开放获取骨科文献中肤色代表性差距：基于GPT-4o的40,674幅图像分析及亚专科、图类型与十年趋势评估

《Archives of Orthopaedic and Trauma Surgery》：Skin color representation in orthopedic literature

　　

引言：教育材料中肤色代表性不足可能削弱诊断准确性，并导致少数族裔人群骨科诊疗差异。尽管已有研究识别出骨科文献中较深肤色类型代表性不足，但研究人员评估了开放获取（open access）期刊中该现象是否明显、是否在所有骨科亚专科中一致、不同图类型间是否存在差异，以及随着对肤色差异认识提高是否随时间变化。材料与方法：研究人员从14本开放获取骨科期刊获取40,674幅图，并根据作者单位分配亚专科和来源国。自动筛选将数据集缩小至4,809幅图。每幅图由GPT-4o人工智能（AI）流程处理，以获得皮肤存在（是/否）、图类型（临床、术中、插图）、Fitzpatrick皮肤分型（Fitzpatrick skin type, I–VI）和置信度评分（confidence score, 1–5）。在皮肤存在和图类型方面与人工审阅一致性高，在肤色方面与委员会认证皮肤科医师（board-certified dermatologist）一致性中等，分歧偏向较深评级。共分析2,025幅含皮肤图。结果：在2,025幅图中，多数显示浅色皮肤（65.6%，Fitzpatrick I–II），29.6%为中等（III–IV），仅4.8%为深色（V–VI）。相对于多样人群参考和美国（US）人群估计，浅色皮肤严重过度代表（p < 0.001），深色皮肤严重代表不足（p < 0.001）。深色皮肤代表不足在各亚专科和图类型中一致。尽管亚组分析显示2015至2024年非美国图中深色皮肤代表性有适度改善（r = +0.72，p = 0.02），但年份-by-地区交互作用不显著（p = 0.24）。结论：在开放获取骨科文献中，深色皮肤持续代表不足，未达到美国和多样人群基准，无论图类型或亚专科。这种系统性模式窄化了骨科患者外貌的隐含规范，鉴于已记录的骨科诊疗差异，值得编辑关注。

研究背景：医学领域对肤色代表性的关注近年增加，医学教育材料中较深肤色类型代表性不足已在皮肤科、急诊医学和普通医学培训中被发现，医学教科书和在线教学资源整体偏向浅色肤色。瘀伤、炎症和非褪色性红斑等临床重要表现可因肤色不同而呈现差异，教育材料中肤色不足可能削弱诊断准确性并加剧少数族裔诊疗差异。骨科手术高度依赖图像识别和体格检查，外科医师和受训者依靠视觉模式评估软组织完整性、感染、血管变化和术后愈合，而骨科诊疗中已记录种族和民族差异。尽管Ferrell et al.已在骨科文献图中识别出深色皮肤代表性不足，但开放获取期刊是否持续存在、是否在所有骨科亚专科中一致、不同图类型间是否不同、以及随认识提高是否随时间变化尚未在骨科领域探索。因此，研究人员开展本研究以回答这些开放问题，假设中等和深色肤色相对于美国（US）和全球人群均显著代表不足，且该不足跨亚专科、图类型和10年研究期持续存在。

研究人员开展了一项大规模图像分析研究，从PubMed Central获取14本开放获取英文骨科期刊2015—2024年的40,674幅图，经自动过滤得到4,809幅图级单位，使用GPT-4o人工智能（AI）流程分类，最终分析2,025幅含皮肤图，并与委员会认证皮肤科医师和人工审阅进行验证。研究结论为：开放获取骨科文献显著过度代表浅色皮肤、代表不足中等和深色皮肤，深色皮肤不足跨所有亚专科、图类型和整个十年持续，总体无有意义改善。其重要意义在于，已发表骨科视觉记录不反映该专科治疗的患者，窄化了“典型”骨科患者外貌的隐含标准，并限制依赖肤色表现的教学材料；鉴于已记录的诊疗差异，需编辑层面的关注和行动。

