声音生物标志物初创企业的知识经济学：一项关于数据实践与治理的定性访谈研究

《Frontiers in Digital Health》：The epistemic economy of vocal biomarker startups: a qualitative interview study of data practices and governance

　　

摘要专业翻译：

**背景与目的：** 声音生物标志物（vocal biomarker）技术已成为一种前景广阔的非侵入性健康评估工具，人工智能（artificial intelligence, AI）使其可用于帕金森病、阿尔茨海默病、抑郁症和心力衰竭等疾病的筛查、诊断与监测。声音生物标志物被定义为单独或组合使用、并经验证可作为临床结果指标的声音特征。该领域的初创企业正吸引大量投资，并围绕未来商业化产生大量预期性话语，然而其科学基础与治理框架尚未建立。本研究借鉴Sabina Leonelli的知识经济学（epistemic economy）框架——该框架分析数据如何在社会、机构和商业安排中被生产、估值和治理——考察声音数据如何被转化为具有临床价值与商业价值的实体，以及这种转化所付出的科学与伦理代价。

**方法：** 研究人员采用解释性框架开展了一项定性访谈研究。通过目的性抽样识别出十一家声音生物标志物初创企业的代表，并进行了虚拟半结构化访谈。访谈内容涵盖数据收集方法、机构审查委员会（Institutional Review Board, IRB）合规情况、知情同意、参与者人口统计学特征、地理来源及经济激励。两名研究人员独立进行主题分析，并通过讨论协调分歧。

**结果：** 研究识别出六个主题：（1）共享数据标准的缺失导致了显著的硬件和方案异质性、未受控制的混杂因素以及标签噪声，削弱了科学有效性；（2）IRB参与程度从稳健的多中心审查到完全缺乏监督不等；（3）同意实践从细粒度的选择加入（opt-in）到默示同意和最低限度披露不等；（4）声音数据被公认具有内在不可匿名化性，造成了未解决的隐私和再识别风险；（5）数据来源不对称，11家初创企业中有4家从低收入和中等收入国家收集数据，同时将商业部署瞄准高收入国家；（6）商业激励催生了专有方案，阻碍了独立验证并妨碍数据共享。

**结论：** 声音生物标志物初创企业生态系统作为一种知识经济学运作，其中方法学、监管和治理选择往往偏向商业利益和高收入人群，而非科学严谨性和公平性。亟需标准化的数据来源（provenance）要求、在现有隐私框架（如HIPAA、GDPR）下重新评估声音数据的风险分类，以及包括来源社区在内的参与式治理，以确保声音生物标志物产品具有科学有效性、伦理基础并得到公平开发。

论文解读文章：

**一、研究背景与问题**

近年来，人工智能（AI）在医疗健康领域的应用催生了利用大规模人类数据集进行疾病检测与监测的新机遇。声音作为一种富含生理信息的信号，可通过智能手机技术以非侵入方式采集，用于疾病筛查与监测，因此声音生物标志物（vocal biomarker）技术受到商业资本的高度关注。例如，初创企业Canary Speech已与微软合作，将其声音生物标志物技术整合至环境抄录工具Dragon Copilot中，用于心理健康和认知状况的早期检测与管理。然而，该领域面临一个根本性挑战：缺乏按照规范声音采集方案获取的、注释充分的声音数据。尽管美国国立卫生研究院（NIH）共同基金资助的Bridge2AI Voice Consortium正致力于解决该问题，但截至目前尚无获得美国食品药品监督管理局（FDA）批准的声音生物标志物产品，AI工具的采用也有限。初创企业在投资者回报压力下，其技术发展受到声音数据收集瓶颈的制约，而数据隐私担忧和法规（如HIPAA、GDPR）进一步增加了收集难度。此外，当训练数据从某些社区采集、而受益者却是其他人群时，知识公平性（epistemic fairness）问题便凸显出来。既有研究表明，全球北方（Global North）常主导数据获取与使用，形成提取式伙伴关系，导致健康不平等循环。Sabina Leonelli提出的“知识经济学”（epistemic economy）框架，为分析初创企业声音数据收集实践以及这些数据如何在复杂的社会与伦理景观中被生产和治理提供了理论透镜。此前Bridge2AI Voice Consortium的研究已通过网站信息分析了初创企业的宣传语言和监管实践，但缺乏通过第一手访谈获取的初创企业内部数据实践信息。因此，本研究旨在通过定性访谈填补这一知识空白，并对声音生物标志物初创企业的当前实践进行知识论与伦理分析。

