指南与共识儿科影像技术与安全胸部CTMRUSDR

儿科影像人工智能全球公平性实施挑战与路线图

Current challenges for global equity related to the implementation of artificial intelligence in pediatric imaging.
PubMed 文献 · Pediatr Radiol · 2026-07-23

本文为世界儿科影像联合会代表撰写的立场文件,系统讨论AI在儿科放射学全球验证与实施中的关键障碍。重点包括数据不平等与偏倚、基础设施差距、监管伦理缺口、人力培训不足等七大领域。文章提出以公平为导向、儿科特异的实施框架和分阶段路线图,并强调外部验证与本地基准测试。

要点

  • 成人训练的AI模型用于儿童可能失效,如婴儿胸片心胸比模型错误率接近50%,不能直接套用。
  • 约90%全球儿童青少年生活在中低收入国家,但儿科AI研究和数据主要来自高收入国家。
  • 部署前必须做本地基准测试和外部验证,并按年龄、性别、种族分层评估性能。

核心结论

  • 当前儿科放射学AI研究开发集中于高收入国家,而约90%全球儿童青少年生活在中低收入国家,数据、基础设施和人才差距可能加剧全球健康不平等。
  • 文章呼吁以公平而非平等的思路设计和部署AI,通过外部验证、本地基准测试、联邦学习、多语言本地化和能力建设来缩小差距。
  • 需要建立覆盖数据治理、监管问责、持续监测和本地化培训的儿科特异性全球实施框架。

研究设计与样本

  • 本文为世界儿科影像联合会代表撰写的立场文件,基于作者经验、共同作者共识讨论并辅以定向文献检索。
  • 文章未做系统综述或证据质量评估,按照七个领域组织并分析AI生命周期中的障碍和解决方案。
  • 文中引用2021年系统综述发现82%儿童健康机器学习研究来自高收入国家,仅3%来自中低收入国家。

关键影像表现/征象

  • 成人训练的胸片模型在婴儿中识别心影增大的错误率接近50%,因婴儿胸部解剖不同。
  • 儿童在公共影像数据集中代表性极低,一项分析181个公共影像数据集发现儿童占全部患者不足1%。
  • 年龄相关算法偏倚可使骨骼密度或生长板等正常变异被误判为病变。

诊断标准与关键数值

  • 文章未报告敏感度、特异度、AUC或具体诊断阈值。
  • 论文提出应在部署前进行正式基准测试,评估鉴别力、校准和亚组表现,并确定是否需要阈值调整、再校准或再训练。
  • 联邦学习在19个中心的国际儿童脑肿瘤研究中,泛化能力较集中训练提升20–30%,准确度接近集中训练。

临床应用与阅片要点

  • 阅片使用AI辅助时需警惕模型在婴儿、青少年等不同年龄段的性能差异,不能把成人AI工具直接用于儿童。
  • 报告时应关注AI输出是否与年龄发育相符,不要自动接受与临床证据冲突的结果,需保留批判性判断。
  • 机构采购AI工具应要求供应商提供按儿科亚组分层性能指标、数据集构成、参考标准和局限性说明。
  • 在带宽弱的环境可优先考虑便携DR加离线AI的边端方案,采用本地缓存和存储转发模式。
  • 多语言界面和本地化报告模板对于安全沟通很重要,英语中心化工具可能带来知情同意和报告理解误差。

局限性

  • 本文为立场文件而非系统综述,未进行证据质量评估,结论主要基于专家共识和定向文献。
  • 文中引用的部分证据来自单一研究或针对特定模型,不能直接外推至所有儿科影像AI任务。
  • 文章缺少对中低收入国家本地验证研究的系统汇总,多数建议属于原则性框架而非可立即执行的技术标准。
全文中译18 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Pediatr Radiol. 2026 Jul 23;56(9):1858–70. doi: 10.1007/s00247-026-06717-9

