《Allergy》：Leveraging Artificial Intelligence in Allergy, Asthma, and Immunology With Environmental Exposures
人工智能（AI）正在环境健康科学领域革新数据分析和问题解决方法。这些技术有助于预测环境暴露和疾病结果，并能够识别因果关系以用于后续假设检验。AI技术通过分析卫星图像和建模污染物扩散，改进了污染研究；同时，AI通过检查大规模数据集，推动了毒理学中化学品安全评估的进展。AI在解决紧迫的环境挑战方面发挥着重要作用，包括污染场地的修复以及确保公平的医疗应用以减轻偏见。大规模环境、地理空间和健康结果数据库的日益可用性，为创新应用提供了前所未有的机会。其预测能力在灾害管理中至关重要，能够在气候相关危机中实现实时分析和优化资源部署。AI驱动的方法在碳捕获和废物管理（旨在减少环境影响）中扮演着关键角色。此外，AI能够阐明暴露组（定义为个体一生中所有暴露的总和）与健康结果之间的复杂关系，从而促进预防策略。本综述审视了AI在环境健康与安全中的能力和局限性，为其在环境管理和医疗保健中的审慎和有效使用提供了见解。
**1 引言**
人工智能（AI）在环境健康科学（EHS）中的整合日益普遍，为分析复杂数据集和应对公共卫生挑战（包括过敏和哮喘等慢性复杂疾病）提供了新方法。AI及其子领域，如机器学习（ML）和深度学习（DL），常用于EHS。其他子领域包括自然语言处理或因果AI。ML利用统计建模和优化技术，使系统能够从经验数据中推断模式并进行泛化，而无需明确的基于规则的编程。DL是ML的一个子集，使用多层“深度”神经网络，每层处理信息并传递给下一层以识别复杂特征，使其能够自动从原始数据中学习新特征。
研究讨论了AI如何推进与暴露组相关的复杂暴露评估，识别新兴有毒物质，加强暴露与疾病因果关系的证据，并改善对复杂疾病的理解。此外，AI支持气候灾害预测，指导靶向干预，并实现可扩展的缓解策略。还讨论了AI在EHS中的局限性和挑战。
**1.1 AI、暴露组与复杂暴露评估**
传统上，环境健康研究侧重于单一可识别暴露；然而，这不足以解释复杂的现实世界协同效应和多种暴露的累积影响。这些影响人类健康的多重暴露被称为暴露组（exposome），定义为一个人从受孕到死亡所经历的所有环境暴露（化学、物理、生物和社会心理），补充基因组以决定健康。为了理解暴露组对人类健康的作用，研究人员转向AI。人类暴露组项目旨在系统地表征环境暴露对人类健康的终生影响。利用AI和先进分析技术，这种方法有助于识别先前未知的暴露-健康关系，并制定个性化预防策略。该项目标志着向以暴露为中心的方法来理解和缓解慢性疾病的范式转变。
AI已被用于分析整合职业暴露、生物标志物和健康信息的大规模数据集，有助于阐明工作环境与疾病之间的复杂关系。应用于暴露组研究的因果推断方法能够构建预测模型，估计特定职业暴露或其组合对健康效应或分子变化的影响。例如，对职业暴露组数据的AI分析可能识别出如何累积暴露于某些工作场所化学品，结合压力等其他因素，影响疾病风险或诱导表观遗传改变。此外，纳入个人空气污染暴露、手机体力活动水平和临床生物标志物的ML模型可预测哮喘风险并指导定制干预措施。因果推断方法（如孟德尔随机化，使用遗传变异作为工具来推断可改变暴露与健康结果之间的因果关系）与ML相结合，可以更有说服力地确立环境对疾病的贡献。一项研究提取了与PM
2.5相关的8个单核苷酸多态性（SNP）、与PM
10相关的22个SNP、与NO
2相关的7个SNP和与NO
x相关的8个SNP作为欧洲血统人群的遗传变异。研究发现PM
