放射学人工智能与可持续性悖论:环境、经济与社会维度
本综述从放射学视角探讨人工智能的可持续性悖论,分析其在环境足迹、经济可行性与社会影响三个维度上的挑战与机遇。文章指出AI既能加剧全球可持续性问题,也能通过减少低价值成像、优化资源配置提升可持续性,并讨论了缓解策略与未来研究方向。
要点
- AI模型训练与推理能耗巨大,推理能耗常超训练一个数量级,顶级20个AI系统单次训练耗能1.08亿千瓦时、排放10.3万公吨CO2-eq。
- AI硬件快速淘汰产生电子废物,含铅、镉、汞等有毒物质,制造涉及稀土开采,环境危害持久。
- AI应用许可费每年约1万至10万欧元(单应用),须以患者、机构或社会层面的可量化改善证明其经济价值。
核心结论
- AI具有双重潜力,既能加剧全球可持续性问题,也能提高生产力与可及性。
- 应对AI可持续性需从环境、经济与社会三个维度全面考量。
- 放射学界可在个人、机构与集体层面采取明智策略,最大化AI益处并最小化负面影响。
研究设计与样本
- 国际协作综述,从放射学视角探讨AI可持续性的环境、经济与社会维度。
- 检索范围与纳入文献数量原文未报告。
诊断标准与关键数值
- 2021至2024年发表的碳排前20个AI系统,单次训练总能耗1.08亿千瓦时,碳排放10.3万公吨CO2-eq。
- 单次训练CO2排放相当于全球750万至800万人每日碳足迹(不含航空)。
- 训练与推理合计碳排放估计为单次训练的1000倍;前20个AI系统训练加推理约1.03亿公吨CO2-eq,相当于多达2200万普通人年碳足迹。
- 谷歌Gemini Ultra训练与部署约产生3760万公吨CO2-eq,相当于约750万次东京至纽约经济舱往返(直飞、1人、空客330)。
- 全球AI需求到2027年可能取水42亿至66亿立方米,为丹麦年总取水量的4至6倍或英国的一半。
临床应用与阅片要点
- 放射科可通过减少冗余存储(如删除非必要图像重建、低使用率数据离线归档)实现更可持续的数据存储。
- AI可智能协议化大多数放射检查,动态调节CT管电流与电压以减少辐射与能耗。
- AI辅助压缩感知可显著缩短MRI扫描时间并保持高图像质量,降低每次扫描能耗。
- AI可用于自动关机空闲设备及监控PACS工作站等能耗设备,减少不必要能耗。
- AI可从MRI生成合成CT图像,可能免去额外CT扫描。
局限性
- AI marketed benefits often rely on external legitimization rather than robust evidence of systematic added value in clinical practice.
- Marginal performance improvements have yet to meaningfully impact workload, operational efficiency, and patient-level outcomes.
- Long-term benefits have to be proven rather than assumed, either by prospective research or sophisticated health economic modeling.
- Environmental, social, and governance considerations may be overlooked as shareholder priorities seem to center on sales.
- Continuous monitoring and robust post-deployment evaluations are needed to ensure equitable benefits.