引言

人工智能(AI)正在变革医疗保健领域,其提供的工具能够提高诊断准确性、减轻临床医生工作负担并改善患者预后。特别是在放射学领域,AI的创新与整合已成为研发的前沿主题[1]。然而,大多数经过验证并获批临床使用的AI工具是为成年人群设计的,仅有很小一部分明确针对儿童进行了验证[2]。这反映了更广泛的系统性不平等,包括高质量儿科影像数据有限、资金有限、市场规模较小,以及与儿科数据收集相关的更严格的法律和伦理限制。此外,AI创新带来的益处在全球范围内的分布并不均衡。

儿科放射学领域的AI研发大多集中在高收入国家(HIC),而据估计,全球约90%的儿童和青少年人口生活在低收入和中等收入国家(LMIC)[3, 4]。尽管存在这一人口现实,但仅有很小一部分AI研究和工具在设计时考虑了LMIC的背景,而在HIC数据上训练的AI工具可能由于疾病流行率、影像方案和患者人口统计学特征的差异,无法很好地推广至LMIC人群。此外,儿科放射学AI工具开发面临的独特挑战包括与年龄相关的生理和解剖差异、与儿童体型和配合度相关的成像技术差异,以及辐射防护方面的考虑。

在此背景下,区分平等(equality)与公平(equity)非常重要,因为这两个概念意味着根本不同的实施策略。平等是指向每个医疗保健机构或人群提供相同的AI工具。尽管这种方法看似公平,但它假设所有医院、社区和/或患者群体都从相同的基线条件出发,而这在儿科放射学中很少成立。另一方面,公平侧重于开发和实施AI,以在不同人群中实现可比较的结局,同时认识到不同环境面临不同的障碍,因此需要量身定制的解决方案。换言之,平等标准化的是投入,而公平标准化的是结局。这一区别至关重要,因为平等可能放大现有的差距,而以公平为导向的AI工具设计和部署可以提高所有儿童的诊断质量和可及性,无论其地理和社会经济环境如何。

因此,为确保AI对全球儿科放射学和儿童健康做出有意义的贡献,迫切需要国际合作,以支持包容性数据共享、能力建设以及对LMIC特定AI研究和基础设施的投资。本立场文件由世界儿科影像联合会(WFPI)代表撰写,讨论了与AI在儿科放射学中的全球验证和实施相关的关键障碍,以及如何应对这些障碍。

方法

本立场文件的内容基于作者自身的经验以及共同作者之间的共识性讨论,并辅以对科学文献、在线指南文件和相关全球卫生组织网站的有针对性检索。本文明确不包括对科学文献进行带有证据质量评估的系统性综述。

为了将系统层面的障碍与儿科影像中公平相关的结局联系起来,本文围绕以下七个领域展开:数据不平等与模型开发中的偏倚、基础设施差异、监管与伦理缺口、人员能力与培训缺口、语言与本地化障碍、成本与商业化,以及可持续性与长期支持。这些领域用于描述贯穿AI全生命周期的障碍与解决方案,从设计与开发到部署与维护。与儿科影像相关的主要AI模型家族、其典型应用及其与这些公平领域的关系概览见表1。

表1 人工智能(AI)模型家族及其与儿科放射学公平挑战的关系 查看原表 ↗

公平领域

数据不平等与模型开发中的偏倚

儿科影像AI模型绝大多数建立在来自高收入国家(HIC)的数据之上,导致了显著的地理性数据不平等。2021年的一项系统综述发现,儿童健康领域的机器学习研究中82%来自高收入国家,而仅3%来自中低收入国家(LMIC)[5]。此外,儿童在医学影像数据集中严重代表性不足:最近一项对181个公开影像数据集的分析发现,儿童在这些数据集中占所有患者的比例不足1%[6]。在许多情况下,由于研究经费有限、更严格的知情同意要求以及隐私问题,儿科影像根本未能大规模收集、共享或标注,导致儿科数据集规模小、多样性差,且集中于北美或欧洲的三级医院[5, 7]。

