在科技迅猛发展的当下，人工智能（artificial intelligence，AI）技术正广泛渗透至诸多领域，检验医学教育作为培养专业检验医学人才的关键环节，正经历高度自动化的技术革新，AI技术渗透为这一进程注入新发展动能。检验医学作为临床决策的核心支撑环节，其诊断准确性、流程效率及个性化服务需求日益增长[1]。研究显示，AI通过机器学习、自然语言处理等技术，可优化从样本分析到结果解读的全流程，显著提升循证医学实践能力（如自动化文献综述、多模态数据整合），尤其在低资源国家，AI可弥补基础设施短板，推动疾病管理的精准化[2-3]。同时，全球医学教育智能化转型需求与检验学科的跨学科特性高度契合。检验医学兼具技术密集性与临床关联性，要求从业者不仅掌握传统实验技能，还须具备数据解析与AI工具应用能力[4-5]。然而，现有医学教育体系在AI课程整合、临床-检验跨学科培养等方面存在明显缺口[6-7]。这种技术迭代与教育转型的双重需求，凸显通过AI技术重塑检验学科知识体系与实践模式的紧迫性[8]。AI技术的应用不仅革新传统教学模式，还为学生打造更丰富、个性化且高效的学习体验，其在检验医学教学中的应用已成为当前教育领域的重要研究课题。本研究深入探讨AI技术在检验医学教学中的应用现状、优势、面临挑战及未来发展方向，以期为推动检验医学教学的创新发展提供有益的见解和建议。

1 AI技术基础及其在检验医学中的定位

1.1 核心技术支撑

AI在检验医学中的技术基础以机器学习、自然语言处理和计算机视觉为核心，为实验室数据分析和临床决策支持提供革命性工具。

1.1.1 机器学习与实验室数据分析 机器学习作为一项强大的AI技术，正日益成为挖掘临床实验室数据潜能的核心驱动力。通过监督学习、无监督学习及深度学习等算法，机器学习能从海量、多维的实验室数据（如血常规、生化指标与微生物药敏结果）中识别复杂的非线性模式与隐藏规律，从而实现对多种疾病（如糖尿病、心血管疾病）的早期风险预警[9-10]。在生物标志物纵向监测中，机器学习通过时间序列分析优化个体化治疗方案的动态调整[11]。此外，在微生物实验室，机器学习通过分析基因组学数据，正迅速成为预测病原体抗生素耐药性的有力工具。尽管面临模型可解释性、数据质量与泛化能力等挑战，但伴随数据预处理、特征工程与模型验证流程的日益标准化，机器学习可显著提高实验室数据向临床决策知识的转化效率，为提升感染性疾病的诊断前瞻性、治疗精准性及预后管理水平开辟崭新道路[12]。

1.1.2 自然语言处理在检验报告解读中的应用 检验报告中蕴含的大量非结构化文本数据（如镜检描述、诊断印象与特殊备注），传统上难以被直接用于临床分析与系统整合。自然语言处理通过命名实体识别、关系抽取与语义分析等算法，能自动从这些文本中精准提取关键临床实体（如特定细胞形态、病原体特征），并将其转化为结构化、可量化的数据，从而为实现跨平台信息融合奠定基础。进一步地，自然语言处理可自动识别检验报告中的关键指标（如肿瘤标志物水平），并结合电子病历生成临床建议，显著提升实验室数据的整体利用效率与疾病风险的早期预警能力[6]。

在纵向诊疗场景中，自然语言处理通过集成与时序分析技术，赋能检验结果的动态监测，为个体化治疗方案的调整提供更深层次的洞察。此外，自然语言处理在多模态报告整合方面展现出重要潜力，如在遗传检测报告解读中，能快速关联基因变异与表型特征，极大增强复杂疾病分子机制的解析能力[13]。随着自然语言处理模型开发流程（涵盖语料标注、特征工程与性能验证）逐步标准化，文本信息向临床决策知识的转化效率显著提升，从而为推进诊疗流程的精准化与前瞻性开辟新路径[14]。

1.1.3 计算机视觉与显微图像分析 计算机视觉通过卷积神经网络和深度学习模型，显著提升显微图像（如血涂片、组织切片）的自动化分析能力。计算机视觉系统可在血细胞分类任务中达到与资深检验医师相当的准确率，同时实现异常细胞（如白血病细胞）的实时检测[15-16]。AI驱动的图像识别技术已成功应用于微生物培养板的菌落计数与分类，将传统人工判读时间缩短60%以上[17]。

