《Radiography》：Humanity in the loop: Reframing artificial intelligence and the global medical imaging divide
编辑推荐：
**摘要**
**目的**：在全球卫生体系中，放射学与核医学的可及性仍存在深刻的不平等。低收入和中等收入国家（low- and middle-income countries, LMICs）在影像设备、专业人才、数字基础设施、维护、监管和可持续融资方面面临持
**摘要**
**目的**：在全球卫生体系中，放射学与核医学的可及性仍存在深刻的不平等。低收入和中等收入国家（low- and middle-income countries, LMICs）在影像设备、专业人才、数字基础设施、维护、监管和可持续融资方面面临持续短缺。人工智能（artificial intelligence, AI）日益被视为改善影像可及性的一种机制，但也可能强化现有的不公平。本叙述性综述探讨了判别式、生成式和智能体式AI在缩小或扩大LMIC医学影像不平等方面的潜力，并提出了一种基于“人文在环”（Humanity-in-the-Loop）概念的社会技术治理框架。
**主要发现**：判别式AI可能改善图像判读、分诊、分割、定量和图像质量评估；生成式AI可能增强报告撰写、教育、翻译、沟通、合成数据生成和研究工作流程；智能体式AI可能协调转诊、预约、随访、物资供应和影像路径。这些技术也可能通过数据殖民主义、算法性能不佳、数据集偏移、基础设施依赖、商业锁定、二级自动化、责任转移以及AI研发参与不平等而加剧不平等。
**结论**：对于LMIC医学影像中的公平AI实施而言，人工在环（human-in-the-loop）治理并不充分，因为支撑有效人工监督的假设在资源受限环境中往往缺失。所提出的“人文在环”社会技术框架将公平性、本地自主性、情境有效性和公共效益嵌入AI全生命周期。该框架包含六个相互关联的领域：患者人文、工作者人文、社区人文、数据人文、系统人文和全球人文。
**实践意义**：在医学影像中负责任地实施AI需要超越算法性能的治理框架，涵盖人才培养、数据主权、基础设施、社区优先事项、公平伙伴关系和可持续能力建设。采用“人文在环”方法可能有助于确保AI缩小而非扩大高收入国家与LMIC之间的医学影像鸿沟。
**论文解读**
**一、研究背景与问题**
医学影像是现代医疗保健的基础，但全球影像资源分布极不均衡。高收入国家（HICs）普遍拥有成熟的影像生态系统，包括密集的设备分布、数字影像网络、亚专科报告、辐射防护基础设施、质量保证系统和日益整合的信息学平台。相比之下，许多低收入和中等收入国家（LMICs）在设备、人力、服务覆盖、维护能力、监管支持、可靠电力、网络连接、供应链和可持续融资等方面面临持续短缺。国际原子能机构（IAEA）的IMAGINE数据库显示，CT、MRI、PET、SPECT、放射科医生和核医学医生等指标在HIC与LMIC之间存在数量级的差距。这种“医学影像鸿沟”不仅是设备缺失，更反映了健康社会决定因素与设备、地理、人员、耗材、维护、转诊系统、数字基础设施和支付能力不平等的相互作用。
人工智能（AI）正被越来越多地提出作为减少全球影像不平等和缓解资源紧张的手段。然而，技术的传播并非中立。现有影像鸿沟表明，若无公平性的事先嵌入，AI可能重走同样的道路。若治理得当，AI有助于缩小影像鸿沟；若治理不当，则可能在LMIC制造新的不平等层。因此，需要系统审视判别式、生成式和智能体式AI在LMIC医学影像中的双重潜力，并提出超越传统人工监督的治理框架。
**二、研究方法与主要技术**
本研究采用叙述性综述（narrative review）和整合性方法，因为关于LMIC放射学与核医学中AI应用的证据异质且不完整。研究人员通过PubMed定向检索，结合参考文献筛选、前向引文检索和领域知识，整合了AI、机器学习、生成式AI、智能体式AI、放射学、医学影像、核医学、LMIC、全球健康、公平性、实施、治理、劳动力、数据主权和数字基础设施等主题的文献。优先纳入同行评议研究、重大综述、实施报告和国际权威指南。由于综述目的是整合跨学科的技术、临床、伦理和卫生系统文献，而非估计效果或穷尽识别所有合格研究，因此未进行正式的系统筛选、偏倚风险评估和荟萃分析。研究人员通过对健康领域LMIC AI文献的反复概念聚类，识别出公平实施的关键决定因素，并将其应用于放射学与核医学的影像特定文献，进而形成“人文在环”框架。