AI模型开发中的偏倚还与年龄和正常发育相关。许多AI系统将儿科视为一个单一类别,尽管婴儿、儿童和青少年之间存在显著的生理和解剖差异,这一问题被描述为年龄相关的算法偏倚[8]。正常变异(包括不同种族间的骨密度或生长板表现)在训练数据中缺失时,可能被错误分类为病理改变。这些局限性可产生系统性错误,并在代表性不足的群体中导致更高的误诊率,从而扩大现有差异[7]。一个现实例子是,一个在成人数据上训练的胸部X线片模型在婴儿心脏肥大检测中表现不佳,由于婴儿胸部解剖结构的差异,错误率接近50%[6]。儿科人群中特定年龄段(如新生儿和青少年早期)的代表性不足可导致性能不均,突出了所有年龄亚组之间数据平衡的必要性。

疾病患病率的差异进一步放大了这一问题。儿科结核病和营养不良等疾病在中低收入国家更为常见,然而主要在高收入国家数据上训练的模型在开发过程中对这些病例的接触往往有限,因此在实际应用中可能无法识别这些疾病[9]。

解决方案与促进因素

除非开发者考虑到这些地理、人口和年龄相关的多样性,否则人工智能将继续在那些最有可能受益的人群中表现不佳[7]。因此,为确保公平性,强烈建议在部署前对儿科人工智能工具在不同地理和种族群体中进行严格的外部验证。还鼓励开发者按照CONSORT-AI和儿科专用的ACCEPT-AI框架等报告指南的建议,强制报告按儿科亚组(包括年龄、性别、种族和地理)分层后的性能指标,以更好地识别差异并指导再训练[8]。

除外部验证外,人工智能工具在实施前还应针对目标儿科人群进行正式的基准测试。本地基准测试能够在真实世界条件下评估区分度、校准度和亚组性能,并确定在临床使用前是否需要调整阈值、重新校准或再训练。这一步骤对于确保在不同儿科人群中的安全性、可靠性和公平性至关重要。

在技术方面,研究人员正在探索联邦学习等解决方案以缓解数据差异。联邦学习允许多家医院协作训练人工智能模型,而无需汇总各自的原始数据,从而在保护隐私的同时仍能受益于多样化的数据[10]。在最近一项关于儿童脑肿瘤的国际研究中,横跨多个大洲的19个站点采用联邦学习方法,其准确率几乎与集中式训练相当,更重要的是,模型对网络外数据的泛化能力提高了20–30%[11]。

多个专业机构已呼吁开发具有包容性的儿科人工智能。例如,美国放射学会的儿科人工智能工作组强调了对儿科专用人工智能解决方案的需求,并发起了“Image IntelliGently”运动,以促进对儿童安全、有效的人工智能应用[12]。欧洲儿科放射学会(ESPR)人工智能工作组和世界儿科影像联合会(WFPI)倡导加强跨境数据共享与合作[13]。非洲-加拿大人工智能与数据创新联盟将高收入国家和非洲国家的机构联系起来,共同开发健康人工智能解决方案[8]。此类合作有助于整理多样化的儿科影像数据库,包括在以西方为中心的数据集中缺失的疾病和人群。为支持这些努力,需要在报告数据集构成时提高透明度,包括年龄范围、地理来源和种族代表性,同时需要供应商更清晰地记录参考标准、偏倚和局限性。

基础设施差异

AI驱动的儿科影像依赖关键基础设施,如稳定的电力、数字成像设备、图像存档与通信系统(PACS)、宽带连接和充足的计算资源。许多中低收入国家的医疗机构仍然使用不可靠的电力或完全没有电力,这限制了任何数字成像或AI工作流程的开展[14]。稀缺的放射资源(包括现代设备和IT基础设施)直接阻碍了中低收入国家机构对AI的采用。在一些低收入地区,即便是常规X线设备也仍是模拟的,互联网带宽不足以传输大型影像文件,实际上将大多数AI解决方案限制在资源充足的医疗中心[15, 16]。同样,许多机构缺乏电子病历和PACS,意味着关键数据和图像无法轻易整合到AI工作流程中。事实上,中低收入国家儿科数据在AI训练中的代表性不足,部分归因于数字化碎片化和薄弱的IT基础设施,这进一步强化了AI工具性能中的偏倚[8, 17]。