1.2 AI在检验医学全流程中的变革潜力

1.2.1 样本分类与质量控制 AI将检验医学的质量控制节点显著前置，在样本前处理阶段即可发挥关键作用。其通过图像识别与元数据分析，自动完成样本类型判定与采集质量评估（如溶血、脂血）[18]。此外，基于计算机视觉的样本分类系统有效减少人为标签错误；机器学习算法更能预测样本在运输中的稳定性风险，实现从被动识别到主动预警的质量管理新模式[19]。

1.2.2 自动化结果判读与异常预警 在分析阶段，AI可对接仪器输出的实时数据流，实现实时结果验证与异常值检测。机器学习模型能整合大量历史检测数据，构建个体化或群体性的动态参考区间，从而精准识别那些超出预期模式的异常波动（如血钾水平的危急变化），并自动触发复查或提示临床干预的机制[18]。基于深度学习图像识别技术，AI系统可直接分析药敏试验板的成像结果，自动判读抑菌圈直径与模糊生长边缘，将传统需要16～24 h的人工判读过程缩短至数分钟内。这种对耐药表型的快速判定，为临床尽早制订或调整精准的抗生素治疗方案提供关键依据，有效改善抗感染治疗的预后[16]。此外，AI的潜力还体现在对复杂检测模式的解读上。如在流式细胞术或蛋白质电泳图中，无监督学习算法能识别出难以被人工察觉的微弱异常细胞群或蛋白条带，为血液肿瘤、自身免疫病等复杂疾病的早期诊断提供新线索[20]。

1.2.3 集成式临床决策支持 AI通过整合实验室数据与临床信息（如影像学、基因组学），生成多维度的决策支持报告。机器学习模型可预测患者对特定治疗方案的反应概率，为精准用药提供依据[11，21]。AI在证据检验医学框架下，能自动化生成循证诊疗建议，推动检验医学从“数据提供者”向“临床顾问”角色转型[2]。

2 AI在检验医学教学中的创新应用场景

2.1 教学内容革新

2.1.1 虚拟仿真与技能训练平台虚拟现实技术 虚拟仿真与技能训练平台虚拟现实技术在检验医学教学中的应用日益广泛，通过构建虚拟环境进行操作训练，显著提升学生的实际操作技能。2020年以山东泽众电子科技有限公司开发的虚拟仿真教学平台（具体包含“医学检验技术形态学资源软件库V1.0”等模块），其成功地将价值高昂的全自动电化学发光免疫分析仪等临床设备虚拟化[22]。在《临床免疫学检验技术》课程中，学生通过该平台完成“甲胎蛋白检测”的完整虚拟操作，解决因设备昂贵、试剂成本高而无法开展实体实验的长期教学痛点。该平台在疫情期间访问量达数十万人次，可有效保障教学的连续性。其通过提供无风险、可重复的模拟训练环境，不仅使学生熟练掌握仪器操作流程和原理，还通过嵌入临床案例和双语界面，显著提升学生的临床思维和综合实践能力，实现从知识传授到能力培养的教学目标转化。该案例清晰体现AI驱动的虚拟仿真技术如何将临床稀缺资源转化为可规模化、高质量的教学资源，是技术支撑教学转化的典型范例。

2.1.2 动态案例库 基于自然语言处理和机器学习，AI可实时整合临床数据库与最新研究成果，自动生成包含多模态数据（如检验指标、影像、病理切片）的教学案例。ChatGPT等大型语言模型可生成符合教学目标的个性化病例，结合患者历史数据模拟真实诊断场景[14，23]。动态案例库还能根据学生知识盲点调整案例复杂度[24]。

2.1.3 检验报告智能解读训练系统 自然语言处理技术能深度解析海量的检验报告与医学文献，进而构建出智能问答系统。此类系统可针对学生的提问，即时解析异常化验指标（如肌钙蛋白升高）所关联的临床意义与潜在病理机制，有效辅助学生完成从实验室数据到临床知识的转化。AI可模拟逼真的临床决策场景，引导学生基于给定的检验结果（如全血细胞计数异常）进行逐步推理，自主推导出可能的鉴别诊断，并通过实时、个性化的反馈，系统性强化其循证医学与临床逻辑思维能力[2]。多模态学习模型通过融合检验数据、影像学报告乃至基因组信息，能构建出高度整合的虚拟病例，以此专项训练学生综合解读跨学科信息、形成全局诊断印象的能力[25]。

