生成式AI在癌症与生存期可视化中的探索：乳腺癌、前列腺癌和胰腺癌图像分析及其社会意义

这篇综述探讨了生成式人工智能（GAI）在癌症可视化中的应用与挑战，聚焦乳腺癌、前列腺癌和胰腺癌的图像生成。研究通过分析Dall-E 2.0和Stable Diffusion的262张图像，揭示了GAI如何反映癌症生存期（survivorship）的多样性及其局限性，包括对白人女性形象的过度代表和对医疗现实的忽略。文章强调了改进提示词设计（prompt literacy）和数据集包容性的必要性，为癌症传播（cancer communication）和倡导（advocacy）提供了实践指导。

　　

引言

生成式人工智能（GAI）正通过创新的视觉表达重塑癌症生存期（survivorship）的公共叙事。自20世纪70年代以来，癌症传播从医学摄影的冰冷视角转向强调康复、社区和抗争的生存叙事，但这一标准化叙事也掩盖了医疗现实和多元体验。如今，GAI工具如Dall-E 2.0和Stable Diffusion能够快速生成逼真的癌症相关图像，甚至出现在以“癌症”为关键词的图库中。然而，这些图像究竟呈现了怎样的癌症图景？本研究通过分析262张AI生成的图像，探讨GAI如何“想象”癌症治疗、生存期及患者生活，揭示其对公共认知的潜在影响。

癌症在线媒体中的视觉话语

生存期话语的兴起打破了早期医学摄影的阴郁基调，将患者塑造为“战士”或“英雄”，并与传统女性气质（如乳腺癌文化中的粉色丝带）绑定。然而，这种标准化叙事因忽视多样性而备受批评。社交媒体算法和商业利益进一步强化了这种视觉话语，尽管少数用户通过摄影挑战主流框架。近年来，GAI开始被用于癌症倡导，如西班牙转移性乳腺癌组织（AECMM）利用患者故事生成艺术图像，但技术的社会风险仍需警惕。

生成式AI的新兴社会科学

GAI通过学习海量数据生成“看似新颖”的内容，但其快速发展的同时，也引发了关于偏见、隐私和误导信息的担忧。在医疗领域，GAI已被证明会复制人口统计偏差，例如在癌症图像中过度代表白人女性。Senft Everson等的研究发现，提示词如“幸存者”与“患者”会导致截然不同的图像基调，凸显语言对生成结果的关键影响。

方法论

研究通过33组提示词（如“癌症幸存者”“胰腺癌患者”）生成图像，采用混合方法分析癌症符号（如粉色丝带）、身体影响（如治疗痕迹）和患者表征（如情绪、种族）。编码框架涵盖38个类别，如治疗指标（头巾、医院场景）和情感表达（微笑、哭泣）。两名研究者独立标注后通过讨论解决分歧，确保分析的可信度。

结果

癌症的符号化表征
80.9%的图像使用至少一种癌症符号，其中粉色（44%）、丝带（31.3%）最为常见。乳腺癌提示下符号使用率高达84%，而“患者”提示更易触发医疗场景（如静脉注射）。Stable Diffusion的符号呈现常显突兀，如从胸部“生长”出的丝带（图1），而Dall-E偏好群体化的乐观场景。

治疗与身体影响
仅39%的图像显示治疗痕迹，头巾（18.7%）和脱发（14.9%）多于医院场景（5.3%）。乳腺癌图像中治疗细节最少（28.7%），凸显了倡导文化对医疗现实的淡化。

患者形象与情感
65.7%的图像仅描绘女性，72.5%为浅肤色个体。“幸存者”提示多生成微笑群像（图2），而“患者”提示则倾向孤独、阴郁的肖像。Dall-E通过鲜艳色彩传递乐观，Stable Diffusion则用黑白渲染痛苦，但两者均缺乏日常互动场景，将癌症呈现为孤立体验。

讨论

GAI既复制了乳腺癌倡导的视觉霸权（如粉色美学），也展现出突破范式的潜力。其默认输出反映了训练数据中的社会偏见，可能加剧对少数群体（如男性乳腺癌患者）的忽视。然而，精准的提示词可引导生成更包容的图像，如展现治疗创伤或多元身份。这种矛盾提示我们：技术本身无善恶，关键在于如何驾驭。

局限性与未来方向

研究限于三种癌症类型和两代GAI工具，未来需扩展至儿科或罕见癌症。参与式设计（如联合患者开发提示词库）和对抗性测试（adversarial prompting）将有助于优化模型。跨学科合作是确保GAI支持而非削弱包容性倡导的核心。

结论

GAI为癌症传播提供了高效工具，但其视觉输出可能倒退回单一叙事时代。打破这一循环需要开发者、倡导者和研究者的协同努力——从数据集纠偏到公众提示教育。唯有如此，技术才能真正成为多元生存期故事的放大器，而非简化者。