人工智能（Artificial Intelligence, AI）正在重塑医学影像和放射肿瘤学领域，但对该领域的有限理解与教育获取障碍阻碍了其应用。本研究由欧洲医学影像信息学会（EuSoMII）联合欧洲放射技师学会联合会（EFRS）主导，旨在创建一个包含欧洲所有AI课程的可访问、集中化、可检索的数据库。研究人员开发了一项电子调查，用于收集欧洲AI课程特征数据，例如形式、授课方式、内容、目标受众及欧洲资格框架（European Qualifications Framework, EQF）等级。该调查于2024年9月至2025年1月期间，通过目的性抽样，经由EuSoMII和EFRS的社交媒体及邮件列表进行分发。定量数据使用描述性统计进行分析，并使用Python Seaborn和Geopandas生成可视化图表。研究识别出欧洲的29门AI课程。其中，53.6%由大学提供。课程主要面向放射技师（59%）、医学物理师（52%）和放射科医师（41%），主要对应EQF 7级（硕士水平，44.4%）。大部分课程为独立课程（65.6%）且以在线形式（55.1%）交付，41.3%的课程免费。英语是主要授课语言（79%）。结论指出，欧洲不同的AI课程提供了一些入门知识，但通常持续时间较短。扩展课程形式、构建实践能力、提供多语言支持及覆盖全欧洲范围，对于实现有意义、实用且公平的AI整合至关重要。相关性声明指出，随着AI在医学影像和放射肿瘤学中应用的扩大，目前已存在多样化的AI教育资源。通过一个开放、集中、定期更新的数据库来访问这些选项，使人们能够就其培训做出明智决策，并安全、有意义地开展实践。
随着人工智能（AI）在放射学临床实践中的应用日益广泛，其相关的教育培训需求也随之凸显。近期，计算能力、基础设施与算法设计的飞速进步，显著加速了AI在放射学领域的发展与应用。智能系统已被整合到排班与工作流程规划中，提升了诊断影像部门的组织效率和人力资源配置的优化程度。这些系统也支持放射科医师、放射技师及其他医学影像与放射肿瘤学（Medical Imaging and Radiation Oncology, MIRO）专业人员在临床决策中发挥作用，有助于提高诊断程序的质量与一致性，并在放射肿瘤学中实现更高效的治疗计划制定、结果预测和工作流优化。然而，这些充满前景的发展也引入了新的挑战、风险与潜在错误。AI系统的不透明性与复杂性引发了关于透明度、问责制和知情决策的关切，亟需建立稳健的治理框架。这些新挑战也凸显了AI教育的重要性，目的是为MIRO专业人员装备关于AI的基础理解。缺乏相关的知识、技能和能力，专业人员可能难以在临床中安全有效地应用AI，无法识别和监控AI生成的错误，或者难以批判性地评估AI输出并向患者解释，这些都可能损害信任与临床安全。AI在医疗保健中的成功和合乎伦理的实施需要有针对性的教育和培训。MIRO临床人员必须掌握必要的知识与技能，以理解、评估并负责任地在临床实践中运用AI技术。欧盟（EU）通过引入《AI法案》在监管AI方面发挥了积极作用。一个关键要求是AI生成的输出必须具有可解释性。理解AI的训练与测试对于识别潜在的偏差或特定人群的代表性不足至关重要，这可能导致不准确甚至有害的结果。医疗机构将面临法律要求，以提升其员工的数字素养和对AI技术的理解。然而，在AI快速发展的领域，保持知识的更新更新带来了重大挑战。MIRO专业人员和其他医疗从业者在安全有效地将AI融入临床实践中扮演着关键角色。随着AI在临床实践中日益普及，对结构化、可访问且与时俱进的教育项目的需求不断增长。理解AI工具需要技术知识、临床专长、伦理意识和沟通技能的结合。为确保当前和未来MIRO专业人员的有效和可持续学习，采用适应不同复杂程度和特定专业角色的分层教育方法可能是必要的。为了支持提高MIRO专业人员的AI素养，各种AI课程已开始涌现，但它们并不总是易于获取，也未能针对相同的受众或提供相同的学习目标。迫切需要一个全面、集中、可检索的AI相关教育项目数据库，以满足不同教育水平、语言和交付形式的MIRO专业人员的需求。此类资源将简化获取培训机会的途径，促进学习资源的透明化与标准化，并有助于识别当前教育产品中的差距。它还将支持医疗影像专业领域数字素养的发展，确保从业者准备好应对医疗保健中AI不断演变的格局。