2.1.4 AI实验室助手 华中科技大学同济医学院附属同济医院检验科推出全国首个颠覆性实验室AI助手“问问同检”，优化检验科工作流程，提升检验知识获取、报告解读、文献阅读处理、科研文章撰写及患者服务的效率。AI实验室助手可协助学生完成数据录入、结果分析等重复性、繁琐的工作任务，使学生有更多时间与精力专注于核心检验工作与科研创新，同时为学生提供实时技术支持与咨询服务，提高学生工作效率与质量。

2.2 基于AI数据的教学方法创新

2.2.1 自适应学习系统 AI通过分析学生的学习行为数据（如操作错误率、知识掌握速度），动态调整教学内容与进度。机器学习算法可识别学生薄弱环节，优先推送相关知识点或实验模块[26-27]。系统还可结合强化学习，根据实时表现优化教学路径[9，28]。AI算法通过多维数据分析构建学习者画像，提供定制化训练方案，实现真正意义上的“因材施教”。研究显示，AI个性化教学组学生的诊断能力标准差缩小72%[29]。

2.2.2 实时反馈机制 在虚拟或实体实验室中，AI通过传感器和计算机视觉实时监测学生操作（如移液精度、显微镜调焦），即时反馈技术错误并建议改进方法。深度学习模型可识别显微镜下的细胞分类错误，并通过增强现实叠加标注提示[4]。

2.2.3 跨学科协作教学平台 基于AI构建的教学平台，能有机融合检验医学、临床医学与影像学等多维度信息，创建高度仿真的虚拟诊疗环境。在此环境中，机器学习模型可模拟真实病例的完整诊疗路径，学生在此环境中主导虚拟患者的完整诊疗路径，选择检验项目、解读多维结果、制订治疗方案，进一步地，学生可通过集成自然语言处理技术的对话系统与“模拟患者”进行深入交互，完成病史追问与医患沟通，系统则根据其全流程决策给予实时评估与反馈[11，30]。

3 挑战与对策

3.1 主要挑战

3.1.1 技术瓶颈 检验医学教学场景中，高质量标注数据的稀缺性成为制约AI模型性能的核心问题。医学数据采集面临隐私保护、伦理审查和跨机构共享壁垒，导致样本量不足且分布不均，严重削弱算法泛化能力[31-32]。实验室检验数据常因疾病类型、检测方法差异而呈现碎片化特征，难以支撑复杂模型的训练需求。现有算法在跨模态数据处理（如生化指标与影像学关联分析）中存在解释性不足的缺陷，限制其在教学案例设计中的应用深度[11]。

3.1.2 伦理风险 AI技术在教学中的渗透引发多重伦理争议。一方面，实验室检验数据涉及患者敏感信息，AI系统若未采用差分隐私或联邦学习等隐私保护技术，可能造成数据泄漏风险[33]；另一方面，AI辅助诊断教学工具若出现误判，其责任归属问题尚无明确法律界定。责任归咎于算法开发者、医疗机构还是教学实施者，仍存在制度空白[34]。AI模型隐含的种族、性别等潜在偏见可能通过教学案例传播，影响学生临床判断的客观性[35]。

3.1.3 接受度差异 AI在医学教育中的深度融合，正引发教学群体内部显著的认知分化与适应性挑战。资深教师对AI工具的整合普遍持审慎保守态度，其核心忧虑在于过度依赖技术可能削弱学生对基础核心技能（如显微镜判读、手工推片染色等）的掌握，导致实践能力空心化。相比之下，年轻教师虽对技术接纳度更高，却更关注算法“黑箱”特性对知识传授逻辑的潜在冲击——当AI的输出过程缺乏透明解释时，传统的病理生理教学链条可能被中断，从而影响学生对内在机制的深刻理解[36]。

学生群体的反馈同样呈现结构性差异。一部分学生能利用AI模拟系统进行个性化训练与探索，但缺乏对算法模型局限性（如训练数据偏差、特定情景误判）的批判性认知。另一部分常因界面操作复杂、技术理解门槛等现实障碍而产生显著的适应焦虑与抵触情绪。这种师生群体内部的态度分化，揭示技术赋能教育过程中必须面对的深层矛盾，如何在拥抱技术创新与守护核心教学价值间取得平衡，是推动医学教育现代化转型的关键命题[37]。

