低收入和中等收入国家医学影像人工智能实施的视角:挑战、优先事项与策略
该视角文章基于约翰霍普金斯科学外交中心研讨会(18名专家)和范围综述,识别出低收入和中等收入国家实施医学影像人工智能的五大障碍:基础设施缺口、数据不足、人力短缺与人才外流、伦理监管框架不确定、融资与可持续性限制,并提出共享采购低成本硬件、区域AI与数据枢纽、培训师培训计划、统一监管等策略。
要点
- 五大障碍:基础设施缺口、数据不足、人力短缺与人才外流、伦理监管不确定、融资可持续性限制。
- 案例显示低场MRI、云PACS、社区参与数据收集和公私合作可缓解部分挑战。
- 策略包括共享采购低成本硬件、区域AI与数据枢纽、培训师培训计划、统一监管。
核心结论
- 有针对性的政策杠杆(共享采购低成本硬件、区域AI与数据枢纽、培训师培训人力计划、统一监管)可使LMIC卫生系统负责任地部署AI影像,缩短诊断延迟并改善患者结局。
- 这些经验可推广至全球资源受限环境。
研究设计与样本
- 视角文章,基于2025年2月6日约翰霍普金斯科学外交中心举办的2小时研讨会(4名发言专家,约40名参会者来自8个国家,其中22人(55%)参与共识讨论)和范围综述(检索PubMed、Scopus、IEEE Xplore自建库至2025年1月31日)。
- 研讨会记录经主题编码和迭代验证达成共识;主题选择标准为编码出现在≥70%的转录稿中才提升为主要主题。
诊断标准与关键数值
- 范围综述纳入标准:在LMIC现场进行的人体影像研究、描述已部署或正在前瞻性临床验证的AI工具、报告至少一项实施结局(如准确性、周转时间、成本、可接受性)。
- 范围综述排除标准:无患者数据的纯技术算法论文、动物研究、社论和综述。
临床应用与阅片要点
- 政府与医疗机构应优先考虑成本效益高、便携的影像解决方案(如手持超声心动图)以扩大诊断覆盖并确保公平可及。
- 低场MRI(≤1.5 T)可降低采购和维护成本,使其适用于小诊所和农村医院。
- 卫生系统和非政府组织应尽可能复制或调整RAD-AID在尼日利亚的混合云PACS等成功模式。
- 建议采用枢纽-辐条式微调路径:公开基础模型先通过参数高效联邦学习适配本地数据,再每季度用监测仪表板重新验证以标记性能漂移。
- 作者建议建立领域到政策的反馈循环:RAD-AID可于2025-2026年在加纳、尼泊尔、秘鲁的三家现有合作医院试点数字主权契约和监测仪表板。
局限性
- 研讨会只有四名专家发言。
- 尽管40人听众来自8个国家,但只有22人(55%)对共识讨论有口头贡献。
- 专业代表性偏向学术放射科医生,可能低估了初级保健临床医生和患者。
- 选择偏倚和社会期望偏倚仍可能存在。
全文中译27 节 · 点击展开
引言
医学影像技术,如磁共振成像(MRI)、计算机断层扫描(CT)和超声,长期以来一直是现代医疗保健的基石,使临床医生能够更准确、更快速地诊断疾病。如今,人工智能(AI)正在开启医学影像创新的新时代,提供从自动化常规图像分析到协助医生进行复杂诊断评估的广泛能力。通过处理大量影像数据并检测超出人类观察范围的细微模式,AI驱动的工具有潜力显著提高诊断的准确性和治疗的及时性(图1)[1–5]。
人工智能的推广并非发生在政治真空中。除非将公平和正义作为明确的设计目标,否则AI可能加剧数据所有权、模型开发和利益分享方面现有的权力不对称[6, 7]。Khan等人将这一新兴威胁称为“AI殖民主义”,敦促与历史上提供数据但获取价值甚少的社区共同创造[8, 9]。因此,我们将本路线图定位为对这一更广泛讨论的贡献,同时保持面向实施者的行动导向。