10与阿尔茨海默病风险存在因果关联。在遗传上，PM
2.5和NO
x暴露与欧洲裔人群的认知能力下降显著相关。
化学品风险评估是环境健康的关键组成部分。在毒理学领域，AI通过分析多样化和大规模数据集来预测毒理学效应，在革新化学品安全评估中发挥着关键作用。AI正在将毒理学从一门经验性的、基于动物的科学转变为数据丰富、预测性和机制性的学科。它可以直接从分子结构预测毒性，允许对成千上万未经测试的工业化学品进行预筛选。此外，ML被用于预测复杂生物系统中的毒性，解决数据准确性和模型结果清晰度的问题。在大规模毒理学数据集上训练的ML模型可以准确预测新化学品的毒性，减少动物测试的需求。DL能够整合化学结构、体外试验和组学数据，提供对毒性机制的更全面理解。自然语言处理允许从科学文献和遗留毒性报告中自动提取知识，提高数据检索能力。AI还促进了不同数据流之间的证据整合，用于定量、概率性风险评估。可解释AI技术正在提高这些模型的可解释性和透明度。总体而言，AI正在加速化学品安全评估的步伐，增强对毒性途径的识别，并实现向无动物、基于证据的毒理学转变。
**2 AI在过敏和哮喘等复杂性慢性疾病中的应用**
过敏和哮喘是多因素疾病，是可证明环境暴露与疾病流行或管理之间关系的典型例子。流行病学研究已将污染物暴露与特应性皮炎患病率增加联系起来。例如，ML分析发现，暴露于二异氰酸酯（用于聚氨酯生产的化学品）与微生物失调和特应性皮炎相关。类似地，AD发作与野火有关。使用ML，一项研究确定了预测AD的一组35个基因和50个微生物特征，其中至少三个基因和三种微生物与AD直接或间接相关。一项研究使用可解释ML预测中国学龄前儿童过敏性鼻炎，分析了7131名2-8岁儿童的问卷数据，随机分为训练集、验证集和测试集。预测变量包括父母过敏史、儿童第一年病史和早期生活环境因素。分析确定了过敏性鼻炎的五个最预测性变量：母亲或父亲的过敏性鼻炎史、有哥哥姐姐、食物过敏史和父亲教育水平。一项台湾队列研究对2000年至2005年间孕妇所生婴儿进行了14年随访。通过问卷收集人口统计、社会经济状况、生活方式、病史和24小时饮食回忆数据。从76个国家空气质量监测站获取分娩前一年内每小时空气污染物浓度。采用ML技术，研究表明产前暴露于二氧化氮及其时间变化是青少年期特应性皮炎和过敏性鼻炎的重要预测因子。
花粉可能引发过敏性鼻炎或哮喘症状。温度和二氧化碳水平与更长的花粉季节以及更高的花粉浓度和变应原性相关。污染暴露与哮喘和慢性阻塞性肺病（COPD）的不良影响相关。因此，预计气候变化将对呼吸系统疾病患者产生相关后果。在此背景下，AI算法不仅用于环境变量（包括污染物和花粉水平）的预测，还用于评估环境因素与慢性呼吸系统疾病之间的关联，并开发可预测恶化或卫生服务使用的模型。
多项研究使用AI来阐明污染物与呼吸系统疾病之间的关联。例如，AI算法（包括极端随机树和随机森林）已被用于估算高空间分辨率的污染物浓度，揭示了（i）PM
1与儿童哮喘风险的关联比其它粒径PM更强，（ii）PM
2.5和臭氧水平对哮喘症状和呼吸卫生服务使用的独立和联合贡献（在调整模型中PM
2.5似乎显示更相关的影响），（iii）PM
2.5水平与因哮喘或其他呼吸系统疾病导致的急诊就诊之间的关联，（iv）以及PM
2.5和PM
10水平对鼻炎和COPD的有害影响。基于ML的算法还使得（i）识别与哮喘症状和卫生服务使用相关的有毒物质组合，（ii）区分评估暴露于挥发性有机化合物与呼吸急诊就诊的关联，（iii）发现树木暴露对哮喘具有保护作用（而草类暴露观察到相反效应）。这些研究使用传统统计方法是不可能完成的。