3.2 应对策略

3.2.1 建立AI教学能力发展体系 为确保AI与检验医学教育的深度融合，必须构建系统化、可持续的教师专业发展支持体系。一方面，需建立结构化的分层赋能路径，为教师设计“认证使用者-课程设计师-教学研究者”的阶梯式发展通道，并配套开发针对性的学期制项目研习及课题孵化支持；另一方面，必须组建由检验医学、计算机科学及教育学专家构成的跨学科教学团队，共同开发课程与资源。该机制通过设立校级支持中心与案例库提供常态化支撑，并确保教师能力成长与AI教学从试点到深化的全过程同步。

3.2.2 制订AI教学伦理指南 为构建安全、可信、负责任的AI教学环境，需从技术、教学与法律3个层面制订系统的伦理实施框架。在技术层面，应将隐私保护作为底层设计强制嵌入。所有涉及真实数据的教学模型开发，需优先采用“联邦学习”等隐私计算架构，确保原始数据不出本地，仅交换加密的参数更新[38]。在教学层面，必须建立AI辅助决策的全流程可追溯机制。所有用于教学的AI生成案例或诊断建议，须附带标准化“算法标签”。在法律与责任层面，建议探索设立“算法开发者-技术提供方-教育机构”三方参与的专门责任保险，为合规使用经认证的教学AI工具提供风险保障。同时，需制订《教学用AI工具伦理准入审核清单》，纳入院校伦理委员会审批流程。此外，伦理教育必须融入课程实践。应在《医学伦理学》或专业课程中组织学生针对算法公平性、诊断错误归责、患者知情同意等真实困境进行模拟，系统培养其技术批判性思维与伦理决策能力。

3.2.3 AI教学系统化融入 AI的系统化融入需以“规范-原理-创造”为主线构建可操作的解决方案。课程内容应模块化嵌入，通过实际标准（如ISO 15189、LOINC）的模拟操作与成熟AI产品（如Cellavision）的案例拆解，衔接理论与临床。教学采用“项目式学习”，指导学生使用脱敏真实数据，完整完成一个疾病预测模型的构建与验证。建立以能力为导向的考核机制，最终以详实的项目报告、模型性能评估及创新方案作为学习成效的实证支撑[39]。

4 小结与展望

在医学检验教学中，AI正通过“精准化、个性化、全流程化”的深度赋能，推动教学模式从经验驱动走向数据智能驱动，依托自适应学习系统提供个性化临床思维训练路径，并贯穿“备课-教学-评估”全流程，显著提升教学效率与质量。

展望未来5年，检验医学教育智能化将呈现以下趋势：①教学形态上，以“AI+虚拟现实/增强现实”为核心的沉浸式、交互式学习环境将成为常态，虚拟仿真实验与真实临床数据的融合更紧密；②师生角色上，教师向学习设计师与思维引导者转型，学生则在AI辅助下开展更多自主探究与协作创新；③资源生态上，基于隐私计算与区块链的可信数据共享平台将逐步建立，推动形成跨区域、跨院校的智能化教学共同体；④评价体系上，过程性、能力导向的多维智能评价将逐步替代传统单一考核方式。

尽管面临数据安全、技术接受度与成本等现实挑战，AI与检验医学教育的深度融合已成必然。未来应着力推动“技术-教学-伦理-制度”的系统化协同创新，以人机协同的新范式，持续赋能高素质、复合型检验医学人才的培养。

利益冲突声明：本文所有作者均声明不存在利益冲突。

[参考文献]

[1] PARANJAPE K, SCHINKEL M, HAMMER R D, et al. The value of artificial intelligence in laboratory medicine [J].Am J Clin Pathol，2021，155（6）：823-831.

[2] PILLAY T S，TOPCU D I，YENICE S. Harnessing AI for enhanced evidence-based laboratory medicine （EBLM） [J].Clin Chim Acta，2025，569：120181.

[3] ASHRAF A A，RAI S，ALVA S，et al. Revolutionizing clinical laboratories：the impact of artificial intelligence in diagnostics and patient care [J]. Diagn Microbiol Infect Dis，2025，111（4）：116728.

[4] SHARMA A，AL-HAIDOSE A，AL-ASMAKH M，et al. Integrating artificial intelligence into biomedical science curricula： advancing healthcare education [J]. Clin Pract，2024，14（4）：1391-403.

[5] JAFRI L, FAROOQUI A J, GRANT J, et al. Insights from semi-structured interviews on integrating artificial intelligence in clinical chemistry laboratory practices [J]. BMC Med Educ，2024，24（1）：170.

