从2010年面向全校本科生开设《人工智能》系列课程，到2026年59门AI相关课程覆盖临床医学、药学、护理学、预防医学、公共卫生等全领域——北京大学医学部的医学AI教育已走过十余年探索之路。王静老师的报告系统梳理了北大医学AI课程的建设历程、课程目标、教学方法和配套资源：“四个能够”培养目标、闭环案例实践教学、多维伦理讨论、AIGC赋能教学、多层次实践体系。本文从课程体系、教学方法到配套教材，全面解读北大医学AI课程的建设经验。
课程体系——59门课程覆盖医学全领域
北京大学医学部目前已开设59门人工智能相关课程，涵盖人工智能在临床医学、药学、护理学、预防医学、公共卫生等医学各个领域的应用。健康信息管理系自2010年开始面向全校本科生开设《人工智能》系列课程，经过十余年建设已形成完整的课程体系。
“四个能够”课程目标
培养医学生的AI素养，实现“四个能够”：能够理解——掌握AI基本原理与医学应用全景；能够应用——熟练使用AI工具/方法辅助诊疗、科研和学习；能够评判——批判性思考AI的伦理风险与责任边界；能够适应——具备跨学科协作能力和终身学习意识，成为引领智能医疗发展的新时代医生。
教学方法——医学场景与AI技术深度融合
结合医学场景介绍知识、概念。在介绍机器学习分类的基础概念和原理时，结合医学案例讲解。尽量避免公式推导，用医学场景让学生理解算法原理（如聚类、卷积神经网络等）。多方式多层次案例教学强调动手实践，包括有一定编程基础学生的AIGC辅助编程实践，以及精通编程学生的高阶实践。通过虚拟仿真实验、实验室实践等方式让学生亲身体验AI技术在医学中的应用，实现医学场景相结合、理论和实践相结合、知识传授、能力培养和素养的提升。
闭环案例实践教学与多维伦理讨论
闭环案例实践教学让学生经历完整流程：选题→准备数据→建模→预测→运行→验证→解释→伦理→反思。在医学图像分类案例中，重点讲解特征的医学意义，加强结果的临床解读（灵敏度95.2%、特异度98.1%）。多维讨论包括临床决策层（灵敏度98% vs 特异度90%的系统选择困境）和算法伦理层（角色扮演辩论），通过小组讨论、苏格拉底式追问、角色扮演、辩论赛等形式，培养批判性思维和伦理意识。
考核方式与配套资源
考核方式采用过程性评价：课堂参与与小组讨论20%、课堂作业与案例分析60%、项目实践（AI医疗应用设计）20%。学生研究性学习项目涵盖描述性分析、诊断性分析、预测性分析、医疗App数据分析、组学大数据分析等多种类型。配套教材《人工智能通识教程——从基础到应用（医学）》具有四大特色：知识全面系统、理论和实践结合、医工交叉、丰富教学资源。配套在线实训平台与头歌课程，包括零代码构建“医学术语学习助手”智能体、AIGC辅助医学文本关键词识别与统计等实训。
