地图为核心的智能化教学变革，引导教师以点拨学生和解决学生问题为主要任务，利用人工智能辅助学生学习，使学生根据其自身特点有逻辑地掌握知识图谱中的关键知识，实现学习、考核与评价的有机联动，形成基于数字化转型的“教材—课程”“教师—人工智能—学生”“教—助—学—管—评”等多维度融合的人才培养新模式。

　　在联合攻关团队前期的研发与应用过程中，基础医学教育专用模型已服务建设基础医学核心人工智能课程，包含解剖学、组织学与胚胎学、生理学、生物化学、病理生理学、医学免疫学、医学微生物学及药理学等方面，服务教师基于模型生成的知识关联图谱优化课程大纲，推动20余项相关省级、校级教改项目落地。这种“技术赋能教育”的实践，不仅提升了模型在医学知识问答方面的准确率，更通过“LLM-GNN-Graph-RAG”智能框架探索模型从“知识记忆”到“关联推理”的能力跃迁，为破解医学教育中“碎片化知识整合难”的痛点提供了系统性方案，有望进一步推进人工智能赋能医学教育，高质量服务基础医学教育专用模型的建设与迭代，通过教育模式变革，推动基础医学拔尖创新人才自主培养高地的建设，助力各类医学人才培养的高质量发展。

　　（肖世维 梁伟波）