格拉斯哥 MED1022E《医疗中的人工智能：原理与实践应用》：暑期两周密集，个人展示结课

格拉斯哥 MED1022E《医疗中的人工智能》：两周搞懂 AI 是什么、怎么用、什么时候靠不住，全程不需要编程。

10 学分（半模块体量），Level 1 课程，夏季学期开课；考核为与实际工作相关的个人展示，学校官网未给出占比，也未标注主考期。

课程官网（学校官网）：https://www.gla.ac.uk/coursecatalogue/course/?code=MED1022E

MED1022E 是一门什么课？

一句话：不培养算法工程师，培养「能和 AI 对话、会审 AI 输出」的医疗从业者。

这是格拉斯哥大学（University of Glasgow）健康与福祉学院（School of Health and Wellbeing）的本科模块，课程代码 MED1022E，英文名 Artificial Intelligence (AI) in Healthcare: principles and practical application，中文通译「医疗中的人工智能：原理与实践应用」。

几条身份信息：

• 层级：Level 1（SCQF level 7，本科一年级层）。
• 体量：10 学分（苏格兰 SCOTCAT 学分，半模块体量）。
• 场次：通常于夏季学期（Summer）开课；学术学年 2026-27。
• 选课通道：接收访问学生（Yes）；无国际在线协作学习；无终身课程标记。
• 入学要求：不要求高等数学或编程，但学生应能舒适地解读结果、图表与简单公式；学生不需要手算公式或用编程语言写代码，而应理解这些概念意味着什么、为什么重要、以及如何解读 AI 工具生成的输出或图表。
• 排除课程：无；共修要求：无。
• 学科归属：按开课学院与内容归到公共卫生（健康信息学方向）（分析）。

形态是「连续两周的密集课」（照实）：课程为期两周，每天都有安排（照实）——常规一学期的概念量压进两周，密集课的规律是掉队一天、追回三天（分析）。

骨架是「原理块、应用块、警示块」（分析）：原理块是 AI 与机器学习的关键概念、模型怎么调怎么评估（照实）；应用块是预防、诊断、治疗、病因、预后五个医疗场景里的 AI 方法（照实）；警示块是 AI 在医疗里的局限与偏差不平等（照实）。

课程简介照学校官网口径：本短课程将介绍人工智能在医疗与生物医学中的原理与实际应用，覆盖设计与评估 AI 方法所涉及的关键概念；课程聚焦预防、诊断、治疗、病因与预后相关医疗领域的应用型 AI 方法；你将获得常见 AI 方法的实践介绍，在医疗语境下体验不同的 AI 与机器学习算法和概念（包括决策树、逻辑回归、支持向量机、人工神经网络、集成学习与深度学习）。

课程目标照学校官网口径：为没有计算科学背景的学习者提供学习机会——获得对 AI 技术的原理性理解、了解它们如何应用于医疗的实践经验，并同等地理解 AI 相关应用的局限与警示。

「原理性理解加实践体验加局限性」三件套（分析）：它不是技术课，是素养课（分析）——最后一条成果专讲偏差与不平等，这个批判维度是课程的良心所在（分析）。

与常规学期的技术类课程有什么不同？

时间形态不同：一学期的内容压进连续两周（照实）——错过一天，损失巨大（分析）——行程必须先清空（分析）。

第二个差异是门槛设计。学校官网明写不要求高等数学或编程（照实）——只要求能解读结果、图表与简单公式（分析）——「会解读」与「会计算」被明确分开（分析）。

第三个差异是考核形态。唯一考核是与实际工作相关的个人展示（照实）——没有笔试（分析）——两周的实践产出就是展示素材库（分析）。

第四个差异是批判维度同权重。目标明写「同等地理解局限与警示」（照实）——理解边界不是附加项，是核心目标（分析）。

考核怎么算？

一件，个人展示。

四条结构性判断：

第一，唯一考核项即全部权重。（分析）学校官网只列个人展示一项、未给占比（照实）——全部成绩压在这一次展示上（分析）——细则以课程手册为准（分析）。

第二，展示内容根基是两周的实践积累。（分析）平时不投入，临场无米下锅（分析）——边学边整理的人最占优势（分析）。

第三，没有笔试，也没有可背的标准答案。（分析）讲清「方法、结果、局限」才是展示的正确结构（分析）。

第四，学校官网未标注考期。（分析）课程结束即考核窗口（照实）——具体安排以课程手册与学院通知为准（分析）。

一处照实说明：学校官网给出考核形式（个人展示）与「基于整个课程中学到的训练与技能」，未给出占比、时长与判分标准（照实）——开课后以课程手册与课程大纲为准（分析）。