解决方案与促进因素

弥合这一差距需要分阶段、结合当地实际情况进行基础设施建设。电力韧性和基础电力调节可使影像设备、服务器和网络持续稳定运行[14]。连接方案必须与当地实际情况相匹配。混合在线与离线工作流程,配合本地缓存和存储转发,可在带宽较弱时促进AI的持续使用。便携式数字X线摄影配合离线AI用于结核病筛查,展示了在远程项目中设备端分析、后续再同步的可行性[18]。在云访问不可靠的情况下,采用压缩模型的边缘优先方法可降低计算需求、能耗和延迟,同时保持准确性[19]。互操作性通过使用基于标准的技术栈来降低成本和复杂性,包括用于访问DICOM格式医学影像的DICOMweb和用于临床数据整合的HL7 FHIR,以及Orthanc和OHIF DICOM查看器等开源轻量工具[20]。国家层面与数字健康架构和成熟度路线图保持一致,有助于安排投资顺序、聚合需求和维持规模。世界银行和世界卫生组织(WHO)全球数字健康倡议近期发布的指南为国家层面的实施提供了实用框架[21, 22]。运营准备度评估(如RAD-AID Radiology-Readiness)可在部署前识别电力、人员、网络和维护方面的差距,并指导中低收入国家医院的分阶段推广[15, 23]。最后,持续监测(包括部署后对正常运行时间、延迟和公平性指标的跟踪,以ACR Assess-AI倡议为例)可支持长期的治理和纠偏[24]。

监管与伦理差距

将人工智能整合到儿科影像中引发了若干伦理、法律和道德方面的考量[25–29]。儿童属于弱势患者群体,在自主性、安全、同意和公正方面具有独特的挑战和考量,需要特别关注。为支持公平合作,需要对数据伦理和主权进行明确的治理,包括就儿科影像数据如何被去标识化、共享、访问和使用达成一致标准。与此同时,还需要建立保障措施,防止对中低收入国家影像数据的剥削和数字殖民主义,避免这些数据被用于开发和制造主要使高收入国家受益的昂贵AI工具[30–32]。为此,RAD-AID开发了RAD-AID友谊数据信托,为中低收入国家的医疗机构提供了将匿名化数据共享至非营利集体数据信托的机会[33]。通过这种方式,RAD-AID旨在吸引愿意开发AI软件并免费向这些机构提供的AI开发者。

对于儿童而言,知情同意尤为复杂,因为未成年人无法提供法律同意,而父母同意可能并不总能充分反映关于数据使用、存储或二次研究应用的长期考量。因此,透明的伦理准则是尊重隐私、相称性以及儿童对其数据不断发展的权利等原则所必需的[2, 15]。

另一个障碍是云端与本地部署的问题[33]。虽然许多AI工具使用云架构进行处理,但关于将云用于健康数据的限制性或不明确的法规构成了中低收入国家采用AI的主要障碍。本地部署看似是一种替代方案,但可能安全性较低,且需要持续更新和现场技术支持。因此,需要建立监管框架,明确何时允许云存储和处理、如何管理跨境数据流动,以及适用哪些最低安全和审计要求。这些框架还应包括影像数据如何被存储、去标识化、访问、传输和处理的数据管理规则,并有明确的数据共享协议作为支撑。减少法律不确定性对于避免延误中低收入国家所需的投资非常重要。