全文中译17 节 · 点击展开
引言
人工智能(AI)正在变革放射学领域,提高诊断准确性,并改善工作流程和运营效率[1]。相当比例的AI研究[2]以及监管机构(如美国食品药品监督管理局或欧洲合格认证)批准的大多数AI医疗设备均与放射学相关[3–5]。这些工具中许多利用深度学习(DL),这是AI技术的一个子集,具有更高的计算需求[6, 7]。随着时间的推移,这些模型变得更加复杂,需要更大的参数集来实现更好的性能。在不久的将来,基础模型——能够处理多模态数据类型(如文本、图像和音频)以用于多种应用的大规模神经网络——可能会进一步扩展AI在放射学和医学中的作用[8–10]。然而这种扩展揭示了一个悖论(图1)。虽然AI推动了显著的创新,但它引入了相当大的可持续性挑战,提出了关于如何平衡技术进步与更广泛责任的重要问题。
这种情况与工业革命的进程相似,工业革命增加了全球福祉和生产力,需要整个行业的重新配置,同时也留下了环境破坏和社会不平等的遗产[11]。同样,虽然AI承诺了非凡的进步,但它也带来风险,包括高能耗、增加的碳排放、硬件浪费以及对新兴技术的不平等获取[12, 13]。值得注意的是,信息和通信技术所使用的能源预计到2030年将超过全球消费量的20–30%[14, 15]。AI服务的需求预计在未来5至10年内也将以每年30–40%的速度增长[16],进一步放大能源需求。解决这些问题需要将可持续性原则融入AI的开发和使用中[17]。目标不是停止创新,而是通过采用节能算法、拥抱绿色计算策略以及确保公平和持久的技术分配来负责任地引导进步。
尽管可持续性本质上是多方面的[17],但以往的研究和综述主要关注放射学AI中的环境问题[18, 19]。虽然并不总是显而易见,但放射学中的可持续性问题超越了这些问题。因此,这篇国际合作综述采用更广泛的视角,审视可持续性的环境、经济和社会维度,这些维度最终也都影响医学影像(图2)。
环境可持续性
环境影响与挑战
训练AI模型的过程,特别是基于DL的模型,涉及在大型数据集上进行迭代计算,通常使用图形处理单元(GPU)或张量处理单元(TPU)等高性能硬件。这些设备中的每一个都需要大量能源,特别是在并行运行以减少训练时间时。环境影响不仅限于硬件的直接能耗及其相关排放,还包括数据中心运营产生的间接排放。
一旦部署,AI模型在推理过程中会持续消耗能源,即算法分析数据以生成预测的过程,其能耗往往比训练高出一个数量级,估计范围从数百倍到数千倍不等。更广泛的采用可能进一步推高与推理相关的能源需求。在放射学领域,这意味着对CT扫描、MRI或X射线等影像检查进行实时处理,通常需要服务器持续运行。随着当今医疗保健中每位患者的影像检查数量持续上升,环境成本变得尤为令人担忧,对全球温室气体排放贡献显著。
以单次训练运行所需能源为例,研究人员分析了2021年至2024年间发表的碳排放排名前20的AI系统的累计能耗[20]。每次训练运行的总能耗为1.08亿千瓦时,表明碳排放量为10.3万公吨二氧化碳当量(CO2-eq)。为便于理解,单次AI训练运行的总二氧化碳(CO2)排放量相当于全球750万至800万人的每日碳足迹(不含航空)[21, 22]。
根据推理与训练的能耗比[20, 23],训练和推理合计的总碳排放量估计可达单次训练运行的1000倍。作为参照,单个大规模AI模型(如谷歌的Gemini Ultra)的训练和部署产生约3760万公吨CO2-eq,相当于约750万次东京至纽约经济舱往返航班(直飞,1人,空客330)[20, 24, 25]。作为参考,根据《巴黎协定》,地球上每人一生的碳预算约为50吨CO2-eq[26]。综合考虑训练和推理,前20个AI系统的能源使用导致约1.03亿公吨CO2-eq排放,相当于多达2200万普通人的年度碳足迹[21, 22]。这一排放水平超过了许多国家2023年能源相关的年度总排放量,包括奥地利、捷克共和国、罗马尼亚和挪威[27]。碳排放的可视化比较见图3。
