N Rifai：目前我们在培训体系上未进行重大调整。大多数受训者（包括学生、医师、研究员）虽具备扎实的生物或化学背景，但在病理生理学、仪器操作、检验结果解读及各类检验医学基本实践等方面，仍有大量知识需要系统学习。我们的临床实验室配备了10余台质谱仪，在利用这些仪器建立新检验项目、开展性能评估方面积累了丰富经验，研究员已开始深度参与相关工作，对技术流程的复杂性形成了直观认知。此外，受训者还将接触全实验室自动化系统，这在儿科临床化学领域的培训中是极具特色的实践机会。

AM. Gronowski：如今，所有受训者都必须参与信息学系列讲座，内容涵盖数据基础、数据分析方法、AI/ML和LLM等核心模块，同时包括数据挖掘在质量改进项目中的实际应用。除理论学习外，全实验室自动化相关讲座还会安排受训者参与临床实验室管理委员会的实际工作，实现理论与管理实践的深度结合。

AK. Aarsand：2019年挪威启动了一项重大教育改革，为每个医学专业制定了标准化的结构化学习成果体系。针对检验医学，相关标准通过广泛且全面的流程制定：部分学科仍保留传统培训核心，注重为检验人员的独立执业角色夯实基础知识；另一部分则紧跟行业新发展，重点培养满足未来临床需求的必备技能。其中关键一环是让住院医师和研究员深度参与研发工作，确保他们在培训期间及未来成为检验专家后，都能拥有充足的时间和机会投身创新实践。

C Lockwood：鉴于行业快速发展的趋势，我们已调整培训计划，重点强化临床咨询、信息学应用、质量管理及临床基因组学四大核心模块。目前，受训者已能获得LIS的实操经验，掌握其与EHR的集成逻辑与方法。培训还融入临床实验室管理内容，包括针对具体临床问题的检验项目选择优化。此外，受训者需学会解读并沟通复杂的跨学科检验结果，例如地中海贫血评估中，需整合血液学检验、蛋白质电泳与基因检验数据进行综合分析；信息学培训环节还要求在临床实验室场景中完成编程项目，切实提升真实世界的技术应用能力。

S Haymond：我们通过拓展数字学习与异步学习方法的应用，系统传授数据读写能力、计算思维及编程语言等核心内容。培训理念上，已将数据科学素养与AI应用熟练度定位为病理学和检验医学受训者的核心能力，即“必须具备”的必备技能，而非“可选择拥有”的附加技能，契合当前行业对复合型人才的需求趋势。

MD. Zarella：受训者应当接触这些新技术，但需承认，技术的快速迭代可能会让他们感到压力。对病理学受训者而言，将完整的计算机科学知识纳入本已不断扩充的专业课程体系是不现实的。基础信息学课程能为他们奠定重要基础，部分熟悉AI核心原理也极具实用价值，其中，美国食品药品监督管理局（Food and Drug Administration，FDA）提出的良好机器学习实践（Good Machine Learning Practices，GMLP）所包含的10项核心原则，是非常理想的入门学习内容。

但对受训者来说，最重要一课是学会与计算机学家、信息学家开展多学科合作。通过合作，他们能充分了解这些交叉领域的知识广度，认识到无法在短期内全面掌握所有内容，而理解“唯有协同努力才能高效完成复杂工作”的核心逻辑，才是培训的关键目标。事实上，受训者对这些新领域的学习热情普遍较高，常会与学术中心或技术供应商的信息学家、计算机学家建立密切的互动合作关系。