随机森林模型和其他ML算法也被用于基于环境、临床和人口统计数据预测慢性呼吸系统疾病或其症状的发展模型。这些研究促进了流行病学进展，包括描述了（i）产前暴露于二氧化氮与儿童鼻炎，（ii）家庭和学校暴露与哮喘症状，（iii）过敏性鼻炎和哮喘家族史之间的关联。
在预测模型方面，神经网络已被用于预测因慢性呼吸系统疾病（主要是哮喘）导致的住院和急诊就诊，最早的研究可追溯到20世纪90年代。这些模型考虑了不同的输入变量集，包括空气污染数据、气象条件、花粉水平、流感病例甚至信息流行病学数据（谷歌趋势或推文）。一项使用气象、空气污染和病毒数据的韩国研究开发了每日预测哮喘恶化的模型。ML应用于来自13498名患者的大规模真实世界数据，能够识别出具有不同临床特征的5个哮喘患者群，可能有助于个体化管理策略。其中几个模型取得了良好性能，表现为高准确性或测试数据集中预测与观察住院之间的强相关性。这些研究的结果对卫生服务管理具有重要影响，同样地，使用随机森林算法评估空气污染物水平与哮喘药物使用之间关联的研究也是如此。在一项研究中，评估了野火季节急救药物的发放；而在另一项研究中，数字传感器连接到哮喘吸入器，使研究人员能够追踪其使用位置及其与污染物暴露增加的关系。这些模型的进一步意义在于有可能开发早期预警系统，通过移动健康应用直接提供给患者——患者可以提前收到症状预期恶化的警告，并采取充分的预防措施。哮喘是一种由遗传和环境因素引起的异质性疾病。与哮喘相关的两个主要内型是Th2高或Th2低。ML的一个应用是通过输入临床特征、遗传和组学数据，帮助揭示真正的哮喘内型，为个体化医疗铺平道路。
**3 AI在预测气候相关灾害和建模有效干预措施中的应用**
面对日益加剧的气候相关灾害，迅速有效的应对措施对于减轻野火、飓风、洪水、热浪及其他自然灾害对人类健康、生态系统和全球经济的重大风险至关重要。将AI整合到灾害管理策略中，为增强社会应对加剧气候现象的韧性提供了一种变革性方法。AI系统提供实时分析和预测的能力对于预先防范灾害影响、优化资源配置和促进高效恢复工作至关重要。
AI的最新进展开启了环境监测和灾害预测的新纪元。ML已被用于基于有限的暴露数据估算饮用水污染物（如砷或铅）的人群水平。类似地，ML模型在预测环境空气污染水平方面取得了显著成功：通过使用现有暴露数据训练模型，为缺乏此类数据的地区和人群生成预测，这在野火和工业事故期间是一个重要问题。例如，ML已被用于预测由不同空气污染原因引起的PM
2.5水平，在缺乏传感器的区域进行预测，并在有传感器的区域进行验证。Gu等人和Palanichamy等人探索了AI在预测颗粒物浓度（PM
2.5）中的应用，凸显了AI在发布及时警告以减轻健康风险方面的潜力。类似地，Razavi-Termeh等人和Bhowmik等人报告的研究应用ML技术对哮喘易感人群的环境和气象效应进行建模，展示了AI在识别易感个体和促进靶向干预方面的能力。AI的预测能力超越了空气质量。Bekkar等人的研究证明了DL算法在预测智慧城市空气污染水平方面的有效性，强调了AI在增强城市应对环境危害韧性方面的潜在应用。此外，Bhowmik等人创建了一个时空神经网络，成功提前两周预测大型野火，证明了AI在预测和潜在减轻即将发生的自然灾害方面的可行性。这种预测能力对于即时灾害响应以及长期规划和缓解策略都至关重要。通过预测气候相关事件的发生和严重程度，AI可以使政策制定者和灾害管理团队更战略性地部署资源，从而最大程度减少此类事件对社区的不利影响。
ML可协同早期预警系统，促进预期行动，即资源被部署到面临即将发生灾害风险的社区。这些方法已被有效实施，用于向面临洪水、热带气旋、干旱和寒潮等迫在眉睫的灾害风险的家庭提供预期现金转移、促进疏散、进行急救以及分发食品供应。