通过绘制现有教育资源图谱，本研究旨在为MIRO领域构建一个更具包容性、公平性和可访问性的AI教育数据库做出贡献。本研究采用一项横断面研究设计，以在线调查作为数据收集工具。在线调查被选为一种高效、经济且经过充分验证的数据收集方法，能够可靠地收集足够的定性与定量数据以彻底解决研究目标，同时还能研究多样化的人群。数字化转型和社交媒体持续普及也促进了受访者参与度和数据分析速度的提升。本研究结果的报告符合（a）《改善网络调查质量：互联网电子调查结果报告清单》（CHERRIES）和（b）《观察性研究报告的加强》（STROBE）指南。研究已获得鲁汶天主教大学社会-伦理委员会（SMEC）的伦理批准（编号：G-2024 08 2214）。所有参与者均通过调查首页的专用复选框获得了知情同意。此外，所有参与者均已充分了解研究目的、预计的调查完成时间、数据存储类型、数据存储政策以及主要研究者的联系方式。参与是自愿的，未向受访者提供任何激励措施。本研究使用在Qualtrics平台上设计的开放式在线调查收集数据。该调查基于团队讨论和专家意见设计，并经七名医学影像研究人员试用，以确保内容效度和表面效度。最终的调查工具包含20页，共22个问题，其中5个为封闭式问题，2个为开放式问题，15个为多选题。这允许自由文本回复以涵盖所有可能情况。在适当时采用适应性提问，以减少问题的数量和复杂性。受访者也可以通过专用按钮导航回之前的问题，以便修改答案。通过监控客户端计算机的互联网协议（IP）地址来防止重复提交。然而，通过内置系统维持了回复的匿名性，该系统会标记重复回复但不会向研究人员透露IP地址。最后，所有AI课程特征均由受访者自行报告，并非由研究团队指定。完整的调查问卷可作为补充材料获取。调查通过目的性抽样经由研究团队的专业网络电子邮件，以及通过关键支持机构——欧洲医学影像信息学会（EuSOMII）、欧洲放射技师学会联合会（EFRS）和欧洲放射学会（ESR）——在社交媒体上进行滚雪球抽样进行分发。调查自2024年9月9日至2025年1月9日保持开放状态，以增加参与度。研究团队和支持学会每月通过电子邮件或社交媒体帖子发送提醒。参与者若为在欧洲工作的MIRO专业人员（例如放射科医师、放射技师、放射肿瘤科医师、医学物理师、技术医师、工程师、计算机科学家等），且了解并参加或教授过其领域的相关AI课程，则被邀请完成调查。供应商代表若满足上述资格标准也可参与。调查数据清理首先排除了所有无效和不完整的回复。仅包含在Qualtrics上完成度至少为75%的回复，因为它们提供了足够的数据来有意义地填充教育AI数据库。定量数据使用描述性统计进行分析，并使用Python Seaborn和Geopandas生成响应可视化图表。所有回复被处理成汇总表，而完整的回复则通过在线开放数据库发布。所有自由文本回复由两名研究人员进行评估，并在相关时分配到具有共同内容的类别中。重复的课程被移除，但设计或内容信息在可用时进行了合并。需要注意的是，由于部分调查问题的多选性质，并非所有报告的百分比总和都达到100%。数据库中完整的AI课程可通过以下网页访问：https://www.eusomii.org/courses/（发布时该网页仍在构建中，因为我们正在核查所提供信息的准确性和完整性。随着更多数据条目可用，该数据库将使用EuSoMII执行董事会批准的分配资金进行定期更新）。共收集到215份回复，经筛选后排除不完整和重复条目。最终完整回复的数量确定了29门独特的AI课程。参与者来自欧洲各地，在西欧地区尤为集中。约60%的受访者是放射技师或放射科医师。约17%的人认同更具技术导向的角色，如医学物理师、工程师、技术医师（荷兰引入的一种混合技术-医疗角色，旨在连接技术与患者护理）或计算机科学家。在29门课程中，15门（51.7%）由大学或其他教育机构提供，其次是行业机构（6门，20.1%）和专业机构（5门，17.2%）。其余3门课程（10.3%）由研究机构或其他组织提供。目标受众各不相同；许多课程被认为与医学影像AI生态系统内的所有专业人员相关。在具体提及的专业中，放射技师、医学物理师和放射科医师在40%-60%的报告课程中被列为目标受众。