根据各国具体法规,AI在放射学中的实施可能严重依赖云计算来存储和处理大量医学影像数据。这反过来增加了管理这些数据的系统的能源足迹。虽然由于资源整合和共享基础设施的优化能源利用,云服务常被视为比本地部署方案更节能,但其整体可持续性在很大程度上取决于为这些设施供电的能源来源。这种依赖具有显著的环境影响,因为数据中心——云基础设施的核心组成部分——是重要的电力消耗者。除为服务器供电外,运行维持最佳工作温度的冷却系统也需要大量能源。据估计,全球数据中心约占总用电量的1%–2%[28],其中可能与AI驱动的放射学等医学和科学应用相关的份额相当可观。
此外,冷却这些高性能计算系统的用水量是一个日益增长但常被忽视的问题。据估计,到2027年,全球人工智能需求可能占据42亿至66亿立方米的取水量,是丹麦全年总取水量的4至6倍,或英国全年总取水量的一半[29, 30]。
人工智能技术的快速发展推动了对更强大、更专用硬件的持续需求,医院和放射科也是如此,这加剧了全球日益严重的电子废物(e-waste)挑战[31]。用于人工智能的硬件组件,如图形处理器(GPU)、中央处理器和专用集成电路,由于对更快、更高效、能够处理人工智能计算强度的系统的持续需求,常常在达到其使用寿命终点之前就被淘汰。这些过时设备往往最终成为电子废物,构成重大的环境危害。电子元件中的铅、镉和汞等有毒物质可污染土壤和水源,造成持久的生态和健康风险。此外,人工智能硬件的制造涉及钕、钽和钴等稀土元素的开采和精炼,这些是有限资源。这些过程能耗密集,且往往与环境的退化和显著的碳排放相关。
人工智能的环境影响及其相关挑战在图4中简要概述。
环境可持续人工智能的策略
鉴于人工智能系统的巨大环境影响,开发和采用可通过多种方式发挥作用的绿色人工智能实践的关注日益增长(图5)。
首先,降低人工智能模型的能耗可通过简化模型本身的结构来实现。为此目的描述了多种方法,包括剪枝、量化和数据增强[32–35]。此外,可以训练新算法来模拟更大模型的性能,不同之处在于其同时也更加节能。蒸馏——即创建一个“完整”深度学习(DL)模型的更快、更节能版本——是这种方法的一个例子[36]。概率模型也可用于近似更复杂的计算,尤其是在获得高精度并非至关重要的情况下[37]。迁移学习在深度学习中广泛使用,通过微调预训练模型也有助于降低模型训练成本[38]。此外,联邦学习可能具有巨大优势,能够实现去中心化训练而无需传输大型数据集。除此之外,还可以考虑倡导一种有意识的理念,即优先重视有意义的创新,而非仅为发表而开发过于复杂的模型[39–41]。
图形处理器(GPU)首次引入时,凭借其高度并行的架构,使深度学习和机器学习模型能够快速进行图像处理[42]。然而,这种高计算负载导致高能耗和高成本。此外,GPU受限于较小的内存容量。为了最大化人工智能模型的可持续性,已开发出人工智能硬件的绿色替代方案,如张量处理单元(TPU)和现场可编程门阵列[43, 44]。神经形态计算和量子计算也是新兴技术,据报道有望克服深度学习在缺乏层内连接、需要手动配置以及高能耗方面的局限性[45]。
数据中心应考虑替代模式,通过利用可再生资源和优化冷却系统来降低能耗。安装太阳能电池板和风力涡轮机已被证明可显著减少碳排放[32, 46]。创新的冷却技术,如自然冷却、浸没式冷却和液冷,与传统方法相比能耗更低[47, 48]。整合水足迹指标以监测和最小化冷却用水量,可进一步减轻人工智能对环境的影响[29, 49]。数据中心的位置对于最大化冷却系统效率也具有战略意义,因为位于较冷地理区域的数据中心可显著节省能源成本[15]。