先修要求是什么？

零技术门槛、一门排除、一栏空（照实）：

• 入学要求：不要求高等数学或编程，但应能舒适地解读结果、图表与简单公式；不需要手算公式或编程，而应理解概念意味着什么、为什么重要、如何解读输出或图表。
• 排除课程：无。
• 共修要求：无。

这条要求写得罕见地细（分析）：把「会解读」与「会计算」明确分开（分析）——这门课只要你站「解读」这一侧（分析）。

「隐性门槛是连续专注与图表阅读」（分析）：每天长时间全英文听课（分析）——两项任一薄弱，都要提前热身（分析）。

要自查的三样：

• 一次图表阅读：能不能看懂一张带曲线的评估图。
• 一次英文长听：能不能连续听几十分钟英文讲授不掉线。
• 一次两天清空：能不能把连续两周完全空出来。

学完能做什么？

学完你有「医疗 AI 素养」：懂概念、会评估、知前沿、有戒心。

六条预期学习成果（照实）：

• ILO1 概念与场景：对 AI 及核心术语与医疗应用领域的概念理解。
• ILO2 模型与评估：适配与调优 AI 模型的关键组件，及临床问题中的正确评估。
• ILO3 传统算法：机器通过「传统」算法（概率与树方法）学习的基础概念（医疗案例）。
• ILO4 神经网络：神经网络与深度学习的原理性理解，及在健康数据多维特征空间的应用。
• ILO5 前沿：医学 AI 最新发展（临床自然语言处理、生成式 AI、医学影像深度学习）。
• ILO6 警示：机器学习应用于健康的警示——数据嵌入或模型引发的偏差与不平等。

六条是一架爬梯（分析）：懂概念→会评估→懂原理→知前沿→有戒心（分析）——对无编程者，第 2 与第 6 条最能建立真正的 AI 素养（分析）。

无书单（照实）：课程页仅提供阅读清单链接（分析）——面向非技术读者的医疗 AI 通识材料即可支撑（分析）——实践环节以课程工具为准（分析）。

直接能力（分析）：概念地图、评估指标解读、前沿辨识、偏差警觉——医疗从业者与 AI 供应商对话、审读 AI 输出、参与采购评估的基础能力（分析）。

去向层面（分析）：临床与公共卫生岗位的数字化协作、医疗信息化与产品评估、健康数据治理方向（分析）。

一条判断（分析）：这门课最值钱的不是知道 AI 多强，而是知道它什么时候不该信（分析）——准确率很高的模型可能在临床上一无用处（分析）——这个判断力，是未来每一个医疗岗位的必备项（分析）。