然而,尽管有这些优势,低收入和中等收入国家(LMICs)往往在基本医疗基础设施方面面临困难,这可能阻碍AI的成功采用。其中许多地区面临持续挑战,如电力不稳定和互联网连接不足——这些是运行AI驱动解决方案的关键组成部分[10, 11]。此外,缺乏基于当地患者人群训练的可靠且与情境相关的数据集,削弱了主要在高收入国家(HICs)开发的AI模型的准确性和临床相关性[12, 13]。医疗专业人员培训机会不足以及缺乏强大的本地AI专家队伍加剧了这些局限,为有效实施和长期可持续性制造了障碍[14–17]。尽管存在相当大的挑战,越来越多的数据凸显了AI在缓解LMICs放射学和医疗实践挑战方面的能力[18, 19]。
为应对这些挑战,来自约翰斯·霍普金斯大学和伦敦国王学院等顶尖机构的研究人员和医生在科学外交中心的“AI在LMIC环境中医学影像实施的挑战”活动中携手合作。来自放射学、数据科学/AI、商业、公共卫生和政策等多个学科的专家提供了全面的见解,构成了本专家意见的基础。通过整合他们的专家观点,本文件确定了限制AI驱动医学影像在LMICs中整合的最紧迫障碍,突出了优先干预领域,并提出了实现可扩展、公平且具有伦理基础的AI实施的战略建议。通过合作和有针对性的投资,希望这些建议能够成为利益相关者的路线图——从医疗保健提供者和政策制定者到技术开发者和国际资助者——致力于在资源有限的环境中增强诊断能力并改善患者结局[20–23]。
方法和视角构建方法
准备性文献综述
在研讨会之前,我们对与中低收入国家医学影像中人工智能相关的同行评审文章、机构报告和政策文件进行了范围综述。
我们检索了PubMed、Scopus和IEEE Xplore,检索时间自建库至2025年1月31日,检索词为(“医学影像” AND “人工智能” AND [世界银行中低收入国家列表])AND(“实施” OR “部署” OR “真实世界” OR “工作流程”)。在EndNote中去除重复后,两名评审者(A.M.、M.U.)独立筛选标题/摘要;分歧通过共识解决。符合以下所有标准的全文被纳入:(i)在中低收入国家现场开展的人体受试者影像研究;(ii)描述已部署或正在进行前瞻性临床验证的人工智能工具;(iii)报告至少一项实施结局(例如准确性、周转时间、成本和可接受性)。排除标准:无患者数据的纯技术算法论文、动物研究、社论和综述。
本综述考察了关键主题,包括基础设施障碍、数据隐私与伦理、人力资源能力和融资模式——从而为制定研讨会各环节的半结构化讨论指南提供了指导。
研讨会组成与结构
本手稿中呈现的共识源自2025年2月6日(美国东部标准时间16:00—18:00)由约翰斯·霍普金斯科学外交中心主办的一场为期2小时的研讨会,题为“中低收入国家环境中医学影像人工智能实施的挑战”,举办地点为约翰斯·霍普金斯彭博中心,地址:555 Pennsylvania Avenue NW, Washington, DC(822室)。16:10—欢迎
约翰斯·霍普金斯大学科学外交中心联合主任Ona Ambrozaite致开幕词。
16:15–16:55—闪电演讲(每人10分钟):Ritu Agarwal——数字健康与人工智能采纳。
Rama Chellappa——医学影像人工智能的技术前沿。
Sola Adeleke——中低收入国家的肿瘤影像需求。
Muhammad Umair——放射学工作流程整合。
16:55–17:30—专题讨论
围绕实施障碍、优先行动和国际伙伴关系的作用进行的主持式对话。
17:30–18:00—交流
在茶点期间进行的非正式分组交谈。
参与者概况
讲者(n = 4):在人工智能或中低收入国家放射学领域拥有同行评审成果的资深学者和临床医生。
听众(约40名参会者):来自八个国家的科学家、外交官、研究生和私营部门代表,提供了多学科和多区域的视角。
研讨会局限性
首先,研讨会仅有四位专家讲者。此外,尽管40人的听众跨越八个国家,但只有22人(55%)在共识讨论中积极发言。专业代表性偏向学术放射科医生,可能对初级保健临床医生和患者代表不足。我们通过以下方式减轻了主导性问题:结构化议程(闪电演讲→专题讨论)确保每位专家享有平等的发言时间。
