教职员工于1月27日齐聚一堂，听取去年首届创意研讨会（Ideathon）期间提出的多个项目的最新进展汇报。健康IT战略与投资组合总监Kathleen Ludewig将这些创新框架描述为在"倾听、观察、推理与搜索方式"上的突破，重点展示了四个团队如何探索人工智能（AI）与空间计算在医学教育中的应用，以提升学生学习成效并优化教学效率。
环境转录助手提升反馈质量
教育技术与创新副院长Jaideep Talwalkar博士分享了在课堂中应用环境转录助手的最新成果，该技术显著提高了标准化患者访谈期间学生反馈的质量与效率。反馈作为基于能力的医学教育核心环节，是医学教育联络委员会（LCME）与毕业后医学教育认证委员会（ACGME）的强制认证要求。
在标准化患者（SP）模拟诊疗中，学生需对经过专业培训的"患者"进行访谈，全程由同学和教授观察。访谈结束后，教授提供口头反馈并后续在评估表上书面总结。这一流程耗时且常导致内容遗漏。为解决此问题，Talwalkar主导了环境AI转录助手在SP访谈中的应用研究：该工具自动捕获并总结口头反馈，教师可编辑后直接分享给学生。13名教师监督104名学生参与的研究显示，AI辅助生成的摘要质量优于人工总结。
基于研究成功，教育技术与创新（ETI）团队开发了内部环境转录助手系统，可自动捕获、转录、结构化组织并总结SP访谈反馈。教师能直接在平台编辑AI生成摘要并通过邮件发送，且系统经过专项训练仅总结访谈中实际发生的反馈内容以避免错误。该工具功能已拓展至临床记录与对话摘要生成，目前处于试点阶段，Talwalkar计划今年春季开展多场景验证研究。
解剖学与扩展现实技术融合
外科副教授（血管方向）Edouard Aboian博士介绍了扩展现实（XR）与三维模型在耶鲁医学院（Yale School of Medicine）人体解剖学课程中的应用成效。Aboian与解剖实验室团队探索了将传统教学材料与可移动三维模型结合的方案，最终采用摄影测量法——通过重叠二维图像创建3D模型的技术路径。
在获得机构审查委员会（IRB）等监管机构批准后，团队制作了骨盆与腹部区域的详细解剖及预解剖标本3D模型，精准匹配学生当期课程主题。学生通过Apple Vision Pro扩展现实头显观察模型，团队据此评估其作为学习辅助工具的有效性。33名志愿者学生在实际解剖前使用XR系统，全体反馈该技术易于操作、有效提升解剖学学习效果且实用性强。
目前校内配置4台XR头显：医学图书馆（计算中心储物柜）与解剖实验室各2台。3D模型亦可通过Guided Anatomy网站访问。Aboian表示团队正探索将解剖结构与放射学影像联动等进阶应用。
AI神经病学推理教练开发
神经病学助理教授Jeffrey Dewey博士展示了基于Gemini3可定制大语言模型Gems构建的神经病学推理教练。尽管斯坦福的Clinical Mind AI已覆盖临床推理多维度，Dewey仍发现需要专业AI教练指导学生建立神经病学思维模式。
他采用RODES框架进行AI提示工程，在Gems平台开发了该教练系统。其核心是运用Dewey构建的知识库与现有框架，通过挑战性问题引导学生进行神经病学临床推理。开发过程持续迭代：Dewey不断优化教学目标、临床病例库、标准应答方案及专家知识库以提升辅导能力。他指出聊天机器人偶有脱离生理学依据的结论或自创推理路径，修正AI决策逻辑虽具挑战，但已初见成效。
下一步将扩充临床病例库、构建内部参考文档、增加情境分析模块、引入评估陈述功能，最终面向神经病学学生开展试点应用。
AI驱动课程搜索工具革新
最后，库欣-惠特尼医学图书馆技术与创新主管Lei Wang介绍了ETI团队去年开发的MD课程搜索工具。该工具可跨18门临床前课程检索数千页内容，包括PowerPoint幻灯片、教学大纲、图表、图像及PDF文档。
其应用价值广泛：管理人员借此识别课程优势与改进空间，教师用于优化内容开发流程，学生则将其作为高效学习辅助。目前工具处于分阶段部署阶段，ETI团队正开发培训课程与操作指南，帮助用户充分挖掘其功能潜力。
【全文结束】