然而，尽管有这些有希望的发展，AI在应对气候相关灾害中的应用并非没有挑战。AI预测的准确性和可靠性在很大程度上取决于可用数据的质量和数量。正如Singh等人在其关于吸入毒理学新兴技术的综述中所强调的，整合不同的数据源——从卫星图像到地面监测站——可以增强模型的稳健性。Bhowmik等人的工作也表明，除了颗粒物计数和有毒气体水平等环境数据外，纳入湿度、温度和风速等气象数据可大幅提高野火预测的准确性。这需要各方共同努力改进跨不同利益相关者的数据收集和共享机制。
此外，当代AI模型的发展已识别出需要改进的领域。不同地理区域和灾害类别之间的性能差异强调了需要针对特定环境和社会经济因素定制本地化模型。Neo等人关于综合空气污染监测的研究强调了联邦学习方法在根据当地条件定制预测同时保护数据隐私方面的重要性。此外，人们越来越认识到需要使AI模型对用户（包括政策制定者、应急响应人员和公众）更具可解释性。Li等人开发重金属暴露的可解释ML模型的工作指向了一个更广泛的趋势，即增强模型透明度以培养信任并促进AI驱动建议的实施。
总之，在应对气候相关灾害中部署AI为改善灾害管理的敏捷性和有效性提供了巨大潜力。通过利用实时数据和预测分析，AI可以改变社会预测、响应和从此类事件中恢复的方式。未来的努力应优先考虑提高AI模型的准确性、可靠性和可解释性，同时促进跨学科合作，以在日益多变的气候中充分实现AI保护人类和环境健康的能力。
**4 AI在优化环境缓解策略中的应用**
AI模型在数据处理和预测分析方面的强大能力为制定减轻环境损害的策略提供了变革潜力，特别是在碳捕获和废物管理领域。通过预测建模和ML算法，AI有助于识别高效和可持续的方法来减少碳排放，并加强废物回收和减排努力。
在碳捕获方面，AI模型在改进碳封存材料和工艺的选择方面发挥了重要作用。预测模型分析了各种捕获技术和材料，以确定它们在不同条件下的有效性。此外，AI驱动的优化模型旨在提高碳捕获工厂的运营效率，显著降低与碳封存相关的能耗和总成本。
废物管理部门通过AI受益于废物分拣和回收过程的自动化。与计算机视觉集成的ML算法能够精确识别和分离可回收材料，从而提高回收产出的效率和纯度。预测分析在预测废物产生模式、优化收集路线和改进回收过程方面也发挥着关键作用。
目前运行的几个AI模型展示了AI在环境缓解中的有效性。例如，神经网络已被用于预测碳捕获材料的效率，提供其在各种环境条件下性能的见解。在废物管理中，AI算法已被开发用于预测废物产生趋势，促进废物收集和回收过程的优化。
尽管取得了进展，但有几个领域需要进一步发展，以充分发挥AI在环境缓解中的潜力。AI与物联网（IoT）技术的整合（定义为嵌入传感器、软件和其他技术的物理设备、车辆、电器和其他物品的网络，使其能够通过互联网相互连接和交换数据）可以彻底改变环境缓解过程的实时监测和控制，为动态环境变化提供自适应解决方案。此外，需要开发能够处理复杂和异构环境数据的复杂AI算法。这些算法应设计为从稀疏和不完整的数据集中学习，增强其在不同环境背景下的适应性和应用。此外，必须优先考虑合乎道德和透明的AI实践，以确保AI驱动的环境缓解策略的可持续性和公众接受度。在AI模型开发和部署中纳入伦理考虑可以培养利益攸关方之间的信任与合作，这对于成功实施环境政策至关重要。
AI在环境缓解策略中的应用，特别是在碳捕获和废物管理中，凸显了其为全球对抗环境退化以及在环境研究中的绿色技术革命做出重大贡献的潜力。通过利用AI在预测建模和数据分析方面的能力，可以优化环境缓解策略以提高效率和可持续性。然而，AI技术的持续进步以及与IoT设备的整合，加上复杂算法和合乎道德的AI实践的发展，对于充分实现AI在环境健康和预防自然灾害方面的潜力至关重要。