轮换主持人和计时提示防止了任何单一声音的主导。
匿名Slido投票实时捕捉听众的优先事项和问题,使较沉默的参与者——包括以虚拟方式参会的驻中低收入国家参会者——能够影响讨论。
两名独立记录员记录了会议过程,以供后续主题编码使用(见下一节)。
这些设计特点促进了均衡参与,并丰富了用于后续主题分析的数据集。尽管如此,选择偏倚和社会期望偏倚仍有可能存在。
数据收集与主题分析
两名独立的记录员记录了每场圆桌会议和分组讨论,生成文本数据,随后将其上传至定性分析软件MAXQDA。研究人员采用扎根理论方法对这些记录进行编码,迭代识别主要主题(如“基础设施缺口”、“数据伦理使用”、“培训不足”和“融资挑战”)以及提供更细致或情境特异性观点的子主题。主题选择标准:在≥70%的转录记录中出现的编码被提升为主要主题;在更具情境特异性或独特情况下出现的编码被视为子主题,并进一步讨论其与最终建议的相关性。
观点构建与验证
在初步编码之后,起草了一份初步观点文件并在研讨会发言人中传阅。从他们那里获得了关于初步观点的建议。这些建议通过电子邮件交流进行讨论,以纳入所有观点。基于这些讨论进行了最终修订,随后一份修订后的共识声明获得了所有参与者的批准。
已识别的关键挑战(图2)
基础设施局限性
中低收入国家人工智能驱动医学影像的一个基础性障碍是基本诊断设备的短缺。高收入国家通常在不同医疗环境中配备多台MRI和CT扫描仪,而许多中低收入国家连一台设备都难以获得[24, 25]。例如,2021年撒哈拉以南非洲平均每百万人仅拥有0.3台MRI设备,该区域有11个国家完全没有MRI扫描仪[20]。这一严峻现实不仅限制了医疗服务提供者准确诊断疾病的能力,也限制了有效训练和验证人工智能模型所需的影像数据的数量和多样性[26, 27]。
除设备短缺外,缺乏稳定的医疗基础设施——如可靠的电力和现代影像硬件——进一步阻碍了人工智能驱动系统的部署[27, 28]。这些局限性推高了采购和维护关键组件的成本和复杂性,使许多资源受限的环境无法获得这些系统。即使在配备了基本影像技术的站点,缺乏连接性——无论是由于互联网服务薄弱还是频繁停电——往往使基于云的人工智能平台变得不切实际[29]。除此之外,熟练技术支持人员的稀缺引发了对人工智能系统长期可持续性的担忧,因为在许多中低收入国家背景下,持续的维护和故障排除无法得到保障[9]。
尽管存在这些巨大障碍,创新举措已证明弥合基础设施差距的可行性。例如,RAD-AID International与行业领袖和学术机构合作,增强中低收入国家的放射学服务和人工智能能力[30]。一个值得注意的案例是尼日利亚伊巴丹的大学学院医院,RAD-AID在那里建立了一个基于混合云的图像归档和通信系统(PACS),既现代化了放射学服务,又整合了本地验证的人工智能软件用于胸部X线片判读[31]。关键在于,其整合方式尊重了本地工作流程,强调针对具体情境的解决方案——结合能力建设和持续支持——可以将人工智能从无法企及的愿望转变为切实的现实。
RAD-AID长达十年、站点层面的经验表明,当教育和基础设施推广同步进行时,人工智能的采用才能成功[17]。我们的路线图将这些实地经验教训向上游转移至政策层面——解决报销、法律责任和数据主权问题,这些最终都影响着RAD-AID的项目。
因此,我们提出一个从实地到政策的反馈循环:(i) 在未來合作的前提下,RAD-AID可在2025至2026年期间在其三个现有合作医院(加纳、尼泊尔、秘鲁)试点我们的数字主权契约和监测仪表板,(ii) 由此产生的结局数据将在可能的区域立法采纳之前完善该契约。此种合作若得以推进,将避免重复劳动并扩大集体影响。
数据和人工智能模型的局限性