放射科也可以通过实施更好的数据管理实践发挥作用。减少冗余存储,例如删除非必要的图像重建数据并将低使用率数据离线归档,有助于在放射科实现更可持续的数据存储实践[19]。回收计划和电子元件的循环经济可进一步帮助缓解这一问题。例如,在要求较低的应用中重复使用退役硬件、设计可升级而非更换的模块化硬件,以及改进回收技术以回收稀有材料,是减少放射科人工智能硬件生命周期影响的切实步骤。
除了减少气候影响外,整合绿色人工智能实践还可能为数据中心及其用户(包括医学影像从业者)带来直接益处,主要是通过降低能源成本。在这方面,2019年发布了指南(可信人工智能伦理指南),2020年发布了(可信人工智能评估清单,ALTAI),强调了可持续人工智能实践的必要性[50, 51]。最近,欧盟的《人工智能法案》于2024年获批,以“促进以人为本和可信人工智能的采用,同时确保对健康、安全和基本权利的高水平保护”[52]。特别关注被认为具有“高风险”的应用,如医疗保健领域。同样,美国发布了“关于安全、可靠和可信地开发和使用人工智能的行政命令”,旨在纳入“旨在确保人工智能的安全、负责任、有益和可持续的全球开发和采用的原则、指南、优先事项和最佳实践”[53]。鉴于这些监管趋势,实施可持续人工智能实践将成为开发人工智能系统时的一项要求(表1)。
经济可持续性
经济影响与挑战
将AI整合到放射学中对诊断和运营能力具有显著益处,但大多为回顾性验证的益处。目前,AI供应商宣传的许多价值主张强调效率提升,如降低成本和工作量,或提高临床决策质量和患者照护。然而,这些主张往往依赖外部合法性策略,如获得法律批准、与学术和医疗机构建立合作伙伴关系以及展示实际应用,而非提供在临床实践中具有系统性附加价值的有力证据[54]。边际性能改善,例如将异常检测的敏感性提高几个百分点,尚未对工作量、运营效率和患者层面结局产生有意义的影响[55]。
采用AI的经济影响不仅限于许可证(或按使用付费)和部署成本[56]。AI系统必须通过例如减少重复成像、改善患者结局以及支持降低总体医疗成本的预防性照护措施来证明长期财务可行性。例如,AI在疾病早期检测中的应用有可能避免后期更昂贵的干预,从而促成更可持续的医疗模式。这些长期益处必须被证明而非假设,可通过前瞻性研究证明,或在无法实现时通过复杂的卫生经济建模(如成本效果分析)证明,并且理想情况下应进行持续监测。
另一个关键经济方面是AI作为蓬勃发展的产业的快速增长。尽管医疗AI在更广泛市场中是一个较小的细分领域,但其增长率位居最高之列[57]。这一金融生态系统往往对医生不可见,很大程度上是由于医学课程中缺乏经济学教育,但投资是创新和行业增长的驱动力。然而,这场AI“淘金热”引发了担忧,即环境、社会和治理方面的考量可能被忽视,因为股东优先事项目前似乎集中在销售上,即使产品——除CE标志认证(源自法语“conformité européenne”,意为“欧洲 conformity”)之外——缺乏足够的临床价值来证明其价格合理。未能解决AI的经济可持续性会无意中增加医疗成本,降低普通人群的可及性,并可能创造一个新的类制药行业,其驱动力是利润而非公平照护。这种情况可能加剧医疗保健提供中本已存在的不平等。
图6总结了AI的关键经济影响及其相关挑战。
经济可持续AI的策略
