AI生成图像中的癌症幸存者形象分析：文本到图像工具的社会偏见与健康叙事影响

美国国立癌症研究所Nicole Senft Everson团队在《Journal of Cancer Survivorship》发表研究，针对AI文本到图像工具（DALL-E 3/Stable Diffusion）生成的癌症幸存者形象进行系统分析。通过编码160张图像特征，发现AI生成的幸存者形象存在显著偏见：80%为白人、80%呈现健康状态、69%表现积极情绪，且过度强调乳腺癌符号（64%含粉色元素）。该研究首次揭示AI图像可能强化"战胜癌症"的单一叙事，为健康传播中的算法偏见提供了实证依据，对改善癌症群体的社会认知具有重要警示意义。

　　

在当今AI技术迅猛发展的背景下，文本到图像生成工具如DALL-E 3和Stable Diffusion正被越来越多地应用于健康传播领域。这些工具能快速生成逼真图像，为医疗教育、宣传材料制作提供了便利，但同时也带来隐忧——它们可能复制并放大社会固有偏见。癌症幸存者的社会形象塑造就是一个典型例证：主流媒体常将癌症经历简化为"战胜病魔"的励志故事，而忽视疾病带来的持续痛苦和多样性体验。这种单一叙事可能导致幸存者产生心理压力，迫使不符合"正能量"模板的个体隐藏真实感受。

美国国立癌症研究所Nicole Senft Everson领衔的研究团队在《Journal of Cancer Survivorship》发表论文，首次系统评估了AI生成的癌症幸存者形象特征。研究者使用DALL-E 3和Stable Diffusion分别生成"癌症幸存者"与"癌症患者"图像各80张，通过双盲编码分析人口统计学特征、情感表达、健康状态等15项指标。定量分析结合定性观察，揭示了AI图像中潜藏的偏见模式。

研究方法上，团队采用严格的实验设计：通过多次预实验优化提示词（如添加"a photograph of"限定语），确保两个AI工具生成风格一致的可比图像。所有图像由经过培训的编码员使用标准化代码本（包含种族、年龄、情感等维度）进行盲评，分歧由第三方仲裁。统计采用卡方检验比较组间差异，对期望值<5的单元格使用Fisher精确检验。这种多方法验证的设计增强了研究可靠性。

研究结果呈现三个核心发现：

1. 人口统计学特征方面，AI生成的幸存者80%被感知为白人，80%为女性，51%为年轻人，且普遍符合西方审美标准（光滑肌肤、精致五官）。值得注意的是，虽然老年人在癌症患者图像中占比27.5%，但在幸存者图像中升至30%，暗示AI可能隐含"年长者更难幸存"的偏见。

2. 情感与健康表征上，幸存者图像69%呈现积极情绪（多为含蓄微笑），80%显示健康状态，显著高于患者图像（31%积极情绪，21%健康）。医疗场景（2.5% vs 22.5%）和病态特征（如卧床比例0% vs 28.8%）在幸存者图像中几乎绝迹，强化了"幸存即康复"的片面认知。

3. 癌症视觉符号分析显示，幸存者图像中乳腺癌相关元素突出：64%含粉色元素，35%出现抗癌丝带，51%包含头巾（部分覆盖着再生短发）。这些符号成为AI识别"幸存者"身份的主要线索，却忽视了其他癌种的特征表现。

讨论部分指出，该研究揭示了AI图像生成工具在三个层面的潜在危害：首先，过度代表年轻白人女性可能加剧医疗不平等，因为老年和少数族裔本就是癌症高发群体；其次，强调"健康幸存者"形象可能边缘化长期带瘤生存者，形成"幸存者内卷"压力；最后，乳腺癌符号的泛滥可能造成"癌症=乳腺癌"的公众误解。研究者特别警示，当这些偏见图像被用于训练下一代AI时，可能形成恶性循环的"偏见放大效应"。

这项研究的意义在于为健康AI的伦理治理提供了实证基础。论文建议开发者应通过提示工程优化、训练数据去偏等技术手段改善图像多样性，同时呼吁医疗机构审慎使用AI生成内容。未来研究可扩展至更多AI模型和癌症类型，并探索图像偏见对患者心理的实际影响。作为首篇系统分析癌症相关AI图像偏见的论文，该研究为数字健康时代的包容性传播树立了重要路标。