一个反复出现的障碍是人工智能模型训练所用数据的规模与真实世界临床实践的复杂性之间的巨大差异。即使是经过严格验证的模型,在应用于大量患者群体时也可能表现不足。例如,一个灵敏度为99%的模型在百万次扫描中仍可能漏诊数千例,凸显了持续开展部署后性能评估的迫切需求。Ahluwalia等人(2023)的近期研究说明了这一点:该团队发现某模型在年轻患者中的灵敏度显著下降——降幅高达33%——可能由于该人群在训练数据中代表性不足[32]。这凸显了一个更广泛的担忧,即不加批判地将高收入国家训练的模型部署到中低收入国家环境中,因为这些地区的疾病流行率、人口统计学特征和医疗实践与模型开发所在的高收入环境存在显著差异[12, 13, 33]。
此外,训练数据的伦理获取仍是一个根本性问题。尤其值得关注的是边缘化人群训练数据的潜在短缺,这可能将算法偏倚引入人工智能模型,影响模型性能的准确性[34, 35]。
乌干达的ScanNav FetalCheck计划等项目表明,当数据采集透明、具有文化敏感性且与当地医疗需求良好契合时,人工智能可以被负责任地整合[36]。在乌干达——专业产前保健往往有限——人工智能辅助超声技术通过无需专科超声医师即可准确确定孕龄,实现了并发症的早期发现。关键在于,该项目采用了知情同意、严格的匿名化协议和政府合作,证明人工智能的引入可以兼顾对患者自主权和社区信任的尊重[37]。
另一个说明性案例是采用边界框引导提示和集成投票网络的“分割一切模型”(SAMBA)方法,用于撒哈拉以南非洲的胶质瘤分割[38]。通过利用专门针对当地成像限制量身定制的BraTS-Africa数据集,研究人员尽管数据有限(约60例),仍实现了较高的分割准确性[39–41]。这种对通用人工智能模型(SAM)的微调突显了将大型预训练系统本地化如何能够弥合通用人工智能进展与中低收入国家医疗保健具体现实之间的差距。非洲神经影像档案(AfNiA)等项目通过创建可公开访问的脑MRI存储库进一步支持这一使命,从而促进针对特定人群的数据采集和FAIR(可查找、可访问、可互操作和可重用)数据实践[42]。
总的来说,这些例子说明了为什么针对具体情境的数据收集和验证方案应当成为中低收入国家人工智能开发不可或缺的组成部分:如果不认真关注人口统计学上的代表性不足、伦理数据共享和文化可行性,出于善意的人工智能项目就有可能不是减轻而是延续健康不平等[9–11, 43]。
构建人工智能模型时出现的两个基本问题是:它们能否在任何地方都有效,以及它们能否对每个人都有效。第一个问题涉及由于训练数据和测试数据之间概率分布差异所导致的数据偏移带来的挑战,第二个问题涉及人工智能模型是否对人群中的亚组表现出任何偏差。目前正在开发许多用于领域适应和泛化的方法[44];最近,对抗训练[45]和知识蒸馏方法[46]已被开发用于偏差检测和缓解。
一些人不追求通用的“一刀切”模型,而是推荐一种中心辐射式微调路径:公开释放的基础模型首先通过参数高效的联邦学习适应当地数据,然后使用标记性能漂移的监测仪表板每季度重新验证[47]。这种方法在全球知识共享与针对具体情境的优化之间取得平衡。
劳动力和培训缺口
另一个关键挑战涉及资源有限环境中合格放射科医生和人工智能专家的严重短缺。例如,坦桑尼亚仅有60名放射科医生为超过5800万人口服务,而巴基斯坦也面临类似的短缺,每50万居民仅有1名放射科医生[16]。此类限制不仅限制了患者获得专家诊断服务的机会,还给现有临床医生带来了不可持续的工作负担,往往导致诊疗延迟和漏诊[48, 49]。
此外,人才外流现象——即训练有素的专业人员为寻求更好机会而迁移至发达国家——进一步加剧了劳动力缺口[50, 51]。这会使中低收入国家本已不堪重负的医疗系统更加脆弱。虽然人工智能驱动的工具在简化工作流程和提高诊断准确性方面具有巨大潜力,但它们不能替代人类专业知识。相反,人工智能应被视为一种补充手段,赋能放射科医生和临床医生提供更好的医疗服务,前提是我们投资于建设和留住强大的本地劳动力队伍[52]。“人在回路”方法涉及由医疗专业人员与人工智能工具协同工作进行持续监督,确保临床判断与计算洞察相互补充,以提高安全性和准确性[53]。