关键技术与方法（不超过250字）：样本来源为PubMed Central收录的14本开放获取英文骨科期刊2015—2024年文献及图像，覆盖140个期刊-年份单元，最终从5,144篇含可下载图文章获取40,674幅图。研究人员采用基于像素的自动图像过滤排除无彩色影像和图表/文字面板，将多面板图折叠为父图，得到4,809幅图级单位；以加权关键词匹配分配亚专科；用GPT-4o多模态AI流程输出皮肤存在、图类型、Fitzpatrick分型和置信度；对低置信度和无效分型图行人工复核；以481幅随机样本与皮肤科医师验证Fitzpatrick分型，以200幅图重复分类评估可重复性；统计比较采用三种Fitzpatrick分箱并对照多样人群和美国参考分布。

结果：
Validation of the AI classification pipeline（AI分类流程验证）：通过481幅图验证，AI皮肤检测敏感性99.3%、特异性79.4%（PPV 65.5%，NPV 99.6%）；图类型分类总准确率89.0%（临床94.4%，术中86.1%）。Fitzpatrick分型与皮肤科医师完全一致45.7%，相差一型内90.7%，AI平均较皮肤科医师深0.39型；三分类完全一致67.4%（Cohen’s κ = 0.22，95% CI 0.06–0.37），六点量表二次加权κ = 0.47（0.28–0.62）。200幅图重复分类一致率：皮肤存在99.0%，图类型94.9%，三分类87.2%（κ = 0.74）；深色比例原运行6.0% vs 重复5.0%（McNemar p = 0.63）。结论是AI流程对皮肤存在和图类型可靠，型级精度有限且偏向深色，使深色皮肤估计偏保守。

Overall skin tone distribution（总体肤色分布）：通过2,025幅含皮肤图的分类，浅色（Fitzpatrick I–II）占65.58%（95% CI 63.48–67.62%），中等（III–IV）占29.58%（27.63–31.61%），深色（V–VI）占4.84%（3.99–5.86%）。相对于多样人群参考和美国参考，浅色显著过度代表（p < 0.001），中等和深色显著代表不足（p < 0.001）；深色代表性的精确95%置信上限为5.9%，故对任何超过5.9% Fitzpatrick V–VI的参考，不足仍显著。

Representation across subspecialties and figure type（跨亚专科和图类型的代表性）：通过亚专科和图类型分层分析，深色皮肤不足在所有九个亚专科及Unclassified组中普遍存在，均显著低于多样人群参考（各p < 0.001），范围从0%（Oncology/Other）至8.1%（Hand & Wrist），无亚专科置信区间接近44%参考；浅色皮肤在每个亚专科均显著过度代表（各p < 0.001）。中等皮肤不足并非普遍，Trauma/General（36.8%，p = 0.31）和Foot & Ankle（34.4%，p = 0.16）与多样人群中等参考无显著差异，Spine（30.4%，p = 0.037）经多重比较校正后不显著（q = 0.054）。临床照片与术中照片深色代表性无统计学差异（5.0% vs 4.8%，p = 0.98）；临床照片中等皮肤更多（37.8% vs 21.8%，χ² = 60.7，p < 0.001），浅色更少（57.2% vs 73.3%，χ² = 56.8，p < 0.001）。插图因存活筛选后仅26幅，未纳入图类型比较。

Geographic patterns（地理模式）：通过美国与Rest of World（RoW）比较，US和RoW图在三个分箱均显著不同；RoW中等皮肤更多（34.6% vs 23.3%，p < 0.001），US深色更多（7.0% vs 2.8%，p < 0.001）且浅色更多（69.7% vs 62.5%，p = 0.003）。两组仍显著过度代表浅色、代表不足中等和深色；方向对世界加权和美国人口普查加权敏感参考保持一致，唯一例外是RoW中等皮肤对世界加权参考（34.6% vs 37.4%，p = 0.061）。高量非美国文献中，中国、韩国、巴西达到多样人群中等参考，印度中等皮肤过度代表，但无国家达到多样人群深色参考。

Temporal trend（时间趋势）：通过2015—2024年10年趋势分析，总体深色皮肤代表性无显著变化（logistic OR = 1.092/年，p = 0.057），浅色和中等比例亦稳定（各p > 0.39）。US图各肤色类别无显著时间趋势（深色OR = 1.073/年，p = 0.329）；RoW图深色代表性显著增加（r = 0.716，p = 0.020；OR = 1.224/年，p = 0.019），约每年深色图 odds 相对增加22%。但年份-by-地区交互项对任何分箱均不显著（深色OR = 1.14/年，95% CI 0.91–1.42，p = 0.24），故RoW apparent增加不能与US非显著趋势统计学区分；该趋势由早期稀疏计数驱动，前五个研究年中有四年RoW深色代表性为0%。结论是总体无 measurable progress，RoW趋势应谨慎解释。

