综述：视网膜疾病人工智能研究中的社会人口统计学报告：文献批判性评价

这篇综述系统评价了人工智能（AI）在视网膜疾病研究中社会人口统计学（PROGRESS框架）报告的现状，指出当前研究存在地域多样性不足（仅0.3%来自非洲地区）、种族/ ethnicity数据缺失（仅8.9%报告）及算法性能验证不足（仅1.7%按种族分层测试）等问题，强调需改进数据收集和模型验证以解决健康公平性（health equity）挑战。

　　

Abstract
视网膜疾病是全球视力障碍的主因，人工智能（AI）尤其是深度学习在糖尿病视网膜病变（DR）和年龄相关性黄斑变性（AMD）的筛查与诊断中展现出潜力。然而，AI模型的临床转化受限于外部有效性和健康公平性（health equity）问题。本综述通过系统分析360项研究，揭示AI视网膜研究在社会人口统计学报告上的重大缺陷。

Methods
研究采用PRISMA-ScR指南，检索2018-2023年Ovid MEDLINE等数据库的文献。使用PROGRESS框架（涵盖种族、性别、社会经济地位等）评估数据报告质量，并依据ICMJE标准分析种族/ethnicity数据的规范性。

Results

• 数据代表性：79.2%为回顾性研究，55.6%使用在线数据库。临床数据来源高度集中，非洲地区仅占0.3%，而美国和中国占40.8%。
• 社会人口学报告：仅30.8%报告性别，8.9%报告种族/ethnicity。种族数据分类混乱，56.3%的研究未说明数据获取方式（如自我报告或医疗记录）。
• 算法验证：仅11.1%按性别测试性能，1.7%按种族验证。美国研究中，56.6%参与者为白人，分类术语多达57种且无统一标准。

Discussion
AI模型的“黑箱”特性（black box）与训练数据同质性可能导致“领域泛化”（domain generalization）失败。例如，视网膜色素差异可能被算法误判为病理特征，加剧种族偏见。推荐解决方案包括：

1. 采用多中心临床数据验证模型；
2. 按ICMJE规范标准化种族数据报告；
3. 强制要求算法在FDA审批时提供亚组性能数据。

Limitations
研究未涵盖2023年后大型语言模型（LLMs）的进展，且PROGRESS框架中部分因素（如职业）与视网膜疾病关联性待验证。

Conclusion
当前AI视网膜研究缺乏对多样性人群的包容性，可能放大医疗差距。未来需构建更具代表性的数据集，并通过透明化算法逻辑和分层验证推动公平医疗。