在此背景下,由非洲磁共振成像教育与研究促进联盟(CAMERA)开发的“与我同扫”(SWiM)等项目,展示了有针对性的能力建设如何同时解决劳动力短缺和伦理需求[54]。通过为非洲、拉丁美洲和亚洲的磁共振成像技术人员提供免费的综合课程,SWiM使参与者掌握高级图像分析和临床护理所需的技能——尤其是在心脏磁共振成像(CMR)等高负担领域[55]。关键在于,它不仅提升了磁共振成像的可及性,还促进了本地创新,使技术人员能够将人工智能解决方案适配于其独特的临床现实[56]。
另一个值得关注的倡议是CONNExIN(资源受限环境下综合神经影像分析体验项目),专注于中低收入国家的高级神经影像培训[57]。与SWiM类似,它遵循“教授-尝试-使用”策略,结合基于病例的学习、观摩实践和实际应用。通过赋能本地研究人员和临床医生应对紧迫的神经科学挑战,CONNExIN有助于降低人才外流风险,并确保中低收入国家成为科学和临床进步的积极贡献者[58]。
综上所述,这些案例表明,以本地培训、伦理参与和实际激励为基础的强大劳动力队伍建设,对于人工智能赋能医疗保健的成功至关重要。缺乏此类举措,即使设计最精良的人工智能工具,如果国内没有足够的专业人员来操作、维护和持续改进这些系统,也可能加剧健康不平等。
伦理、监管和医疗法律障碍
AI在医学影像中的广泛采用也引发了紧迫的伦理和法律考量。许多现有AI模型以“黑箱”方式运行,使临床医生难以解释特定算法如何得出某一诊断[59]。这种透明度的缺乏可能损害信任,既包括需要在临床工作流程中依赖AI工具的医疗服务提供者的信任,也包括其照护直接受这些决策影响的患者信任[9–11, 43]。在法律层面,用于确定AI驱动诊断中责任的框架在LMICs中很大程度上仍未建立。此外,训练数据的伦理来源仍是一个根本性问题。近期证据显示,标准卷积网络能够以> 0.90的AUC从胸部X线片推断患者种族,但后续研究表明,采集参数和站点特定技术因素而非种族本身,驱动了大部分下游性能差异[60, 61]。因此,缓解措施既需要平衡的数据集,也需要统一的成像方案。
一个值得注意的成功案例来自哥伦比亚放射学会,该学会在将AI整合到医学放射学时巧妙地应对了立法和政策挑战[62]。2019年,美国放射学会(ACR)成立了一个由伦理和AI专家组成的人工智能委员会,有效塑造了哥伦比亚医疗保健中AI的监管框架。他们对关于AI伦理和负责任使用的国家白皮书的贡献,使AI采用与政府更广泛的数字化转型议程保持一致,确保了自上而下的支持和顺利实施[63]。
关键在于,ACR与哥伦比亚卫生部及其他政府机构密切合作,以弥补政策空白并制定明确的AI使用指南——涵盖数据隐私、患者自主权和知情同意方案等领域[64, 65]。通过积极参与国家论坛和政策讨论,ACR培育了一个在创新与伦理责任之间取得平衡的监管环境[63]。这一例子凸显了专业协会、政府机构和国际伙伴之间的协作努力如何能够促成公平、可持续的AI整合——即使在资源受限的环境中也是如此。
財務與可持續性限制
最后,建立和维持AI就绪型成像基础设施的高昂成本往往对LMICs构成 prohibitive 障碍,尤其是当传染病控制等竞争性优先事项主导医疗预算时。许多先进放射学工具,包括MRI和CT扫描仪,具有显著的前期和持续运营费用,使政府对公共卫生系统的AI投资成为一项复杂命题[26, 27]。