**三、研究结果**
**1. AI作为缩小LMIC影像鸿沟的工具**
判别式AI可扩展稀缺的判读专业知识，在分诊、分割、定量和图像质量评估方面发挥作用；生成式AI可支持报告起草、翻译、协议解释、面向患者的总结和影像服务与转诊临床医生之间的结构化沟通；智能体式AI则将可能性从判读扩展到协调，在行政和专科能力紧张的环境中，这种工作流程支持可能与图像判读本身同样重要。AI还可通过改进采集、重建和图像处理效率来缩小差距，例如降噪、伪影消除和剂量优化，从而减少重复扫描并提高图像一致性。在超声领域，AI辅助采集已用于产前护理和床旁应用，便携式设备与低成本的采集支持相结合。移动或超便携胸部X线摄影结合AI病理筛查是LMIC中最成熟的实例。AI还有助于通过联邦学习（federated learning）应对数据集碎片化、改善泛化性并支持持续模型更新，从而增强LMIC在模型开发中的参与和数据主权。生成式和智能体式AI可能降低研究参与障碍，使当地机构从被动数据源转变为创新贡献者。
**2. AI可能扩大LMIC影像鸿沟的途径**
主要风险包括：LMIC影像数据被用于改进由HIC机构或商业供应商所有的模型，而LMIC卫生系统却无法获取、负担、审计或治理所得工具，构成数据殖民主义；在HIC数据上训练的模型在LMIC部署时因数据集偏移（dataset shift）而性能下降，包括扫描仪型号和年限、采集协议、重建方法、疾病流行率、合并症模式、体形、转诊阈值和报告约定等方面的差异；基础设施缺口使AI在最有需要的环境中最不可用，形成“基础设施依赖悖论”；工具定价和许可方式使其在最需要的地方最负担不起，并能通过总拥有成本挤占更具成本效益的投资；商业锁定限制本地审计、模型适配、互操作性、亚组性能可见性和服务连续性；AI介导的影像可能成为贫困、偏远人群的低成本替代品，而富裕人群继续享受专科主导的照护，使“反向护理法则”加剧；AI加速研究的同时可能使HIC机构不成比例地受益，造成研究权利和权力结构的不变。
**3. 人工在环治理的脆弱性**
人工在环（HITL）治理常被提议作为临床AI的安全保障，但在LMIC影像环境中，支撑有效人工监督的假设（专家可用性、时间、权威、系统支持）往往缺失，HITL可能沦为“责任倾倒”机制。人工在环（HOTL）强调监督但系统可自主运行；人在指挥（human-in-power）要求人类和机构保留对AI使用方式、时机和范围的权威；共同推理（co-reasoning）将患者视为AI驱动决策解释中的认知伙伴。但这些模式均未解决“环”本身的公平性问题。
**4. 人文在环框架**
“人文在环”将注意力从输出端审查转移到AI全生命周期，包括问题定义、数据收集、模型开发、部署和伦理保证。该框架包含六个相互关联的领域：患者人文要求保留尊严、隐私、语言可及、文化安全、知情同意、可解释性、申诉途径和有意义的人类照护；工作者人文要求本地专业人员获得培训、时间、审计访问、升级路径和挑战AI输出的权限；社区人文要求参与式治理和社区优先事项的代表；数据人文要求数据主权、本地代表、透明的二次使用、利益共享、本地验证和防止提取性数据实践；系统人文抵制AI解决方案主义，要求从系统就绪性和本地约束出发，而非供应商能力；全球人文要求公平伙伴关系、共享作者身份、开放科学、公共利益许可、可负担定价和避免依赖性。
**四、讨论与结论**
讨论部分指出，判别式AI可能使稀缺专业知识更可扩展，但也可能使有偏见或泛化性差的决策更可扩展；生成式AI可能扩大报告支持、教育、翻译和研究工具的获取，但也可能产生流畅的错误信息、外部化HIC规范或造成对专有知识体系的依赖；智能体式AI可能改善碎片化影像路径的协调，但也可能自动化不公平的优先级、模糊责任并嵌入供应商控制的工作流程依赖。AI可能放大两种相互关联的不平等：反向护理法则的放大，即最需要AI的卫生系统最不可能获取、实施和维持它；反向保护法则的放大，即最暴露于AI相关危害的卫生系统最缺乏避免、挑战或治理这些危害的权力。因此，准确性、速度和效率不足以作为公平性度量。“人文在环”框架将AI系统置于保护尊严、自主性、公平、主权、问责和公共利益的义务之中。
研究结论翻译：医学影像是全球健康不平等的一个显著表现。AI可能有助于缩小LMIC医学影像鸿沟，但同样的技术也可能扩大不平等。人工在环监督是不够的。“人文在环”为LMIC放射学和核医学提供了一个更广泛的治理框架，要求AI在整个生命周期中维护患者尊严、工作者自主性、社区公平、数据主权、系统问责和全球公共利益。
