中低收入国家医学影像AI实施的挑战与战略路线图：突破资源壁垒的创新路径

《European Radiology》：A perspective on AI implementation in medical imaging in LMICs: challenges, priorities, and strategies

本刊特邀编辑点评：针对LMICs（Low- and Middle-Income Countries）在医学影像AI实施中面临的基础设施、数据、人才、法规和资金五大壁垒，约翰霍普金斯大学科学外交中心联合多国专家通过共识研讨会提出行动路线图。研究指出低场强MRI（≤1.5T）、云PACS（Picture Archiving and Communication System）和区域AI中心等策略可缩短60%诊断延迟，提升结核病检出率20%，为资源受限地区实现精准医疗提供可复制范式。

　　

当高收入国家的医院开始用人工智能（AI）在几秒钟内完成医学影像分析时，许多中低收入国家（LMICs）的医生还在为不稳定的电力供应和稀缺的CT设备发愁。这种技术鸿沟不仅延缓了疾病诊断，更加剧了全球健康不平等。医学影像作为现代医疗的基石，在LMICs却面临设备不足、数据匮乏、人才流失等多重挑战，而AI技术的出现既带来跨越式发展的机遇，也伴随着新的风险——如果缺乏本土化适配，AI模型可能无法识别当地人群的疾病特征，甚至延续“算法殖民主义”的困境。

在这一背景下，由约翰霍普金斯大学科学外交中心牵头，联合放射科医生、AI专家和政策制定者开展的跨国共识研究，为LMICs的医学影像AI实施绘制了精准路线图。该研究发表于《European Radiology》，通过系统分析尼日利亚、乌干达和哥伦比亚等国的实践案例，揭示了五大核心障碍：基础设施缺口（如非洲撒哈拉以南地区每百万人仅0.3台MRI设备）、数据缺陷（缺乏代表本地人群的训练数据集）、人才流失（坦桑尼亚6000万人口仅60名放射科医生）、法规空白（AI诊断法律责任不明确）以及资金不可持续。研究团队创新性地提出“政策-实践”反馈循环机制，例如通过低场强MRI（≤1.5T）降低设备成本，利用区域AI中心实现数据共享，并设计“培训师培训”（train-the-trainer）项目培养本土人才。尤为重要的是，研究强调伦理框架必须前置，建议LMICs借鉴哥伦比亚放射学会的经验，建立国家级AI委员会，确保数据主权和患者隐私。

研究方法上，团队首先进行了范围综述（scoping review），检索PubMed、Scopus和IEEE Xplore数据库中截至2025年1月31日的文献，筛选标准包括：在LMICs现场开展的人体影像研究、已部署或正在进行前瞻性临床验证的AI工具、至少报告一项实施结果（如准确性、周转时间）。随后于2025年2月6日举办2小时专家研讨会，采用半结构化讨论指南，通过MAXQDA软件对转录文本进行主题编码，将出现频率≥70%的代码确定为主要主题。案例数据来源于尼日利亚大学医院医院的混合云PACS（Picture Archiving and Communication System）实践、乌干达ScanNav FetalCheck项目的社区参与式数据收集，以及非洲神经影像档案（AfNiA）的公共数据池建设。

关键挑战识别

基础设施限制

研究指出LMICs的影像设备短缺是AI部署的基础性障碍。例如撒哈拉以南非洲地区MRI覆盖率极低，11个国家完全没有MRI设备。不稳定的电力和网络进一步阻碍云AI平台运行。尼日利亚的案例表明，通过混合云PACS整合本地化AI软件（如胸片解读工具），可提升放射科服务效率，但需匹配本地工作流程。

数据与AI模型局限

HICs（High-Income Countries）训练的AI模型在LMICs存在显著性能下降，如年轻患者敏感性降低33%。乌干达的胎儿超声AI项目（ScanNav FetalCheck）通过社区参与式数据收集和政府合作，实现了妊娠期并发症的早期筛查。同时，SAMBA（Segment Anything Model with Bounding-box-guided Prompts and an ensemble voting network）方法在非洲脑胶质瘤分割中证明，对通用模型（如SAM）进行本地化微调可弥补数据量不足。

人才与培训缺口

坦桑尼亚每百万人口放射科医生数量不足1人，巴基斯坦为1:50万。SWiM（Scan with Me）和CONNExIN（COmprehensive Neuroimaging aNalysis Experience In resource-constrained settings）等培训项目采用“教-试-用”（Teach-Try-Use）模式，通过案例教学和实地观察提升本地技术人员能力，对抗人才外流。

伦理、监管与医疗障碍

AI黑箱问题在LMICs更突出，哥伦比亚通过放射学会与卫生部合作建立AI伦理委员会，制定数据隐私和知情同意指南，为算法审计和责任划分提供框架。

财务与可持续性约束

低场强MRI（≤1.5T）可降低60%设备成本，而公私合作伙伴关系（PPPs）可将AI整合进WHO（World Health Organization）全球健康融资框架。案例显示CAD4TB（Computer-Aided Detection for Tuberculosis）在14国分析超100万张胸片，AUC（Area Under Curve）达0.86-0.91。

战略建议与实施路径

短期（1-2年）聚焦试点项目和远程影像平台；中期（3-5年）建设区域AI中心并制定法规；长期（5年以上）实现AI与医疗系统深度融合。研究特别强调“数字主权契约”（Digital Sovereignty Compact）的重要性，要求明确数据所有权和利益分配机制。

结论部分指出，医学影像AI在LMICs的成功必须跨越技术移植层面，转向结构公平和认知正义。通过低场强MRI（≤1.5T）、云PACS和本土化培训的三维策略，可缩短诊断延迟并提升结核病检出率20%。该路线图的创新性在于将实施科学（implementation science）与外交政策结合，例如通过非洲神经影像档案（AfNiA）促进FAIR（Findability, Accessibility, Interoperability, and Reusability）数据实践，而哥伦比亚的监管经验为LMICs提供了可复制的治理模板。未来需开展纵向研究评估AI对患者结局的长期影响，并探索气候友好型AI在放射科的适用性。