编辑推荐：
这篇综述探讨了人工智能（AI）在放射学领域的可持续性悖论。AI 在提升诊断准确性等方面成果显著，但也带来环境、经济、社会挑战，如高能耗、成本高、存在算法偏见等。文章提出应对策略，强调平衡 AI 创新与可持续性的重要性。
引言
人工智能（AI）正深刻变革着放射学领域，它能提升诊断精度，优化工作流程，增强运营效率。大量 AI 研究及多数经监管机构批准的 AI 医疗设备都与放射学紧密相关。其中，深度学习（DL）作为 AI 的关键技术，被广泛应用于众多工具中。随着技术发展，模型愈发复杂，未来基础模型有望进一步拓展 AI 在放射学和医学的应用范围。
然而，AI 的扩张也带来了可持续性悖论。这与工业革命类似，工业革命虽推动了全球发展，却也造成环境破坏和社会不平等；AI 在带来创新的同时，也产生高能耗、碳排放增加、硬件浪费、技术获取不均等问题。预计到 2030 年，信息和通信技术的能耗将大幅增长，AI 服务需求也会快速上升，这使得将可持续性原则融入 AI 发展和应用变得至关重要。以往研究多聚焦于放射学 AI 的环境问题，而本综述将从环境、经济、社会多维度进行更全面的探讨。
人工智能在可持续性中的双重作用
AI 对可持续性的影响具有两面性，它既可能加剧全球可持续性问题，又能为解决这些问题提供助力。其未来发展取决于能否在发挥变革潜力的同时，坚守可持续性原则，确保成为解决问题的方案而非制造问题的源头。可持续性涵盖环境、社会、经济三个关键维度，这三个维度相互关联，共同影响着 AI 在放射学中的可持续发展。
环境可持续性
- 环境影响和挑战：训练 AI 模型，尤其是基于深度学习的模型，需要对大量数据集进行迭代计算，常依赖图形处理单元（GPUs）或张量处理单元（TPUs）等高性能硬件，这些硬件能耗巨大。部署后，AI 模型在推理过程中的能耗更高，可能是训练阶段的数百到数千倍。在放射学中，这意味着 CT 扫描、MRI 或 X 射线等成像研究的实时处理需要服务器持续运行，随着患者成像研究数量增加，对环境的影响愈发显著。
研究显示，2021 - 2024 年排名前 20 的 AI 系统单次训练运行的总能耗达 1.08 亿千瓦时，碳排放为 10.3 万吨二氧化碳当量（CO2 -eq），相当于全球 750 - 800 万人（不含航空）的日碳足迹。训练和推理的总碳排放量约为单次训练的 1000 倍，如谷歌的 Gemini Ultra 模型的训练和部署产生的CO2 -eq 排放量，相当于约 750 万次东京到纽约的经济舱往返（直飞，1 人，空客 330）。相比之下，《巴黎协定》规定人均终身碳预算约为 50 吨CO2 -eq ，这些 AI 系统的碳排放远超许多国家 2023 年的年度能源碳排放总量。
AI 在放射学中的应用常依赖云计算存储和处理大量医学影像数据，这增加了系统的能源消耗。尽管云服务因资源整合和优化能源利用被认为比本地解决方案更节能，但数据中心作为云基础设施的核心，是电力消耗大户，其整体可持续性很大程度上取决于能源来源。此外，冷却高性能计算系统的水消耗也是一个常被忽视的问题，预计到 2027 年，全球 AI 需求可能导致大量的水提取，远超丹麦的年总用水量。
AI 技术的快速发展还导致医院和放射科对更强大、专业硬件的持续需求，加速了电子废物（e - waste）的产生。AI 硬件组件如 GPU、中央处理器等常因技术更新提前退役，成为电子废物，其中含有的铅、镉、汞等有毒物质会污染土壤和水，且 AI 硬件制造涉及稀土元素的开采和提炼，不仅能源密集，还会造成环境退化和大量碳排放。2. 环境可持续 AI 的策略：为应对 AI 系统对环境的巨大影响，绿色 AI 实践备受关注。在模型层面，可通过简化模型结构，如采用剪枝、量化、数据增强等方法降低能耗；还可训练新算法模拟大型模型性能，如蒸馏技术，以及应用概率模型和迁移学习等手段。在硬件方面，开发绿色替代方案，如 TPU 和现场可编程门阵列，新兴的神经形态和量子计算技术也有望克服深度学习的局限。
数据中心可通过利用可再生资源，如安装太阳能面板和风力涡轮机，优化冷却系统，采用创新冷却技术，如免费冷却、浸没冷却和液体冷却，以及整合水足迹指标来降低能耗和水消耗。数据中心的选址也很关键，位于寒冷地区可节省能源成本。放射科可通过优化数据管理，减少冗余存储，实施电子组件的回收计划和循环经济，如重新利用退役硬件、设计模块化硬件等，来降低 AI 硬件对环境的影响。此外，绿色 AI 实践还能为数据中心和用户带来降低能源成本等直接好处，相关法规也促使可持续 AI 实践成为 AI 系统开发的必要要求。
经济可持续性