报告的教育等级，根据欧洲资格框架（EQF）定义，各有不同；然而，12门课程（41.4%）报告为EQF 7级（研究生/硕士水平）。其他或未分类的等级也被报告（10门，34.4%），其余则由EQF 5级（职业培训或同等学历）、6级（学士学位或同等学历）和8级（博士学位或同等学历）覆盖。独立课程，即不一定属于更大教育项目的独立课程，被报告最多（19门，65.5%），其次是属于教育项目的课程（6门，20.1%）。在14门报告的课程（48.3%）中，持续时间为一周或更短。此外，受访者经常提到，由于采用异步电子学习方式，课程可以按个人节奏学习。大多数课程（16门，55.1%）设计为完全在线交付，通过在线授课或独立的电子学习进行。另有8门课程（27.6%）旨在面对面授课，只有4门课程（13.8%）采用混合方式。在12门课程（41.3%）中，没有相关费用，表明有相当数量的免费课程。关于付费课程的费用，平均成本为2,088欧元。中位数为495欧元，范围从171到9,628欧元不等，持续时间、交付形式和教学小时数也相应变化。大多数AI课程（22门，75.9%）对相关学术机构以外的人员开放，其余7门（24.1%）仅针对特定项目或学会成员提供。在12门课程（41.4%）中不提供正式的学术学分。英语是欧洲AI课程最常用的语言（25门，86.2%）。六门课程（20.1%）提供多于一种语言，如英语、荷兰语和法语，而11门课程（37.9%）使用英语以外的语言授课。课程提供的教育内容大部分与临床AI应用相关（25门，86.2%）、AI基础原理（23门，79.3%）和AI术语（20门，69%）。较少涉及的领域包括编程（9门，31%）、质量保证（9门，31%）和实施理论（5门，17.2%）。讨论指出，随着AI日益融入医疗系统，在医学影像专业人员中进行结构化、正式化的教育变得既紧迫又必要。本研究旨在评估欧洲医学影像专业人员可获得的AI相关教育资源的可用性和多样性。研究结果表明，本数据库中的大多数AI课程持续时间较短（近一半课程持续1周或更少），考虑教学小时或学术学分时尤为明显。此外，大多数课程以在线形式交付；在线学习策略可能有益，因为它增强了可访问性。相反，在线形式可能并非总能实现动手教育活动，尽管某些在线形式允许交互式学习、模拟和基于案例的学习。这些问题已在文献中强调，指出短期教育课程可能限制学习质量及可迁移知识和技能的获取。可以考虑采用混合方法，结合混合式学习以及高效的自主学习策略，以平衡不同交付模式的优缺点。大多数报告的课程提供于EQF 7级，表明存在正式的认证体系，并有高等教育机构（HEIs）的教学投入。高等教育机构在拓展和多样化所有教育等级的AI教育，以及扩大知识、技能和能力以支持劳动力并加速实施方面，有着明确的角色和需求。这一点得到近期研究的进一步证实，该研究确认了医学学生和放射技师在本科阶段普遍缺乏AI教育项目。此外，针对MIRO专业人员的AI相关数字能力蓝图仍然缺乏；截至2025年10月，EFRS影像信息学工作组已启动为欧洲放射技师制定AI教育框架的工作。一些课程缺乏学术认证，这可能对临床从业者产生反激励作用，考虑到不同国家的执业适宜性要求。全球的专业机构，如ESR、英国放射技师学会与学院以及美国放射技术学会，已为其成员建议了AI教育内容。相当大比例的回复来自西欧，突显了AI教育和认知度可能存在的地区差异。这可能反映了教育提供方面的真实空白，也可能是ESR、EuSoMII和EFRS网络在欧洲其他地区覆盖有限，这可能是由于英语在会员沟通中占主导地位所致。这一发现与最近的研究一致，该研究强调了欧洲放射技师普遍缺乏AI资源，而最近对ESR会员的一项调查表明，会议是AI相关学习的首选来源，进一步证实了由大学主导的、更正规的AI教育项目的相对缺乏。课程语言多样性有限，以英语为主，这可能进一步限制非英语专业人员的可访问性。已强调非英语专业人士可能因语言障碍而错过重要的教育机会。这反过来可能阻碍AI应用的使用，并最小化AI采用的效果。开发一个集中的课程数据库旨在为当前和未来的AI教育提供持续的可访问性和透明度。它也可能鼓励来自低收入或中等收入国家的同行参与那些对他们更易获取（语言、成本、交付形式）的AI课程，同时向教育工作者和教育研究人员突出在内容、语言或交付形式方面明显的空白，这些空白需要进一步开发或探索。