要使人工智能(AI)高昂的许可成本(单个应用每年大约在1万至10万欧元之间,甚至不包括部署成本)物有所值,其效益必须在患者、机构和/或社会层面带来切实改善。这些改善可包括可量化的发病率降低,例如乳腺X线筛查中间隔期癌症发生率的降低、骨折检测工具中功能结局的改善、报告时间的缩短、急诊室等待时间的缩短或出院时间的缩短。这些可量化的结局随后可转化为货币价值,可通过质量调整生命年(QALY)等指标,或通过证明放射科医生每次检查所花费时间的减少来实现。例如,支付意愿阈值和增量成本效果比(ICER)可指导医疗干预成本效果的决策。例如,在荷兰,这些阈值范围为每获得一个QALY最高2万至8万欧元,具体取决于疾病严重程度。放射科医生每次检查的时间可通过中位阅片时间来评估,这并非易事,且由于复杂程度和工作流程效率的差异,不同操作类型之间存在显著差异[58]。此类指标可为计算投资回报率提供输入,并明确某一特定应用对医疗中心是否具有经济可行性,这与最终由谁承担成本的更广泛问题无关[18]。
尽管欧洲许多医疗中心为公立或非营利性质,但那些没有大量补贴的医疗中心需要正的EBITDA(即息税折旧摊销前利润) margin以避免停滞,这使得经济可持续性对医疗系统的更广泛可持续性至关重要。除了更快的报告时间外,运营层面的提升,如提高能源效率、减少影像系统停机时间以及通过云集成优化数据管理,对于确保AI驱动系统的经济可行性至关重要[18]。此外,前瞻性研究和健康经济建模应辅以持续监测,以确保实现预期效益。总体而言,解决这些因素可加强放射学和医疗保健中经济可持续AI的论据(图7和表2)。
社会可持续性
社会影响与挑战
技术中的社会可持续性是指开发和使用的工具能够积极增强当代和后代建设健康、公平和宜居社区的能力[59]。AI的社会影响及相关挑战总结于图8。
具体到人工智能领域,可能对原本已被边缘化的群体造成不成比例伤害的偏倚风险十分显著[13]。这种偏倚往往源于不具代表性的数据集、不完整的数据或医疗保健系统中固有的系统性不平等[13]。例如,少数群体在开发者和训练数据集中的代表性不足,可能导致算法在这些群体中表现不佳,从而延续医疗保健服务中现有的差距。
确保人工智能技术的公平可及是社会可持续性的核心方面。目前,人工智能解决方案的采用往往偏向资源丰富的环境,使资金不足的医疗保健系统和资源匮乏地区对这些进步的获取受限[60, 61]。这种不平衡可能加剧全球健康不平等,因为缺乏足够基础设施的地区无法从人工智能驱动的诊断和运营改进中获益。
社会可持续人工智能的策略
旨在通过资助计划、合作伙伴关系以及可扩展、具有成本效益的解决方案来 democratize 人工智能工具获取的政策至关重要,以防止这种分化。必须不惜一切代价避免“新殖民主义”,确保人工智能的开发和部署包括与当地利益相关方的包容性合作,优先考虑文化和情境相关的解决方案,并避免强加无法满足服务不足地区独特需求和优先事项的西方体系。
数据集组成和算法过程的透明文档记录对于实现社会可持续的人工智能至关重要。STANDING Together 框架强调了问责制的重要性,敦促开发者披露数据集局限性,并主动评估其算法对多样化人群的影响[60, 61]。需要持续监测以及稳健而详细的部署后评估,以确保人工智能应用在所有人群和环境中带来公平的益处。
社会可持续人工智能的策略也总结于图9,与放射学相关的示例见表3。
优化扫描方案并降低能耗
传统上,放射科医生根据临床指征和患者特征等因素确定扫描方案[62]。虽然有效,但这种手动方法在可扩展性、一致性和能耗方面存在固有局限性。基于人工智能的工具可以通过为大多数放射学检查实现智能方案制定并提高质量和标准化来应对这些挑战[63]。在CT中,人工智能系统可以动态调整成像参数,如管电流和电压,以为每位患者量身定制扫描方案,减少辐射暴露的同时也最大限度地降低能源使用[64]。此外,人工智能辅助压缩感知等技术通过显著缩短扫描时间同时保持高图像质量,彻底改变了MRI效率,从而直接有助于降低每次扫描的能耗[65, 66]。值得注意的是,此类人工智能工具及其他工具还可以有效应用于低场强MRI系统,这些系统由于在制造和运行阶段温室气体排放减少而更易获取且更环保[67]。