难点与常见挂因

两周密度极高，坑集中在五处：概念要画成图、评估要用统计语言、偏差要懂技术根源、前沿要忍住贪多、疲劳要让位消化。

一、黑箱概念的可视化理解

机制：不编程也能懂算法，但「懂」需要建立直觉：决策树怎么切分、神经网络怎么层层抽象（照实，ILO 3、4）。

为什么卡：难点在把数学名词翻译成图像思维（分析）——前两天没跟上，后面全是天书（分析）。

卡了会怎样：概念越堆越多，最后只剩名词印象（分析）。

怎么补：用画图与比喻自救：把每个算法画成一张流程图（分析）——每天一张图，两周十四张为准（分析）——画得出来，才说得清楚（分析）。

二、模型评估的统计语言

机制：灵敏度、特异度、曲线下面积这些评估工具是医疗 AI 的「体检指标」（照实，ILO 2）——同一个评估图，有人一眼读懂有人完全无感（分析）。

为什么卡：统计底子参差（分析）——不补这块，评估环节的实践与展示都会失焦（分析）。

卡了会怎样：展示里说不出「这个模型好在哪、差在哪」（分析）。

怎么补：做五个指标的「含义、什么时候高、什么时候骗人」三行卡（分析）——三行卡全备为准（分析）——指标是这门课的语言（分析）。

三、医疗数据的不平衡陷阱

机制：疾病阳性样本常远少于阴性（分析）——「准确率九成九的模型可能毫无用处」是反直觉结论（分析）。

为什么卡：难点在「不平衡数据到指标失真」的机制理解（分析）——对偏差的认知常停在伦理口号（分析）——这是本课批判维度的技术地基（分析）。

卡了会怎样：警示部分只会背口号（分析）。

怎么补：用一个极端不平衡的假想数据集手算一次准确率，再看它如何误导（分析）——能讲清失真机制为准（分析）——懂了机制，批判才不空（分析）。

四、前沿专题的概念洪峰

机制：临床自然语言处理、生成式 AI、医学影像深度学习，每个都是大领域，课程只能各给一瞥（照实，ILO 5）。

为什么卡：难点在不贪多（分析）——追逐每个热词的细节会挤占基础概念的内化时间（分析）。

卡了会怎样：热词知道一堆，基础没打牢（分析）。

怎么补：每个专题只抓三层：它能做什么、证据在哪、边界在哪（分析）——三层齐全为准（分析）——知道边界，比知道热度有用（分析）。

五、两周密集的疲劳曲线

机制：连续两周每天都有课，认知负载远超常规学期课（照实）——后半周疲劳期吸收率下降（分析）。

为什么卡：晚上不消化当天内容，第二天雪球就滚起来（分析）——密集课的规律是掉队一天、追回三天（分析）。

卡了会怎样：第二周完全跟不上（分析）。

怎么补：每天课后做一张「当日概念图」：术语、一句话、一个例子（分析）——第二天课前过一遍（分析）——两周不间断为准（分析）——消化优先于记笔记（分析）。

六、密集两周的信息洪峰

机制：常规课一学期的概念量压进两周，且全英文讲授（分析）——当天术语没消化，第二天新课叠加（分析）。

为什么卡：一周后彻底迷失（分析）——国内暑期课多为缓节奏（分析）。

卡了会怎样：课堂跟不住，实践环节也落空（分析）。

怎么补：每天课后整理当日概念图，第二天课前复盘（分析）——坚持两周不间断为准（分析）——节奏对了，洪峰也能过（分析）。

七、医学与 AI 双术语场

机制：课程同时飞医学词与 AI 词，两套英语叠加（分析）——读懂了 AI 半句、卡在医学半句（分析）。

为什么卡：两套术语都非母语（分析）——国内医学英语与 AI 术语分属两门课（分析）。

卡了会怎样：听课断点密集，展示表达卡壳（分析）。

怎么补：做双列卡：医学场景词与 AI 方法词各二十条，每天随课更新（分析）——展示准备时无查词障碍为准（分析）——双列并行，才跟得上双术语（分析）。

八、个人展示的英语输出

机制：唯一考核是个人展示，全英语讲（照实）——容易讲成功能罗列（分析）。

为什么卡：技术概念英文表述卡壳（分析）——国内课程考核少有全英语展示（分析）。

卡了会怎样：内容有料讲不出，或只罗列不讲逻辑（分析）。

怎么补：展示前把关键概念各写一句英文定义并背熟（分析）——对镜练三轮计时（分析）——十分钟内完整讲清「方法、结果、局限」为准（分析）。

九、夏季学期的行程冲突

机制：暑期密集课与实习、回国行程撞期风险高（分析）——两周全勤要求下，中途离席一天损失巨大（分析）。

为什么卡：国内暑期安排灵活，学生习惯插空（分析）。

卡了会怎样：缺一天，后面完全接不上（分析）。

怎么补：选课前把两周完整空出，行程排在课程结束后（分析）——确认无缺勤风险再注册为准（分析）——密集课的第一条纪律是不缺勤（分析）。

十、无数学背景的公式焦虑与前沿文献

机制：学校官网明示不需要手算公式，但材料里仍会出现简单公式与图表（照实）——前沿内容的学习材料多为一手英文报道与论文（分析）。

为什么卡：见到公式就跳过，连解读也放弃（分析）——只看中文二手转述，理解滞后（分析）——国内文理分科背景下公式焦虑常见（分析）。

卡了会怎样：评估环节失焦，前沿引用失真（分析）。

怎么补：把每个公式拆成「输入、输出、一句话含义」三件套卡，只求解读不求推导（分析）——两周积累十张为准（分析）——每天读一篇课程推荐的英文短文并写三行摘要（分析）——能引用一篇英文材料做展示为准（分析）。

留学生特别提醒

中国学生最容易在六处吃亏：概念只记名词、评估指标看不懂、偏差只背口号、热词贪多、疲劳期不消化、展示讲成罗列。

• 每个算法画一张流程图：以两周十四张为准。
• 五个评估指标各写三行卡：含义、何时高、何时骗人。
• 用手算一次不平衡数据的准确率：以能讲清失真机制为准。
• 每个前沿专题只抓三层：能做什么、证据在哪、边界在哪。
• 每天课后做当日概念图：第二天课前复盘。
• 展示前把关键概念写成一句英文定义：对镜练三轮计时。