总体而言，希望该数据库能作为参考点，向潜在学习者推广任何持续专业发展或相关课程。MIRO专业人员处于患者护理与技术创新的关键接口，处于引导AI在临床实践中合乎伦理和可持续采用的独特位置。最近的法律框架，如欧盟《AI法案》，以及专业标准，如健康与护理专业委员会制定的标准，现在强制要求数字能力和AI素养，强化了结构良好且可访问的基础AI培训的必要性。不同资历或角色的专业人员自然会有不同的教育需求，这种多样性应在未来的AI教育提供中得到反映，采用分层教育方法：为所有专业人员提供基础AI素养，为那些担任领导或战略实施角色的人员提供高级能力，他们将在临床或学术/研究环境中充当AI大使。这种必要性反映了一个更广泛的伦理要求：MIRO专业人员必须继续提供安全、高质量、以患者为中心的护理，同时理解和管理日益复杂的技术。例如，许多AI系统的不透明性引发了关于透明度、问责制和知情决策的关切。所谓的AI“黑箱”效应，与本质上不透明的AI算法相关，可能阻止没有适当深入教育的专业人员检测和上报AI引发的错误，同时也会损害患者对这些技术的信任。AI工具的上市后监测对于确保性能稳定性和随时间的安全性至关重要。最近的研究表明，用于放射学的不同大型语言模型之间存在显著差异，这突显了AI部署后专家人类监督的关键作用。此外，大型语言模型在证明CT转诊方面表现出一定的局限性，进一步支持了最佳AI教育和素养以维持监督和管理AI工具质量保证的必要性。没有充分的培训，临床从业者可能无法批判性地评估AI输出或向患者解释其含义，可能破坏临床安全和公众信任。除AI性能考虑外，AI研究和创新需要遵守标准化的协议、稳健的方法论和透明度。以上证据支持在AI中需要可访问的、协调的、标准化的方法，以安全地将其整合到临床实践中。AIMIROE数据库的开发呼应了上述原则，它提供了一个可访问、集中和可检索的AI教育倡议平台。有必要将新的知识、技能和能力整合到将塑造未来EQF 5至7级学术课程的AI教育框架中。新成立的EFRS影像信息学工作组，由本研究的许多合著者领导，已经开始为放射技师制定AI教育基准。这项工作将制定放射技师在影像信息学领域的“实践范围”，确定未来专业人员所需的知识、技能和能力，并将这些与EQF 6级和7级对齐。这种整合将确保未来的专业人员能够有效地使用AI工具，理解其局限性和伦理影响，并根据需要进行缓解。这也将赋予他们领导患者护理和推动数字化转型的能力。重要的是，强大的AI知识需求不仅限于当前和未来的医疗专业人员。AI教育者也必须具备相当水平的理解，才能有效地指导学习者并保持AI教育的质量。先前的研究表明，临床和学术教育者常常缺乏有效教授和运用AI的技能。因此，学术机构应投资于“培训培训者”，并为开发、部署和评估AI教育工具提供必要的支持、资金和时间。本研究存在几项局限性。首先，尽管英语被广泛认为是欧洲的通用语，但在调查分发中使用英语可能导致语言偏差。此外，回复在地理上集中在西欧，可能无法准确反映更广泛的欧洲背景。识别的AI课程数量相对较少（29门独特课程），这可能限制了研究发现的普遍性，但定期更新将确保其时效性和完整性。此外，使用目的性抽样，尽管在研究问题相关的信息丰富案例和有效利用有限资源方面是合理的，但可能导致本研究的抽样偏差。此外，课程特征（如EQF等级、交付形式、成本等）是自我报告的，未经研究团队外部验证。另外，专业代表性存在偏差，放射技师占主导地位，而其他医学影像子领域（如放射肿瘤学）的输入有限。这种差异可能部分归因于本调查的覆盖范围有限，或这些专业在欧洲MIRO生态系统中的实际代表性。未来的数据库更新将针对增加所代表的专业人员和国家数量。计划在2026年对该数据库进行更新调查，以解决这些差距。总而言之，研究人员在欧洲识别出29种面向医学影像和肿瘤学专业人员的不同AI相关教育机会，这些机会越来越多地通过在线平台提供，通常处于研究生层次。然而，可访问性在地理和语言上仍然不均衡。为确保AI负责任且有效地融入医疗保健，必须将AI教育纳入正式课程，支持培训者，并促进所有地区和专业群体的公平获取。研究结果强调了高等教育机构、政策制定者和专业人员之间的共同责任，即通过为所有人提供可访问的AI教育，在医疗保健中培养可持续和合乎伦理的AI生态系统。