AI的临床应用还引发了关于问责制和可解释性的关键问题。如果AI系统因偏倚、数据集偏移或技术故障而导致诊断错误,放射科医师、供应商和机构之间的责任可能不明确。在儿科中,延迟或漏诊的后果可能持续终生,因此可接受错误的阈值尤其低。因此,符合伦理的实施需要明确的问责机制,包括用于验证、监测漂移的治理体系,以及强制要求算法设计和预期用途透明化的监管机制。临床医生必须能够理解和评估AI输出,并运用批判性判断,而不是在没有监督的情况下依赖自动化输出。

人工智能的引入也可能改变医患关系[34]。信任在儿科诊疗中至关重要,父母和监护人依赖(儿科)放射科医生来解读复杂影像发现并维护患儿的最佳利益。如果家属认为关键决策被委托给算法,医疗照护的关系基础可能会受到损害。符合伦理的实践要求将人工智能用于增强而非取代医疗照护中的人文维度,如同理心、情境判断以及对患儿福祉的维护。

解决方案与促进因素

实现符合伦理和公平实施的实际促进因素包括:明确的数据伦理与数据主权治理、保护儿童权利的知情同意流程,以及不同司法管辖区对云端和本地部署的监管清晰性。其他优先事项包括明确临床医生、机构和供应商之间的问责机制,对透明度和可解释性的强制性要求,以及对模型漂移和安全事件的常规监测。将这些要求嵌入采购、培训和国际合作中,有助于在不同环境下实现人工智能在儿科影像中的伦理应用。

人力容量与培训缺口

人工智能在儿科放射学中的部署受到人力容量和培训方面关键缺口的制约。图1给出了一个用于规划实施的实际检查清单,将培训和工作流程的本土化与安全性、可及性、信任及儿科特异性适配联系起来(图1)。成功的实施需要儿科放射科医生以及接受过人工智能培训的数据科学家、IT专家和技术人员的支持,而这些资源在中低收入国家往往十分有限。全球儿科放射科医生的短缺已有充分记录,尤其是在中低收入国家,专家意见的可及性有限,且往往集中在三级医疗中心[25, 35]。人工智能的实施对这一本已有限的人力队伍提出了额外要求,包括数据集整理、偏倚评估、性能监测以及算法部署后评估等任务,而缺乏相应的支持和培训[30]。然而,目前只有少数科室在任命具有受保护时间的临床人工智能负责人,以指导采购、治理和临床整合[36]。

由于缺乏内部数据工程师和信息学支持,许多机构依赖外部供应商提供端到端解决方案,这可能限制本地自主权、降低透明度、造成依赖并增加成本。较小的中心,尤其是中低收入国家的中心,往往缺乏资源和人员来批判性评估供应商的声明,或就针对儿科人群经过特异性和验证的工具进行谈判。除非这些结构性缺口得到解决,否则人工智能的采用可能面临扩大而非缩小全球安全影像服务可及性差距的风险。

当前的放射学培训课程,包括儿科亚专科培训,几乎没有提供关于人工智能的结构化教育[13]。大多数培训项目缺乏正式模块,通常仍侧重于人工智能的宽泛概念,而非实用能力,如数据集标注、验证方法学或在临床实践中监督算法输出。此外,针对儿科特有挑战的结构化教学也十分有限,包括小而异质的数据集、罕见疾病以及跨越生长发育阶段的安全性问题[12, 13]。

至关重要的是,这一培训缺口并不局限于放射科医师。放射技师、物理师和专职医疗人员在扫描采集、方案优化和质量控制中发挥着关键作用,但很少被纳入以人工智能为重点的教育中。同样,尽管跨专业培训或与计算机科学家及工程师的跨学科合作对于安全实施至关重要,但此类机会寥寥无几。缺乏这些技能,医疗专业人员仍难以做好监督人工智能算法、批判性评估其输出,或在人工智能生成的结果与临床证据相矛盾时有效应对的准备 [12, 36]。