怎么准备？

准备的关键是三条：先把两周完整清空、先补图表与指标语言、把每日消化学会。

• 清空两周行程：不留中间离场。
• 看两张评估图：弄懂曲线怎么看。
• 做双列术语卡模板：医学词与 AI 词各二十条。
• 备三件套公式卡模板：输入、输出、一句话含义。
• 读两篇英文短文：各写三行摘要。
• 备概念图模板：术语、一句话、一个例子。
• 想好展示结构：方法、结果、局限。
• 准备对镜练习：三轮计时。
• 列五个医疗场景：预防到预后。
• 定每天整理时段：固定下来。

中英术语速查

• artificial intelligence (AI) —— 人工智能。
• machine learning —— 机器学习。
• decision tree —— 决策树。
• logistic regression —— 逻辑回归。
• support vector machine (SVM) —— 支持向量机。
• artificial neural network —— 人工神经网络。
• ensemble learning —— 集成学习。
• deep learning —— 深度学习。
• medical imaging —— 医学影像。
• generative AI —— 生成式 AI。
• clinical natural language processing —— 临床自然语言处理。
• diagnosis —— 诊断。
• treatment —— 治疗。
• aetiology —— 病因。
• prognosis —— 预后。
• prevention —— 预防。
• sensitivity —— 灵敏度。
• specificity —— 特异度。
• ROC curve —— ROC 曲线（受试者工作特征曲线）。
• accuracy —— 准确率。
• class imbalance —— 类别不平衡。
• training data —— 训练数据。
• overfitting —— 过拟合。
• bias —— 偏差。
• inequality —— 不平等。
• interpretability —— 可解释性。
• clinical validation —— 临床验证。
• feature space —— 特征空间。
• generalisation —— 泛化。
• algorithm —— 算法。
• presentation —— 展示。
• principle —— 原理。

关于我们

鱼之跃做在读留学生的学业支持，服务分两块，界限很清楚：

辅导＝老师授课：由 QS 前 200 院校的硕博老师把课程的知识点、推导链、作业要求讲透，按对口专业配课；覆盖同步辅导、论文辅导、考前辅导、预习。

护航＝你的学业管家：排计划、理材料、理流程这些杂事都替你打点好，该提前准备的他先想到；你只管学，有事随时找，需要时都在。同地区的留学学姐，熟悉你所在学校的节奏。

学术问题上的申诉，我们做材料梳理与流程陪跑，不代写、不代考、不碰学术诚信边界，也不承诺任何成绩。

课程官网与核对说明

课程官网（学校官网）：https://www.gla.ac.uk/coursecatalogue/course/?code=MED1022E

本文涉及学校、开课学院（健康与福祉学院）、模块代码、课程名称、学分（10 苏格兰 SCOTCAT 学分，半模块体量）、层级（Level 1／SCQF 7）、场次（夏季学期）、学术学年、访学生通道（接收）、课程简述原句要点（介绍人工智能在医疗与生物医学中的原理与实际应用／覆盖设计与评估 AI 方法的关键概念／聚焦预防、诊断、治疗、病因与预后相关领域的应用型 AI 方法／在医疗语境下体验决策树、逻辑回归、支持向量机、人工神经网络、集成学习与深度学习）、课程目标（为没有计算科学背景的学习者提供原理性理解、医疗应用实践经验，并同等理解 AI 相关应用的局限与警示）、六条预期学习成果、考核（总结性评估采用与实际工作相关的个人展示，基于学生在整个课程中学到的训练与技能；学校官网未给出占比；学校官网未标注主考期；学分授予最低要求「无例外」）、入学要求（不要求高等数学或编程，但应能舒适解读结果、图表与简单公式；不需要手算公式或编程，而应理解概念含义与如何解读 AI 工具输出）、排除课程（无）与共修要求（无）、教与学安排（课程为期两周，每天都有安排；具体时段以课程手册为准）、书单与资源未提及（仅提供阅读清单链接）、补考与重修未提及（以课程规范文档或学院通知为准）、学习投入的具体数字属未采用口径等事实，均来自上述学校官网课程目录页；核对时间为 2026-11-01。文中标「（分析）」的句子为基于官网事实的推导或判断，不代表学校官方表述。文中涉及数据偏差与不平等的部分，只写课程要求的技术机制与评估概念，不作价值表态、不评价任何政策或群体、不点名具体国家或事件。

← 学业指南首页课程库