人工智能还可以通过在空闲时段自动关闭设备并在最佳时间启动系统来提高放射科的能源效率[68]。此外,它还可以用于监测放射科其他高能耗设备,如PACS工作站,并在不活跃时段自动将其关机以减少不必要的能源消耗[69]。
减少冗余和低价值成像、辐射暴露和对比剂使用
人工智能在放射学中一个较新的应用涉及从MRI扫描生成合成CT图像。这种方法可以消除额外CT扫描的需要,简化癌症患者的放射治疗计划流程[70]。
人工智能有潜力通过提供工具来改善决策、优先安排必要的影像检查并过滤掉不必要的检查,从而显著减少低临床价值成像。可以分析患者特异性数据,包括病史、实验室结果和体型,提供实时决策支持,帮助评估影像检查是否必要[71–73]。通过识别可能不会提供显著临床获益的申请,人工智能有助于优化影像资源和减少过度使用。
尽管静脉对比剂通常耐受性良好,但最大限度地减少其使用以提高患者安全性并降低成本和水浪费很重要[74]。人工智能驱动的成像序列已证明能够在不影响诊断准确性的情况下降低所需对比剂剂量,提供临床和环境双重效益[75]。
人工智能驱动的工作流程优化和排程
放射学中的传统排程方法往往导致效率低下,如预约重叠、设备利用不足和重复就诊,这会增加患者出行并降低资源利用效率[76]。人工智能驱动的排程系统通过优化预约分配以匹配患者位置、影像设备可用性和人员排班,为应对这些挑战提供了机会,从而减少不必要的出行和等待时间[77, 78]。这在CT或MRI等成像检查时长受特定方案影响的模态中尤为重要。机器学习算法可通过基于患者特异性和环境变量预测预期等待时间和患者失约等因素来增强这一过程[79]。此外,人工智能工具可通过动态管理扫描仪停机、检查时间延长或迟到等中断来促进应急规划,确保更顺畅的工作流程和更好的影像资源利用[80]。
远程医疗和远程放射学以减少出行和排放
远程医疗和远程放射学的整合通过为患者提供虚拟咨询、专家第二意见或影像结果的简单解释等选择,进一步增强了这些进展。这种方法显著减少了面对面就诊的需求,从而降低了与出行相关的排放并最大限度地减少了患者的不便[81]。人工智能聊天机器人也可能有助于处理患者的请求[82, 83]。
改善图像质量并减少重复扫描
高质量的医学影像是准确诊断、有效治疗规划和最佳患者结局的关键[84–86]。它在防止误诊、减少重复成像和确保及时干预方面发挥着关键作用,尤其是在重症监护场景中[87, 88]。人工智能算法可以自动检测和校正运动伪影、噪声或模糊等问题,提高CT和MRI等模态的图像清晰度和诊断效用,这在低对比度组织或小病灶等具有挑战性的病例中尤其有益[89, 90]。
人工智能驱动的资源管理和需求预测
资源管理和需求预测常常受到传统方法局限性的阻碍,这些方法难以适应快速变化的需求。在放射科,这可能导致对比剂、新药和所有影像相关一次性材料的库存过剩或短缺等低效问题[91, 92]。整合人工智能通过实现精确的需求预测、简化的工作流程和有效的库存管理提供了变革性方法,从而减少浪费并提高资源利用率[93, 94]。医疗部门持续面临的挑战是人员短缺、工作量过大和高流动率,这些问题导致员工满意度下降[95]。自主排班是一种允许员工自行创建工作日程的排班系统,通过将工作日程制定的责任转移给员工,使他们对自己的工作时间有更大的控制权,从而提供了潜在的解决方案。将人工智能工具整合到这一过程中可以简化排班生成、最大限度地减少调整所花费的时间,并最终降低与排班相关的成本[96]。
优化设备利用和维护规划
通过分析历史数据,人工智能可以揭示导致特定检查模式过度使用或使用不足的模式,帮助放射科优化设备采购和维护规划相关决策。此外,采用基于云的技术和远程协作平台有助于放射科医生之间分担工作负荷,简化各站点间的资源管理,并缓解运营瓶颈。这些进步不仅提高了工作流程效率,还最大限度地减少了资源浪费并提升了整体成本效益[97]。