- 经济影响和挑战：AI 融入放射学虽对诊断和运营能力有潜在益处，但目前多数价值主张缺乏临床实践中系统附加值的有力证据。AI 系统的成本不仅包括许可证或按使用付费、部署成本，还需证明其长期财务可行性，如减少冗余成像、改善患者预后、支持预防保健措施以降低整体医疗成本等。然而，这些长期效益尚未得到充分验证，常依赖推测性的健康经济模型，而非实际验证。
AI 产业的快速增长引发了诸多担忧。医疗 AI 作为一个细分市场，虽规模较小但增长迅速。由于医学课程中缺乏经济教育，医生对这一金融生态系统了解有限。当前 AI 产业更注重销售和股东利益，忽视环境、社会和治理（ESG）因素，部分产品价格过高却缺乏足够的临床价值，这可能导致医疗成本上升，降低医疗服务的可及性，甚至催生类似制药行业的逐利模式，加剧医疗资源分配不均。2. 经济可持续 AI 的策略：为使 AI 在经济上合理，其带来的益处必须在患者、机构或社会层面有切实体现，如降低发病率、缩短报告时间、减少急诊室等待时间等，这些可量化的结果可转化为货币价值，通过质量调整生命年（QALY）或减少放射科医生阅片时间等指标来评估。例如，荷兰根据疾病严重程度设定每获得一个 QALY 的支付阈值。通过评估这些指标，可计算投资回报率，判断 AI 应用在医疗机构的经济可行性。
对于欧洲许多公共或非营利性医疗机构，保持正的息税折旧摊销前利润（EBITDA）对避免停滞至关重要。除了更快的报告时间，提高能源效率、减少成像系统停机时间、通过云集成优化数据管理等运营改进，对确保 AI 驱动系统的经济可行性也很关键。此外，前瞻性研究、健康经济建模应与持续监测相结合，以保障预期效益的实现，从而推动放射学和医疗领域 AI 的经济可持续发展。
社会可持续性
- 社会影响和挑战：技术的社会可持续性旨在通过工具的开发和使用，提升各代人构建健康、公平和宜居社区的能力。在 AI 领域，算法偏见是一个重大问题，可能对边缘化群体造成不成比例的伤害。这种偏见源于非代表性数据集、不完整数据或医疗系统中存在的系统性不平等。例如，少数群体在 AI 开发者和训练数据集中的代表性不足，会导致算法在这些群体中的表现不佳，延续医疗服务中的现有差距。
同时，AI 技术的获取存在不公平现象。资源丰富的地区和医疗机构更容易采用 AI 解决方案，而资金不足的医疗系统和低资源地区则难以从中受益，这进一步加剧了全球健康不平等，因为这些地区无法利用 AI 提升诊断和运营水平。2. 社会可持续 AI 的策略：为实现社会可持续的 AI，制定相关政策至关重要。通过资金支持、合作以及提供可扩展、经济实惠的解决方案，促进 AI 工具的公平获取。在 AI 开发和部署过程中，要避免 “新殖民主义”，确保与当地利益相关者合作，优先考虑符合当地文化和实际情况的解决方案，避免强加不适合欠发达地区需求的西方系统。
透明记录数据集构成和算法过程对实现社会可持续 AI 也很关键。STANDING Together 框架强调了问责制的重要性，要求开发者披露数据集的局限性，并积极评估算法对不同人群的影响。持续监测和详细的部署后评估，有助于确保 AI 应用在所有人群和环境中都能带来公平的效益。
人工智能助力更可持续的放射学
- 优化扫描协议和降低能耗：传统的放射学扫描协议由放射科医生根据临床指征和患者特征确定，存在可扩展性、一致性和能耗方面的局限。AI 工具能够实现智能协议规划，提高成像质量和标准化水平。在 CT 扫描中，AI 系统可动态调整成像参数，如管电流和电压，为每位患者量身定制扫描方案，减少辐射暴露和能源消耗。
AI 辅助的压缩感知技术则彻底改变了 MRI 的效率，在保持高图像质量的同时大幅缩短扫描时间，直接降低了每次扫描的能耗。此外，AI 还能应用于低场强 MRI 系统，这类系统在制造和运行阶段的温室气体排放更低，更具可及性和环保性。AI 还可通过自动关闭闲置设备、优化设备启动时间以及监测其他高能耗设备，在设备闲置时自动断电，来提高放射学的能源效率。2. 减少冗余和低价值成像、辐射暴露及对比剂使用：AI 在放射学的新应用之一是通过 MRI 扫描生成合成 CT 图像，这可以避免癌症患者进行额外的 CT 扫描，简化放射治疗计划流程。AI 还能通过提供决策支持工具，分析患者的病史、实验室结果和身体尺寸等数据，评估成像的必要性，减少低临床价值的成像，优化成像资源的利用，避免不必要的扫描。