**5 AI在评估环境健康风险和个体化医疗中的应用**
评估由环境因素引起的健康效应面临多重挑战。由于暴露源、个体行为和环境条件的变异性，准确衡量化学暴露是一个重大障碍。此外，混杂因素增加了复杂性，可能同时影响暴露和疾病结果，使得难以建立环境因素与健康影响之间的明确关联。识别对化学暴露易感性增加的时期（尤其是在早期发育期间）以及理解化学混合物的影响进一步加剧了这些挑战。此外，环境健康研究中采用的不同测量方案阻碍了数据的整合和比较，这对于荟萃分析和综合风险评估至关重要。比较风险评估中的方法论复杂性，包括定义最低风险暴露水平以及考虑非加性人群归因分数，使得归因于环境风险因素的疾病负担估算复杂化。此外，气候变化导致健康影响的长期和不均匀分布所带来的伦理和经济考虑，给政策决策增加了另一层复杂性。虽然环境暴露评估的进步提高了政策行动的精确性，但仍然需要更好地将健康相关的暴露与经济、行为、生物、家庭和环境变量整合起来。解决这些挑战对于制定有效的预防政策和实现公共卫生目标至关重要。
AI通过应对众多现有挑战，为变革环境健康研究提供了有前景的方法。这些技术特别擅长处理和分析环境健康调查中特有的大规模数据集，其中污染物与健康结果之间的复杂相互作用很常见。AI识别超出传统统计方法能力的微妙模式和关联的能力，为环境相关疾病的病因学提供了关键见解。ML算法能够为疫情和污染物传播开发预测模型，支持主动的公共卫生应对。此外，AI通过整合个体因素（如遗传、生活方式和暴露史）促进个性化风险分层，从而为定制健康建议提供信息。在暴露评估中，AI通过整合多种数据源（包括卫星图像和个人监测设备）提高了估计的精度和粒度，增进了对环境暴露时空变异性的理解。这些技术还简化了化学品潜在毒性的筛选，鉴于环境中存在大量未表征的化合物，这是一项基本任务。通过预测毒理学终点，AI有助于优先考虑需要进一步评估和监管审查的化学品。总的来说，这些进展有望通过改进数据分析、预测建模、暴露评估和化学品筛选来变革环境健康研究，并有可能加强公共卫生保护。值得注意的是，Lei等人已经使用ML利用污染物的分子信息对淡水生物进行慢性毒性预测。一旦与相关公共疾病数据库配对，该模型可用于人群健康效应。更先进的模型（如基于图的DL）已被用于预测不同化学分子对人体的计算机模拟器官毒性，这可以推动药物开发和环境毒理学管理。在空气污染领域，深度神经网络已用于基于空气污染、天气、花粉和流感预测哮喘恶化率。
在精准医疗领域，AI已越来越多地用于药物设计和临床结果预测。AI模型能够处理每个患者的复杂数据结构，基于其人口统计、基因组和蛋白质组数据，为最有效的个性化治疗策略提供信息。例如，AI应用已用于治疗药物监测和模型指导的精准给药，以确保每位患者准确的用药剂量。在肿瘤学中，AI也用于基于基因组和生物标志物数据预测药物反应，这有助于指导临床试验中的治疗决策和分层。此外，在疫情爆发（如COVID-19背景下），AI在大规模组学和临床数据分析以进行患者疾病结果分层方面也发挥了重要作用。截至2024年中，已有超过1000种AI驱动的医疗设备获得FDA批准，但尚无专门针对过敏性疾病的产品。然而，未来仍需要结合患者的人口统计和组学数据以及周围环境暴露的综合模型，以实现完整的精准医疗模型。
**6 AI与环境正义**
AI可以通过弥合数据差距来促进环境正义，确保有来自边缘化人群的充分数据。先前提到的方法，如迁移学习、事后分层、降尺度和与卫星图像等模态的数据融合，都可以通过提供环境暴露和结果的估计值来帮助弥合数据差距。类似地，ML驱动的异质性暴露效应估计方法可以表征边缘化人群或亚群如何受到环境暴露的差异化影响。