**二、研究目的与开展的工作**

研究人员开展了一项采用解释性定性框架的访谈研究，以调查声音生物标志物初创企业的数据收集实践、 governing数据收集的伦理框架以及当前的科学方法与标准。研究样本来自Bridge2AI-Voice Consortium维护的初创企业注册表，通过目的性抽样招募了11家企业的代表（回复率41%）。访谈于2025年2月至5月进行，采用Zoom虚拟半结构化访谈，每次约30分钟，内容涉及目标研究人群、同意程序、数据收集方法、经济激励、人口统计学与地理信息以及指导性伦理原则。两名临床研究人员独立进行主题内容编码，通过共识讨论协调差异，并使用MaxQDA软件（版本24）进行编码和分析。研究达到主题饱和。需要指出的是，研究团队包括Bridge2AI-Voice Consortium的调查员，这一身份既提供了接触渠道和领域专长，也可能影响访谈对象的披露和解读，故采用双人独立编码、逐字引述与匿名公司标识关联等方式减少偏差。

**三、主要关键技术方法**

本研究采用了以下主要方法：（1）定性访谈研究设计，遵循《定性研究综合报告标准》（COREQ）进行报告；（2）目的性抽样，从Bridge2AI-Voice Consortium的初创企业注册表（该注册表基于已发表的系统绘图，识别了截至2023年7月全球27家活跃公司）中招募代表；（3）半结构化访谈，通过Zoom进行并转录；（4）主题内容分析，包括独立编码、codebook协调和共识讨论；（5）反身性陈述，以承认研究者立场对研究过程的影响。样本涵盖了位于美国、加拿大、英国、卢森堡、德国、法国、澳大利亚和阿根廷的11家初创企业，其临床目标主要涉及阿尔茨海默病、2型糖尿病和抑郁症等。

**四、研究结果**

研究共识别出六个主题：

**主题1：音频采集与标注的可变性构成科学有效性风险。** 初创企业代表描述了不同手机、笔记本电脑与手机的录音频率和硬件差异带来的测量噪声。最严重的混杂效应出现在混杂变量与结局完全一致时——若疾病队列在医院环境录音而对照组在家中录音，设备和环境差异便与疾病标签完全对齐，模型可能仅依据录音环境即可区分组别，而未学到任何疾病相关信息。标签噪声（label noise）同样损害算法可靠性，如不同医生对哮喘诊断不一致会破坏训练标签。各初创企业均报告缺乏共享的声音采集标准，数据以各组织自有的、彼此无法协调的方案大规模积累，阻碍了跨组织的交叉验证与复制。

**主题2：IRB参与和监管监督存在异质性。** 伦理监督范围从稳健的IRB提交和多中心审查到完全没有审查不等。11家企业中有2家未寻求任何自身伦理审查：一家创始人完全不熟悉IRB程序，仅计划通过未来大学合作获得审查；另一家认为其团队成员所在学术机构“不要求该信息”。其余9家中有3家使用商业或中心IRB。一家自称“纯私人”且与公共机构无关联的企业实际上已获得国家研究伦理委员会对其临床研究的批准，表明初创企业即使正式处于研究伦理体系之内，也可能在定位上自外于该体系。

**主题3：弱势群体的知情同意挑战尚未解决。** 同意实践差异显著：一端是研究因“非重大风险”而获得同意豁免，另一端是详尽的逐项选择同意。部分企业优先考虑同意书简短性，与数据保护官追求详尽之间形成张力，这可能牺牲参与者对同意内容的真正理解。有企业将临床试验中的同意程序完全委托给制药公司，自身不审批同意语言。美国医学研究所的指南将同意视为一种知情、互动且持续的过程，而非一次性形式，刻意缩短披露可能不符合该标准。