图1 本地化直接影响儿科人工智能安全、公平使用的关键领域。量身定制的培训和课程可确保诊断准确性、不同资源环境下获取的公平性、通过符合具体情境的材料建立临床医生信任,以及适应儿科特有的快速生理和技术变化。 查看原图 ↗

解决方案与促进因素

若不投资于人才队伍发展和结构化培训,人工智能可能在无意中加深全球医疗保健中的差距。拥有专门人工智能领导力和技术支持的高收入国家(HIC)机构有条件快速推进,而中低收入国家(LMIC)的中心则可能难以安全有效地整合相关工具。因此,为临床人工智能领导角色设立受保护的职位,并投资于涵盖(儿科)放射科医师、放射技师、物理师和信息技术专家的多学科培训,对于确保儿科影像人工智能以安全、公平、可持续且具有全球相关性的方式发展至关重要。这包括将人工智能能力嵌入儿科放射学课程,开发可及的在线和模块化培训平台,以及建立国际伙伴关系以加强所有地区的能力建设。

语言与本地化障碍

语言仍然是决定儿科影像人工智能是否可用且安全的一个主要因素。大多数工具以英语设计和编写文档,然而仅非洲一地就拥有约1500至3000种语言 [37]。在日常诊疗中,临床医生和家属即使接受的是英语医学培训,也常常使用当地语言交流,这造成了有据可查的沟通不畅风险,并在服务未能以偏好语言提供时降低医疗质量 [38]。在儿科环境中,三方沟通(照护者—儿童—临床医生)进一步放大了这些风险,尤其是在涉及镇静、对比剂使用和辐射暴露等安全关键决策时(图2)。实际上,图2有助于定位影像流程中可能发生语言相关失误的环节,从而使各机构能够针对风险最高的步骤采取缓解策略。多语言自然语言处理模型和数据集对许多非洲和南亚语言的覆盖不足,且在健康语境中存在持续性的准确性差距 [39]。语音系统还表现出对口音和方言的偏见,这可能降低放射学工作流程中使用的听写或语音驱动界面的性能 [40]。

本地化不仅仅关乎文字。父母决策规范、对权威的尊重、性别角色以及社区对辐射风险的认知等文化因素,塑造着家庭如何理解影像学建议和人工智能解释。因此,文化中立或以英语为中心的输出,在中低收入国家的儿科场景中容易损害信任和知情同意 [41]。图3提供了一个在实践中应用本地化的简单框架,将翻译和术语等表层适应与影响信任、同意和决策的深层文化适应区分开来(图3)。

图2 映射到放射诊疗全流程中的语言障碍失败——从医嘱录入到报告和随访。每个阶段都存在可能危及患者安全的风险(翻译错误、误解同意、说明不清、仅英文报告),表明系统性地需要多语言和本地化解决方案 查看原图 ↗
图3 儿科放射学中人工智能文化适应的两个层次:表层结构(翻译、术语、图像)和深层结构(文化价值观、信仰、规范)。同时解决这两个层次,对于干预措施不仅语言准确,而且在情境上受到信任并在伦理上有据可依至关重要 查看原图 ↗

解决方案与推动因素

近期举措既展示了进展,也揭示了仍然存在的差距。印度的Bhashini使命正在建设覆盖印度主要语言的国家级语音识别和翻译基础设施,使下游健康应用能够在英语之外运行 [42]。在东非,一个斯瓦希里语大语言模型已经发布,用于支持孕产妇和儿童健康信息传递,并可适用于放射学相邻任务,如患者教育和知情同意 [43]。在放射学领域内,早期研究表明大语言模型可以跨多种语言翻译和简化报告,但对低收入语言和领域特定术语的表现参差不齐,需在临床使用前进行仔细验证 [44, 45]。