讨论部分总结：研究人员认为本研究首次评估如此大量骨科图、专门评估开放获取期刊中的代表性差距，并判断该差距是否跨亚专科、图类型和近年持续。结果显示浅色过度和深色不足相对于US和多样人群参考均显著；Ferrell et al.在四本付费骨科期刊649幅图中也发现Fitzpatrick I–III过度和IV–VI不足，本研究中浅色过度更明显（65.6% observed vs 35.0% expected，对比其87.0% vs 61.7% expected），开放获取传播更广可能放大教育影响。亚专科层面仅Trauma/General、Foot & Ankle和Spine未显著代表不足中等皮肤，可能与创伤人群人口学广、下肢损伤和多发伤负担、糖尿病保肢人群中Black和Hispanic患者过代表、非择期诊疗中少数族裔比例较高有关；但无亚专科广泛代表，中等皮肤充分代表从未延伸至深色端，骨科存在系统性代表性差距，单一亚专科培训路径不能通过常规文献暴露弥补。图类型上临床照片比术中照片在浅色和中等范围更均衡，但两者均显著不足深色皮肤，而深色皮肤正是视觉模式识别最不可靠、图像教学最需要之处。地理上US和RoW均过度代表浅色、不足中等和深色，US深色相对更多，可能反映美国人口日益多样和American Orthopaedic Association将劳动力多样性列为关键议题等美国特定机构政策；国家层面仅印度接近多样人群中等与深色合计份额，但深色不足跨国家文献持续，扩大阅读地理范围不能产生更具代表性视觉训练材料。时间上总体无 measurable progress，与Ferrell et al.在付费骨科期刊2010 vs 2020无显著变化一致；本研究中US无显著趋势而RoW深色显著增加，但交互项不显著，故亚组结果仅探索性，且RoW趋势源于早期0%低基线；最近年份深色代表性仍远低于人群基准，当前变化速度不足以在临床有意义时间框架内缩小差距。十年认识提高、多样性倡议和编辑声明未转化为发表图像的可测变化，故将代表性嵌入编辑政策、采用投稿临床图像代表性基准、鼓励标准化肤色报告要求、定期用自动工具审计发表图可能更可行。局限包括：Fitzpatrick量表原用于UV红斑反应而非构成色素， imperfect但仍是皮肤科和医学教育研究最常用分类系统，未来可用Monk Skin Tone scale；AI分类器虽验证但型级精度受限，平均深0.39型，三分类κ = 0.22受验证集81%浅色和不平衡边际影响，分歧系统性；但结论对型级不准确稳健，若统一加深一型仍深色不足，且AI偏深使估计为保守高估；参考分布与本研究测肤色方式不同，He et al.为自报日晒反应型，可能高估深色型，而世界人口加权又可能低估全球深色份额，故报告无参考阈值：深色总体95%上限5.9%、US 9.2%、RoW 4.0%；未分类解读图是否实际需要判断皮肤，许多骨科图像中皮肤可见但解释目标为骨、关节、对线或手术技术，术中照片尤其如此，故结果确立发表视觉记录偏向浅色并塑造隐含规范，但未量化依赖肤色识别的子集；GPT-4o为专有模型，重复分类不保证完全相同，本研究用API默认采样参数，重复分类三分类一致87.2%（κ = 0.74），深色比例差在1%点内（6.0% vs 5.0%，McNemar p = 0.63），运行间变异相对约5%与任何人群参考间差距较小。结论翻译：研究人员使用经委员会认证皮肤科医师验证的大规模计算流程发现，在开放获取文献中，骨科图像明显过度代表浅色皮肤，并相对于多样人群参考和美国人口估计代表不足中等和深色皮肤。深色皮肤代表不足在每个骨科亚专科、每种图类型和整个十年研究中均存在，无有意义改善证据。这些结果共同表明，骨科手术已发表视觉记录不反映该专科治疗的患者，窄化了骨科患者外貌的隐含标准，并限制了用于教学依赖肤色表现的发现材料。缩小代表性差距将需要有意的编辑行动，而非继续依赖意识提高。