[6] WANG S，YANG L，LI M，et al. Medical education and artificial intelligence：web of science-based bibliometric analysis （2013－2022） [J]. JMIR Med Educ，2024，10：e51411.

[7] ANGKURAWARANON S，INMUTTO N，BANNANGKOON K，et al. Attitudes and perceptions of Thai medical students regarding artificial intelligence in radiology and medicine [J]. BMC Med Educ，2024，24（1）：1188.

[8] DANGI R R，SHARMA A，VAGERIYA V. Transforming healthcare in low-resource settings with artificial intelligence：recent developments and outcomes [J]. Public Health Nurs，2025，42（2）：1017-1030.

[9] ÇUBUKÇU H C，TOPCU D İ，YENICE S. Machine learningbased clinical decision support using laboratory data [J].Clin Chem Lab Med，2024，62（5）：793-823.

[10] YOU J，SEOK H S，KIM S，et al. Advancing laboratory medicine practice with machine learning：swift yet exact [J].Ann Lab Med，2025，45（1）：22-35.

[11] DODIG S，ČEPELAK I，DODIG M. Are we ready to integrate advanced artificial intelligence models in clinical laboratory? [J]. Biochem Med（Zagreb），2025，35（1）：010501.

[12] THEODOSIOU A A，READ R C. Artificial intelligence，machine learning and deep learning：potential resources for the infection clinician [J]. J Infect，2023，87（4）：287-294.

[13] GIROUARD M P，CHANG A J，LIANG Y，et al. Clinical and research applications of natural language processing for heart failure [J]. Heart Fail Rev，2025，30（2）：407-415.

[14] MESE I，TASLICAY C A，SIVRIOGLU A K. Improving radiology workflow using ChatGPT and artificial intelligence [J]. Clin Imaging，2023，103（1）：109993.

[15] JUHN Y，LIU H. Artificial intelligence approaches using natural language processing to advance EHR-based clinical research [J]. J Allergy Clin Immunol，2020，145（2）：463-469.

[16] CINTRÓN M. Interpretation of bacterial smears and cultures using artificial intelligence [J]. Clin Lab Med，2025，45（1）：41-49.

[17] DEYOUNG B，MORALES M，GIGLIO S. Microbiology 2.0-A “behind the scenes” consideration for artificial intelligence applications for interpretive culture plate reading in routine diagnostic laboratories [J]. Front Microbiol，2022，13（4）：976068.

[18] BUNCH D R，DURANT T J，RUDOLF J W. Artificial intelligence applications in clinical chemistry [J]. Clin Lab Med，2023，43（1）：47-69.

[19] HOU H，ZHANG R，LI J. Artificial intelligence in the clinical laboratory [J]. Clin Chim Acta，2024，559（1）：119724.

[20] LI Y，YAN F，XIANG J，et al. Identification and experimental validation of immune-related gene PPARG is involved in ulcerative colitis [J]. Biochim Biophys Acta Mol Basis Dis，2024，1870（7）：167300.

[21] SZUMILAS D，OCHMANN A，ZIĘBA K，et al. Evaluation of AI-driven labtest checker for diagnostic accuracy and safety：prospective cohort study [J]. JMIR Med Inform，2024，12（1）：e57162.

[22] 游宇琳，高劲松，李先文，等. 虚拟仿真实验在检验医学实验教学中的应用及其意义[J]. 内江科技，2024，45（9）：151-153.

[23] JEYARAMAN M，BALAJI S，JEYARAMAN N，et al. Unraveling the ethical enigma：artificial intelligence in healthcare [J]. Cureus，2023，15（8）：e43262.

[24] SOHAIL N，PUYANA C，ZIMMERMAN L，et al. Artificial intelligence in dermatology：bridging the gap in patient care and education [J]. Clin Dermatol，2024，42（5）：434-436.

[25] HUEMANN Z，LEE C，HU J，et al. Domain-adapted large language models for classifying nuclear medicine reports [J]. Radiol Artif Intell，2023，5（6）：e220281.

[26] LEON S，LEE S，PEREZ J E，et al. Artificial intelligence and the education of future surgeons [J]. Am J Surg，2025，246（1）：116257.

[27] VARMA J R，FERNANDO S，TING B Y，et al. The global use of artificial intelligence in the undergraduate medical curriculum：a systematic review [J]. Cureus，2023，15（5）：e39701.