虽然静脉注射造影剂通常耐受性良好，但尽量减少其使用有助于提高患者安全性，降低成本和浪费。AI 驱动的成像序列能够在不影响诊断准确性的情况下降低所需的造影剂剂量，带来临床和环境双重效益。3. AI 驱动的工作流程优化和调度：传统的放射学调度方法常导致效率低下，如预约冲突、设备利用率低和患者重复就诊等问题，增加了患者的出行负担，降低了资源利用效率。AI 驱动的调度系统可以根据患者位置、成像设备可用性和人员安排优化预约分配，减少不必要的出行和等待时间。机器学习算法还能预测预期等待时间、患者爽约等因素，帮助进一步优化调度过程。此外，AI 工具可以动态管理扫描设备故障、检查时间延长或患者迟到等突发情况，确保工作流程顺畅，提高成像资源的利用率。4. 远程医疗和远程放射学减少出行和排放：远程医疗和远程放射学的融合为患者提供了虚拟咨询、专家二次诊断和成像结果解释等服务，显著减少了患者的面对面就诊需求，降低了出行相关的碳排放，减轻了患者的不便。AI 聊天机器人在处理患者咨询方面也能发挥作用，提高服务效率。5. 提高图像质量和减少重复扫描：高质量的医学成像对于准确诊断、有效治疗计划和良好的患者预后至关重要，能够预防误诊、减少冗余成像并确保及时干预。AI 算法可以自动检测和纠正 CT 和 MRI 等成像中的运动伪影、噪声和模糊等问题，提高图像清晰度和诊断价值，尤其在处理低对比度组织或小病变等具有挑战性的病例时优势明显。6. AI 驱动的资源管理和需求预测：传统的资源管理和需求预测方法难以适应快速变化的需求，在放射科可能导致对比剂、新兴药物和一次性成像材料的库存积压或短缺。AI 的应用可以实现精确的需求预测、优化工作流程和有效的库存管理，减少浪费，提高资源利用率。此外，医疗部门面临的人员短缺、工作量大、人员流动率高等问题导致员工满意度低，AI 集成的自我排班系统可以让员工自主安排工作时间表，AI 工具能够简化排班生成过程，减少调整时间，降低排班成本。7. 优化设备利用和维护计划：AI 通过分析历史数据，能够发现特定成像设备的过度使用或使用不足模式，帮助放射科优化设备采购和维护计划决策。采用基于云的技术和远程协作平台，可以实现放射科医生之间的工作量共享，优化不同站点的资源管理，缓解运营瓶颈，提高工作流程效率，减少资源浪费，提高成本效益。
行动呼吁和未来方向
AI 在可持续性方面具有双重作用，既能推动创新、优化工作流程、减少资源消耗，也带来了不可忽视的能源需求和环境、经济、社会影响。在放射学 AI 领域，实现可持续发展需要在利用 AI 变革能力的同时，积极采用可持续性实践。
放射科医生在这一过程中扮演着重要角色，他们应具备可持续性的基础知识，尽管无需成为 AI 专家，但了解关键的可持续性问题至关重要。同时，要认识到许多挑战和解决方案超出了放射科医生的职责范围，需要放射科医生、AI 科学家、行业合作伙伴和政策制定者共同努力，将环境、经济和社会因素融入 AI 技术的开发和部署中。采用 “绿色 AI” 原则、倡导支持性政策、在研究和采购中做出明智决策，对于确保公平获取和减轻环境影响至关重要。
当前评估放射学 AI 系统可持续性的方法存在不足，主要集中在碳排放方面且缺乏一致性。需要开发标准化的方法和工具，全面衡量 AI 的影响，涵盖可持续性的三个维度，解决潜在的偏见问题，评估不同人群的可及性，并考虑 AI 部署的经济影响。开发类似于能源之星的用户友好型放射学 AI 生态标签，有助于利益相关者进行评估，激励可持续实践。
未来研究应优先开发本质上节能的 “绿色 AI” 算法，探索减少计算成本的策略，如模型压缩和专用硬件。同时，确保社会公平和经济可行性也很重要，包括解决算法偏见、促进公平获取 AI 辅助医疗服务、考虑对医疗系统和劳动力的经济影响。“绿色 AI” 解决方案，即 AI 解决放射学中的可持续性挑战，也值得深入研究。
此外，还需要全面的政策框架来指导放射学 AI 的可持续发展和部署。这些框架应涵盖可持续性的所有维度，促进透明度和问责制，激励负责任的创新。欧盟的 AI 法案提供了一个范例，但全球范围内的倡议同样必要。解决这些挑战需要放射科医生、AI 科学家、伦理学家、政策制定者和行业利益相关者之间的跨学科合作和透明度。教育倡议对于提高这些群体的意识至关重要，未来研究还应探究 AI 系统可持续性维度之间的相互依赖关系，采用整体方法减轻 AI 部署可能带来的系统性风险。
结论
放射学处于医疗领域 AI 创新的前沿，但 AI 的矛盾性凸显了在个人、机构和集体层面进行明智决策的重要性。确保这些变革性技术符合可持续性原则至关重要。通过减轻 AI 在环境、经济和社会方面的影响，我们可以充分利用其巨大的变革潜力，同时保护地球健康。这需要各方共同致力于可持续的 AI 实践，确保放射学 AI 真正服务于社会，保护环境，为子孙后代带来长期利益。