为减轻这些财务障碍,低场MRI(≤ 1.5 T)等替代方案可在不牺牲基本诊断能力的情况下提供具有成本效益的成像解决方案[66, 67]。此外,AI在中低收入国家实施的长期成功取决于可靠、持续的资金支持。公私合作伙伴关系(PPP)以及将AI优先事项纳入全球卫生融资框架(例如世界卫生组织(WHO)的资助计划)有助于确保长期投资,并降低项目在初始试点阶段后停滞的可能性。通过将AI作为中低收入国家医疗保健系统的核心战略优先事项,政策制定者和利益相关者可以培育持久的解决方案,随着技术进步而持续发展。
战略建议
在中低收入国家医疗保健系统中实现有效、可持续的AI整合需要审慎且多层面的方法。以下建议聚焦于实用解决方案,借鉴前述已识别的挑战,以确保AI能够适应资源有限环境的现实,而不重复整个挑战叙述。
AI基础设施与可及性
政府和医疗机构应优先考虑具有成本效益的便携式成像解决方案(例如手持式超声心动图),以扩大诊断覆盖范围并确保公平获得救生服务[20, 21]。此外,低场MRI扫描仪可降低采购和维护成本,使其适用于小型诊所和农村医院[26, 27]。
在可能的情况下,医疗保健系统和非政府组织(NGO)应复制或调整成功模式,如RAD-AID在尼日利亚的混合云PACS[17]。此类策略将基础设施升级与本地量身定制的AI部署相结合,减少对外部专业知识的依赖,并赋能本地专业人员运营和维护AI驱动的成像系统。图3展示了非洲AI实施的案例研究。
数据与AI模型开发
此处重点不在于赘述数据稀缺挑战,而在于构建稳健、来源合乎伦理、针对特定人群的数据集的实用方法。乌干达的ScanNav FetalCheck等项目展示了透明的社区参与、隐私保障以及与政府利益相关者的合作如何建立信任并确保可持续性[28, 68]。
研究人员和政策制定者应推广定制或微调的AI模型——如用于胶质瘤分割的SAMBA——以适应区域疾病特征、成像限制和代表性不足的人群[12, 13]。结合开放数据倡议(例如AfNiA),这些方法可降低加剧健康差异的风险,并强调本地验证而非仅依赖高收入国家训练的模型。
合成健康数据的最新进展为缺乏特定人群数据集的问题提供了一种有前景且具有成本效益的解决方案。通过生成由人工智能驱动的模拟数据集,在不暴露患者身份的情况下保留真实世界数据的统计特性,合成健康数据可以补充现有数据集,并有助于提高模型在不同人群中的泛化能力[69]。作为一种补充策略,这一新兴方法值得进一步探索,用于低收入和中等收入国家(LMICs)的人工智能模型开发,尤其是在因隐私、监管或后勤障碍而限制真实世界数据获取的情况下。
劳动力和培训扩展
如果没有一支熟练的专业人员队伍来实施和监督,仅靠尖端人工智能技术是不够的。将人工智能教育纳入医学院课程、放射科住院医师培训项目和继续专业发展课程,可确保临床医生熟练掌握人工智能基础知识和实际影像工作流程[48, 49]。
培训师培训模式(如SWiM和CONNExIN)有助于建立自我维持的人工智能专家培养管道,这些专家能够指导新采用者、解决当地问题,并根据当地需求调整外部模型。除了技术技能建设之外,应对人才外流的留任政策——例如职业发展路径和合作研究机会——可以使专业人员持续投入到其所在地区的发展中。
伦理和监管改革
强有力的治理对于临床医生和公众信任基于人工智能的诊断至关重要[70]。低收入和中等收入国家政府可以建立或授权人工智能监管机构,借鉴哥伦比亚人工智能委员会等成功案例,确保透明度、患者自主权和数据隐私。尽早与专业组织接触有助于使新法规与国家卫生重点保持一致,营造一个在创新与伦理责任之间取得平衡的环境[9–11, 43]。
融资和可持续性策略
长期财务规划对于在初始试点阶段之后维持人工智能计划至关重要。政策制定者和国际卫生组织应将人工智能置于全球卫生议程的优先位置——将人工智能驱动的解决方案纳入疾病控制策略和更广泛的医疗投资计划[71–73]。此外,公私合作伙伴关系(PPPS)可以利用私营部门的创新和公共部门的基础设施,创建具有成本效益、可扩展的人工智能部署模式,使其能够在资源受限的环境中蓬勃发展。