**主题4：声音数据不可匿名化与再识别风险。** 声音既是临床上有意义的生物标志物，又是高度可识别的个人信息，二者无法在不破坏数据的前提下分离。受访者指出“声音数据本身即个人可识别信息”“完全匿名化可能不可能，因为样本是声音”“去识别化非常成问题，因为改变声音后数据便不再有用”。声音数据库若被黑客攻击，将构成严重事件。正因为这些数据主要由商业实体持有，隐私风险反过来抑制了数据共享意愿。

**主题5：全球数据来源、可推广性与知识剥削。** 11家企业中有4家从低收入和中等收入国家（LMICs）收集数据，其中3家在印度。这些企业在LMICs支付的补偿远低于高收入国家（如“在印度每天几美元，在美国则多得多”），但其产品主要面向高收入市场。有企业报告在印度约5万名参与者、四个非洲国家约1万名参与者，而欧洲不到1000名。这种从监管保护较弱国家提取生物数据、在高收入市场商业化产品的模式，体现了Leonelli所称的“数字生物勘探”（digital bioprospecting）式不对称。此外，多数企业缺乏结构化的患者倡导团体参与，尽管代表们认可其价值，但4家有结构化参与、4家仅作为愿望、3家完全未参与。

**主题6：商业激励、数据管理与验证障碍。** 11家企业中有7家已从研究数据集开发出商业产品，另有3家正在开发中。数据作为企业核心资产，产生了不愿共享的负向激励。有代表坦言“共享数据存在负面激励……数据并非完全匿名……若分享给其他机构后他们意外泄露数据，我需承担部分责任”“人们不愿分享数据，因为那样他们的研究会被超越”。这种专有控制使各组织仅在自身封闭数据集上训练和验证算法，缺乏独立机制核实报告的性能是否反映真实生物信号还是数据集特有特征，从而强化了主题1所述的可重复性问题。少数反例表明，开放数据发布和免费数据使用协议可构成替代模式。

**五、讨论与结论**

讨论部分指出，声音生物标志物初创企业生态系统中存在社会、伦理和法律问题。企业面临的时间压力和短期投资周期可能导致方法学实践受损。本研究的六个主题并非独立问题，而是相互交织的知识经济学的特征。根据Collingridge的“控制困境”，该技术正处于早期可塑阶段，亟需在此窗口期建立治理框架。Leonelli的框架被用来分析这种提取式动态——研究人员将其称为“知识剥削”（epistemic exploitation）。此外，数据来源不对称还引发科学关切：声音特征受语言、方言和口音影响，模型跨人群迁移可能失效，COVID-19咳嗽筛查工具在不同人群中的性能下降即是前车之鉴。研究人员建议：初创企业应记录和报告最低限度的来源元数据、采用最低同意标准、对所有人类声音数据收集获得独立伦理审查；领域应采纳VOCAL共识定义并建立共享元数据标准、建设数据信托或联合验证基础设施；监管机构和资助者应重新评估声音在HIPAA和GDPR框架下的风险分类，并对来自低收入和中等收入国家的数据附加利益共享和社区参与期望。研究还提出了数据处置计划和基础设施依赖的问题。局限性包括样本量小、潜在选择偏差、未验证自我报告以及研究者与Bridge2AI联盟的关系。

**结论：** 当初创企业在缺乏共享标准、使用异质设备、覆盖多样人群和不受控条件下收集声音数据时，所产生的噪声和混杂因素威胁着任何衍生生物标志物的科学有效性。在监管监督和隐私保护往往薄弱或执行不力的低资源环境中，初创企业采集声音数据引发了重大关切，尤其是考虑到声音作为个人可识别信息的敏感性。声音生物标志物研究持续大规模收集数据，为维持知识公平性和健全的知识经济学，制定研究规范变得日益重要。