环境监管监测可以通过AI方法得到改进，特别是在需要频繁进行人工监测成本过高且资源匮乏的地区。例如，ML已被用于在水质违规发生之前进行预测，作为早期预警系统。ML还与卫星图像结合，用于绘制集中式动物饲养作业、有害藻华以及与血吸虫病相关的肥料径流地图。
同样，AI在环境健康政策或资源分配中的应用可能受到算法偏差的影响。源自数据集、模型架构和开发者意图的偏差可能会在算法决策中引入主观偏好，可能制造出客观性的假象。例如，如果AI模型主要基于城市地区的数据进行训练，则可能无法准确预测缺乏类似基础设施的农村或低收入地区的洪水风险，可能导致缺乏及时预警，从而在洪水事件中造成不成比例的损害和损失。
最终，只有当受影响社区积极参与AI应用的开发时，AI的进步才能促进环境正义。环境正义的原则包括分配正义和程序正义，前者指资源和环境危害保护的公平分配，后者确保决策过程中的公平代表性。大多数用于环境正义的AI应用侧重于分配正义，但需要强调程序正义以解决关键问题，如榨取式数据实践、监视、分配性伤害和歧视性执法。
**7 方法论挑战与进展**
环境健康特有的几个方法论挑战正通过AI的进步日益得到解决。值得注意的是，在高维背景下估计异质性处理效应的进展，允许更好地评估环境暴露如何影响不同亚群体的健康。其次，可比较的ML技术可用于提高在高维背景下建模非线性暴露-反应关系的准确性，这是为环境健康政策提供信息的关键任务。最后，ML可用于通过贝叶斯核机器回归或贝叶斯轮廓回归等方法估计多重暴露混合物的效应，因为环境暴露通常不会单独发生。
贝叶斯ML融入环境公共卫生，为量化不确定性提供了一个严格的框架——这是将复杂的健康结果与波动的环境风险因素关联起来的关键要求。然而，用于大规模时空数据的传统贝叶斯层次模型通常面临显著的计算障碍。标准方法通常依赖马尔可夫链蒙特卡罗（MCMC）算法。虽然稳健，但MCMC在现代地质统计学常见的高维数据集上扩展性差，通常导致“计算瓶颈”，即模型收敛所需的时间使实时分析不切实际。如Banerjee等人所强调的，计算大量位置的时空过程复杂性——“大数据问题”——需要专门的层次结构和近似。这些模型通常在概率编程语言（如Stan）中实现，该语言为贝叶斯推断提供了灵活接口，但在高维设置中仍然受到MCMC的采样时间约束和收敛问题的限制。
摊销贝叶斯推断通过将计算负担从“在线”推断阶段转移到“离线”训练阶段来解决这些挑战，这是通过使用深度生成模型学习全局汇总统计和后验估计器实现的范式转变。在空间和环境科学背景下，这种方法通过用于高维过程的神经贝叶斯估计器和用于快速空间推断的神经邻近图的发展而得以推进。通过利用这些神经架构直接从观测数据学习到后验分布的映射，摊销框架允许近乎即时的统计分析。这种能力对于提供即时公共卫生响应所需的实时洞察至关重要，例如发布空气质量快速变化的警报或预测急性疾病爆发。
该领域的一个重大进展是开发了用于时空机械系统的动态贝叶斯学习。这种方法涉及使用高斯过程对计算密集的物理模型进行“仿真”，通过顺序处理流数据子集扩展到大规模数据。通过将物理扩散定律与观测传感器数据融合，这些统计仿真器允许高分辨率暴露估计，无需传统数值微分方程求解器的计算成本，促进了Cressie和Wikle所讨论的物理过程的时空分析。