科学外交和合作伙伴关系
科学外交是弥合资源差距和加速低收入和中等收入国家人工智能创新的强大催化剂。国际论坛、跨境学术联盟和政府间倡议鼓励技术转移、共享研究议程和相互能力建设。这些外交渠道还促进政策协调——确保在一个国家开发的人工智能框架能够在另一个国家调整并合乎伦理地部署。通过倡导透明沟通和全球合作,科学外交不仅增强研究影响力,还确保人工智能的采用保持公平、符合具体情境,并使所有相关利益攸关方互惠互利。
除政府与学术合作外,公私合作在推进人工智能驱动的医疗解决方案方面也发挥着关键作用。科技公司、非政府组织和医疗机构正日益携手合作,开发和推广应对中低收入国家公共卫生挑战的人工智能创新。例如,计算机辅助结核病筛查已通过CAD4TB等平台在全国范围内投入运行,该平台在14个国家分析了超过100万张胸部X光片,曲线下面积值为0.86–0.91 [74]。这表明可以利用行业专业知识来加强公共卫生举措[75]。通过将企业的人工智能能力与当地临床专业知识相结合,此类合作可加速部署、确保真实世界验证,并促进在不同环境中的可扩展性。
在中低收入国家扩大结构化的公私合作伙伴关系可支持人工智能培训项目、数据共享倡议和可负担的技术部署。当与伦理准则和当地医疗优先事项相一致时,这些合作可促进可持续的人工智能整合,并防止对外部专业知识的依赖。展望未来,多部门参与将是确保人工智能解决方案不仅技术先进,而且在社会和文化上契合中低收入国家人群医疗需求的关键。
结构公平与认知正义
除实际障碍外,人工智能的推广还受到更深层结构性力量的影响。数字依赖描述的是中低收入国家提供数据但必须从高收入供应商购买成品算法的情形;数据提取主义将这种失衡界定为二十一世纪的资源贸易[6]。因此,参与式设计和去殖民化人工智能运动呼吁社区共同创造能够反映当地诊断优先事项、语言和风险容忍度的工具[7]。利益相关者可以通过将每个技术试点与治理契约配对来落实这些原则,该契约明确规定数据所有权、算法审计权和惠益分享机制——这些步骤已由肯尼亚国家电子健康战略和秘鲁开放数据法令率先探索[8]。尽早嵌入此类契约将增强上述技术建议的合法性和长期可持续性。
综合来看,上述杠杆可将诊断等待时间最多缩短60%(尼日利亚低场MRI试点),并将基层诊所的结核病(TB)病例发现率提高20%(乌干达人工智能分诊),最终通过更早开始治疗和更高效的转诊路径降低发病率。我们强调这些数字,是为了明确说明推动我们制定该路线图的患者层面影响。
短期(1–2年)
在即时阶段,应在选定的中低收入国家(LMIC)医院引入以人工智能辅助诊断工具为重点的试点项目。通过将范围限制在少数机构,政策制定者和临床医生可以仔细观察人工智能系统的表现,收集有价值的反馈,并在更广泛部署之前完善整合方案[21, 23]。基于远程医疗的人工智能影像平台也可以扩展到服务不足的地区,这些地区当地专业力量可能很少,但连通性可能足以支持远程会诊和支持。这些初始步骤允许以可控、可衡量的方式推广人工智能解决方案,并为后续阶段更广泛的采用奠定基础。
中期(3–5年)
在试点成功的基础上,中期战略涉及建立区域性人工智能研究和培训中心,以促进持续的能力建设。这些中心可以作为卓越中心,为医疗保健专业人员提供高级培训,促进合作研究,并在邻国之间分享最佳实践[48, 49]。在這些能力建设努力的同时,政策制定者应寻求在选定的中低收入国家实施标准化的人工智能监管框架,确保法律准则和问责措施跟上加速的技术变革[9–11, 43]。这一时期对于将人工智能更深入地嵌入国家医疗保健系统至关重要,同时保持结构化且符合伦理的方法。
长期(5年以上)