行动呼吁与未来方向
人工智能在可持续性方面扮演双重角色。它具有推动创新、简化工作流程和降低资源消耗的潜力,从而促进更高效和可持续的实践。然而,其巨大的能源需求以及更广泛的环境、经济和社会影响不容忽视。在利用人工智能的变革能力与采用可持续实践之间取得平衡,对于塑造放射学负责任的未来至关重要。
放射学人工智能界必须实现向可持续性的根本转变。图11总结了放射科医生在放射学人工智能可持续性中可能发挥的作用。重要的是,放射科医生应掌握可持续性的基础知识。虽然不必成为人工智能专家,但了解关键的可持续性问题在这方面至关重要。同样重要的是要认识到,许多挑战和解决方案超出了放射科医生的职责范围,需要各种更高层机构的参与。然而,应对这些挑战需要放射科医生、人工智能科学家、行业合作伙伴和政策制定者的集体承诺,将环境、经济和社会因素纳入人工智能技术的开发和部署中。在这方面,采用“绿色人工智能”原则[15]、倡导支持性政策以及在研究和采购中做出有意识的决策,对于确保公平和可及性同时减轻环境影响至关重要。
当前评估放射学中人工智能系统可持续性的方法不够充分,主要关注碳排放且缺乏一致性[15, 18, 19]。需要标准化的方法和工具来准确测量和报告人工智能的影响[17]。这些方法应涵盖可持续性的所有三个维度,解决潜在偏差,评估不同人群的可及性,并考虑人工智能部署的经济影响。开发类似于能源之星的用户友好型放射学人工智能生态标签(图12),可促进利益相关者的评估并激励可持续实践[18]。
研究应优先开发本身具有能源效率的“绿色人工智能”算法[15]。应探索降低计算成本的策略,如模型压缩和专用硬件。此外,确保社会公平和经济可行性至关重要。这涉及解决算法偏差、促进人工智能增强医疗的公平可及性,以及考虑对医疗系统和经济劳动力的经济影响。“人工智能促进绿色”解决方案的潜力也值得研究,即人工智能解决放射学内的可持续性挑战。
需要全面的政策框架来指导放射学人工智能的可持续发展和部署。这些框架应涵盖可持续性的所有维度,促进透明度和问责制,并激励负责任的创新[17]。欧盟的《人工智能法案》提供了一个范例,但仍需要全球性举措。应对这些挑战需要透明度,以及放射科医生、人工智能科学家、伦理学家、政策制定者和行业利益相关者之间的跨学科合作。教育举措对于提高这些群体(包括放射学领域)的认识至关重要。未来的研究还应调查人工智能系统各可持续性维度之间的相互依存关系,并采取整体性方法来缓解与人工智能部署相关的潜在系统性风险[17]。
结论
放射学处于医疗保健领域人工智能创新的前沿,然而人工智能的悖论性质凸显了在个人、机构和集体层面进行知情决策的重要性。确保这些变革性技术与可持续性原则保持一致至关重要。通过减轻人工智能的环境、经济和社会影响,我们可以利用其巨大的变革潜力,同时保护地球健康。这需要集体致力于可持续的人工智能实践,确保放射学人工智能真正服务于社会、保护环境,并为子孙后代带来持久惠益。
引用
- Kocak B, Ponsiglione A, Romeo V, et al. Radiology AI and sustainability paradox: environmental, economic, and social dimensions. Insights Imaging. 2025. PMID: 40244301. doi:10.1186/s13244-025-01962-2
- 全文:PMC12006592(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12006592/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。