[28] TOLSGAARD M G，PUSIC M V，SEBOK-SYER S S，et al. The fundamentals of artificial intelligence in medical education research：AMEE Guide No.156 [J]. Med Teach，2023，45（6）：565-573.

[29] ZHANG K，MENG X，YAN X，et al. Revolutionizing health care：the transformative impact of large language models in medicine [J]. J Med Internet Res，2025，27（1）：e59069.

[30] MACLEAN C H，ANTAO V C，CHIN A S，et al. Populationbased applications and analytics using patient-reported outcome measures [J]. J Am Acad Orthop Surg，2023，31（20）：1078-1087.

[31] FENG B，SHI J，HUANG L，et al. Robustly federated learning model for identifying high-risk patients with postoperative gastric cancer recurrence [J]. Nat Commun，2024，15（1）：742.

[32] GUO Y，SUN L，ZHONG W，et al. Artificial intelligenceassisted repair of peripheral nerve injury：a new research hotspot and associated challenges [J]. Neural Regen Res，2024，19（3）：663-670.

[33] RADANLIEV P，SANTOS O，BRANDON-JONES A，et al. Ethics and responsible AI deployment [J]. Front Artif Intell，2024，7（1）：1377011.

[34] KAYA BICER E，FANGERAU H，SUR H. Artifical intelligence use in orthopedics：an ethical point of view [J].EFORT Open Rev，2023，8（8）：592-596.

[35] KUKUTAI T. How indigenous communities in New Zealand are protecting their data [J]. Science，2024，384（6691）：eado9298.

[36] CAROBENE A，CABITZA F，BERNARDINI S，et al.Where is laboratory medicine headed in the next decade?Partnership model for efficient integration and adoption of artificial intelligence into medical laboratories [J]. Clin Chem Lab Med，2023，61（4）：535-543.

[37] SUN L，YIN C，XU Q，et al. Artificial intelligence for healthcare and medical education：a systematic review [J].Am J Transl Res，2023，15（7）：4820-4828.

[38] 孔令希，朱璇. 人工智能在检验医学教学中的应用[J].医学教育研究与实践，2024，32（6）：713-717.

[39] 阮浩宇，刘京萍，万程，等. 《数字化检验医学》课程的建设思路[J]. 临床检验杂志，2025，43（7）：554-557.

Innovative application of artificial intelligence technology in the teaching of medical laboratory medicine

FAN Hong1 YE Chenglin1 ZHANG Pingan1 TANG Dongling1 NIU Zhili1 WEI Lei2 ZHU Chengliang1

1.Department of Clinical Laboratory, Renmin Hospital of Wuhan University, Hubei Province, Wuhan 430060, China;2.School of Basic Medical Sciences, Wuhan University, Hubei Province, Wuhan 430071, China

[Abstract] With rapid development of artificial intelligence (AI) technology, its innovative application in medical laboratory medicine teaching provides important opportunities for cultivating new types of medical laboratory medicine talents. This article systematically explores application status, core values, and future paths of AI technology in medical laboratory medicine teaching. Through technologies such as machine learning, natural language processing, and computer vision, AI can optimize laboratory data analysis, inspection report interpretation, and microscopic image interpretation, and promote innovation in teaching scenarios such as virtual simulation laboratories, dynamic case libraries, and adaptive learning systems. AI technology can achieve personalized teaching and real-time feedback,enhancing students’ clinical thinking and practical abilities. However, technological bottlenecks, ethical risks,and differences in acceptance between teachers and students remain the main challenges. In the future, AI needs to deeply integrate with technologies such as virtual reality/augmented reality, promote transformation of teaching model towards “student-centered”, and promote intelligent development of medical laboratory medicine education through global collaboration. This article provides theoretical basis and direction reference for practical application and policy formulation of AI technology in medical laboratory medicine teaching.

[Key words] Artificial intelligence; Medical laboratory education; Machine learning; Virtual simulation laboratory;Adaptive learning system

[中图分类号] R446

[文献标识码] A

[文章编号] 1673-7210（2026）06（b）-0001-06

DOI：10.20047/j.issn1673-7210.25101054

[基金项目] 教育部课程思政教学名师和教学团队（本-2021-0203）。

[通讯作者] 祝成亮（1980.1-），男，博士，主任技师，博士生导师；研究方向：感染性疾病的实验室诊断，病毒感染与天然免疫。

（收稿日期：2025-10-17）

（修回日期：2026-01-19）