最终目标是將人工智能辅助医学影像全面整合到中低收入国家更广泛的医疗保健体系中。到这一阶段,强大的基础设施、当地专业知识和明确规定的法规基础将支持人工智能在日常诊断工作流程中的无缝使用[71–73]。跨境合作在推进创新和公平方面变得越来越重要,因为人工智能能力更成熟的国家可以与仍在提升能力的国家分享知识、资源和经验教训。持续的伙伴关系、区域倡议和全球研究联盟将有助于保持势头,确保人工智能的变革潜力继续被利用以造福各地的患者。
局限性与未来研究
展望未来,持续的研究和创新将是最大化人工智能对中低收入国家医疗保健益处的关键。考察人工智能对健康结局、诊断准确性和成本效益长期影响的纵向研究对于循证决策至关重要。此外,针对区域特有疾病——如疟疾、结核病或热带地区流行的某些癌症——量身定制的人工智能驱动临床试验可以生成关于模型在真实世界条件下表现的见解,并指导有针对性的改进。最后,随着可持续性和环境问题日益突出,关于气候友好型人工智能应用的研究将有助于确保未来的放射学实践在最大化患者护理的同时最小化其碳足迹。通过追求这些方向,利益相关者可以为中低收入国家打造一条通往更具适应性、公平性和持久性的人工智能驱动医疗保健解决方案的道路。
研究局限性
我们的综述受限于一次为期2小时的研讨会和一项英语范围综述;法语区和葡语区文献在很大程度上被遗漏。2025年2月之后的卫生系统冲击(例如加纳新出台的人工智能健康法案)可能已经在重塑这一格局。最后,我们未对上述参与式设计框架进行实证检验;未来的前瞻性研究应评估其对算法泛化性和社区信任的影响。
结论
在中低收入国家(LMICs)的医学影像中实施人工智能(AI)具有改变医疗结果的巨大潜力,但这一进程充满挑战,涉及基础设施、数据、劳动力和伦理等方面。本文件概述的战略建议——从建立稳健的监管框架到投资本地能力建设以及开发针对特定人群的数据集——为公平且可持续的AI应用提供了路线图。然而,前路需要政府、医学协会、研究机构和国际伙伴之间的竭诚合作。
当我们反思本次共识的关键主题时,四个核心支柱凸显为LMIC放射学中AI未来的关键。第一,伦理基础至关重要;AfNiA和ACR在哥伦比亚的工作等倡议表明,合乎伦理的数据获取、隐私保护以及与当地医疗需求保持一致能够培养信任并最大化影响。第二,劳动力赋能不容妥协。SWiM和CONNExIN等项目展示了有针对性的培训和能力建设如何使当地专业人员有效利用AI,从而缓解人才外流等担忧。第三,政策创新——以ACR在立法和监管方面的成功为例——强调了医学协会、政府和国际利益相关方之间合作在为AI创造有利环境方面的重要性。最后,协作模式是可持续性的关键;无论是通过BraTS Challenge等伙伴关系还是CAMERA等区域网络,合作都能确保AI应用保持包容、公平且富有影响。
综上所述,这些支柱再次确认,将AI整合到LMIC的放射学中不仅仅是技术挑战——它也是一项道德责任。通过优先考虑合乎伦理的实践、投资本地能力并建立包容性政策框架,我们可以确保AI成为全球卫生公平的催化剂,而不是排斥的工具。本文汇编的见解和最佳实践为致力于利用AI变革潜力、同时维护世界各地社区尊严与福祉的利益相关方提供了指导框架。
引用
- Marey A, Ambrozaite O, Afifi A, et al. A perspective on AI implementation in medical imaging in LMICs: challenges, priorities, and strategies. Eur Radiol. 2025. PMID: 41128758. doi:10.1007/s00330-025-12031-z
- 全文:PMC13035529(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13035529/
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。