在这些基础之上，GeoAI与贝叶斯迁移学习的融合为特定地理区域数据稀缺这一普遍问题提供了复杂的解决方案。这些模型利用数据丰富的“源”域的知识来指导数据贫乏的“目标”域，确保边缘化社区或农村地区获得与监测良好的城市中心相同水平的分析精度。此外，贝叶斯预测堆叠已成为解决环境流行病学中固有支持变化或时空错位问题的一种有前景的方法。这涉及将点级空气质量测量值与区域级健康结果（如人口普查区级住院率）协调起来。
堆叠不是依赖于单个“最佳”模型，而是基于预测性能分配权重——这一框架由Yao等人推广——提供了比传统插值方法更稳健的风险估计。最终，这些先进的贝叶斯框架可以促进向更全面理解暴露组的转变。贝叶斯核机器回归（BKMR）或轮廓回归等技术，在通过摊销推断和机械仿真增强后，允许AI估计化学、物理和生物应激源的协同效应。通过这些自动化但基于物理的模型识别脆弱性的关键窗口，该领域可以针对个体暴露的特定时空背景，设计更有效的、基于证据的干预措施来管理哮喘和特应性皮炎等慢性疾病。
最后，先进的AI方法（如因果AI）正在增强我们对因果关系的理解。与传统AI不同（后者检测历史数据中的模式和相关性以预测结果），因果AI旨在阐明因果机制。它优先考虑透明度和以决策为中心的学习，通常利用更小、结构化的数据集来促进战略规划和推理。相比之下，传统AI通常依赖大数据集并主要作为黑箱运行，提供预测而不解释潜在的因果机制。例如，英国的一项研究采用贝叶斯因果DL框架评估细颗粒物（PM
2.5）和公共卫生干预措施对COVID-19感染率的随时间变化的因果影响。研究结果表明，短期暴露于PM
2.5显著增加了感染率。此外，研究确定在学校关闭在早期阶段最有效，而公共交通关闭在后期阶段变得至关重要。
**8 结论**
AI在环境健康科学中的采用为数据分析、结果预测和干预实施提供了变革潜力。这些技术已在估算环境暴露、预测疾病结果和阐明复杂因果途径方面证明了有效性。其效用扩展到推进污染研究、改进化学品安全评估以及提供实时灾害响应解决方案。AI在解决紧迫的环境问题（包括优化碳捕获和废物管理以及修复污染场地）中不可或缺。通过利用AI的预测能力，环境健康策略可以变得更加主动和精准，可能产生显著的公共卫生效益。然而，在惠及EHS的同时，AI对环境有巨大影响。数据中心产生电子废物，消耗大量水，依赖关键矿物和稀有元素，并消耗大量电力，推动温室气体排放。这些环境问题需要解决。
尽管如此，将AI整合到该领域仍存在挑战。输入数据在训练、验证和测试阶段强烈影响机器学习结果。在训练期间，数据质量、数量和代表性决定模型学习模式的程度；差或有偏差的数据会导致不准确的学习。验证数据有助于调整模型和检测过拟合，但必须反映真实世界分布以提供可靠反馈。测试数据评估最终性能和泛化能力，揭示模型如何处理未见或多样化的数据。所有阶段数据分布的一致性至关重要，因为不匹配会导致误导性结果。最终，干净、平衡和具有代表性的输入数据确保模型稳健、公平和准确。
未来的医疗AI法律应侧重于开发者、医院和临床医生的共同责任，而不是将责任归于单一一方。问责制应与谁控制每个阶段（包括设计、部署和监控）相匹配。法规应根据风险而变化，对高风险或自主系统制定更严格的规则。持续监督，例如定期更新、性能检查和审计跟踪，将是必不可少的。医院还需要明确的治理系统来安全管理AI。总体而言，有效的立法必须保持灵活、透明和适应性强，以确保AI在完全融入全球医疗系统时的安全和公平使用。此外，确保数据质量、模型可解释性和遵守伦理原则对于减轻偏见和促进公平应用至关重要。AI模型的准确性、可靠性和透明度对于建立信任和促进在临床和公共卫生背景下的更广泛实施至关重要。虽然AI在推进环境健康科学方面前景广阔，但平衡的方法——包括警惕监督、持续技术发展和伦理保障——是必不可少的。负责任地利用AI能力可以促进环境管理和公共卫生的重大进步。