一条切实可行的前进路径包括为面向临床医生和面向患者的模块提供多语言用户界面和输出,从广泛使用的区域语言开始(图4)。采购应要求提供本地语言用户界面(UI)、使用说明和培训材料。开发者应与当地专家共同设计儿科放射学词汇表,以保留细微语义并确保报告模板的一致性。Bhashini等国家级语言项目和区域性自然语言处理(NLP)社区可以提供语料库和基准,用于持续改进模型 [39, 42]。系统应支持对口音和语码转换具有鲁棒性的语音和文本输入,并在安全关键步骤中保留人工监督。实施者应遵循世界卫生组织关于文化和语言适应的数字健康指南,包括适应工具包、一线工作人员用户测试以及部署后对语言相关错误的监测 [41, 46]。一个切实可行的策略是与当地临床医生和照护者共同设计儿科影像人工智能,并使用世界卫生组织SMART数字适应工具包对内容和流程进行本地化,辅以RAD-AID放射学就绪度等文化胜任力评估 [15, 47]。部署应以分阶段试点方式进行,并根据用户反馈进行迭代改进。

图4 一个将儿科人工智能整合到不同环境中的周期性框架:采购(要求本地语言定制)、开发(共同设计儿科词典)、部署(在高流量儿科单元试点)和监测(追踪与语言相关的安全事件)。这一务实路线图强调迭代设计和针对具体情境的评估。 查看原图 ↗

成本与商业化

许多人工智能工具由商业供应商开发且价格昂贵。高昂的许可和维护成本可能阻碍中低收入国家(LMIC)环境中的采用。因此,较富裕的医疗系统可能从这些工具中不成比例地获益,而服务不足的地区则面临进一步落后的风险。在中低收入国家环境中,制约因素不仅限于价格,还包括基础设施限制、劳动力能力和系统不稳定性,这些因素可能使全生命周期成本和持续支持更加难以承受。

除许可费用外,采用人工智能还需要为人工智能生命周期中每个步骤支付成本,包括部署前评估、硬件与集成、治理人员以及部署后安全监测 [48, 49]。据作者所知,迄今为止尚未发表对这些步骤成本的全面分析。然而,一份关于为四种工具部署人工智能平台的报告估计,5年成本为170万美元,即每种工具42.5万美元,其中包括人工成本、内部客户成本和年度服务成本 [50]。值得注意的是,他们报告称该医疗系统基于额外开展的检查获得了正的投资回报。对于儿科患者而言,鉴于儿科影像总体检查量较低,预计投资回报可能为负 [51]。

一项重要的非货币成本是人工智能对环境的影响。具体而言,无论是在开发阶段还是在临床使用部署阶段,为人工智能提供动力都会消耗大量的计算和能源资源,预计会产生负面的可持续性影响 [17, 52]。

解决方案与促进因素

虽然单一市售工具的货币支出可以相当直接地量化,但短期总成本则难以准确核算得多,但必须预计其数额巨大。对于机构而言,一个实用的框架是将成本分为(a)固定的一次性前期成本(即接口、安全审查、合同与伦理审查、硬件/云连接器等),(b)经常性固定或可变成本(即年度许可费或按检查计费等),以及(c)维护成本(即硬件/云连接器更新、IT故障排除、安全监测等)。提高总体拥有成本的透明度以及建立可持续的支持模式,对于公平的儿科部署至关重要。

可持续性与长期支持

人工智能的长期可持续性在低收入和中等收入国家中仍是一项紧迫挑战。AI系统需要持续的软件更新、技术维护以及对不断演变的工作流程的适应,这些要求在没有本地能力和开源可及性的情况下可能超出已有的基础设施和专业知识的承受范围[17, 53]。许多中低收入国家环境下,由于资金不可靠和本地技术专业知识有限,这些工具在初次部署后难以维持。在许多情况下,供应商在本地没有驻点,限制了及时的支持和更新。在儿科放射学中,这一挑战因市场规模较小以及针对儿童专用AI解决方案的财务激励较弱而更加严峻,导致与成人影像相比可用产品少得多。因此,许多部署仍局限于短期试点,如果没有计划性更新、经常性资金和本地故障排除能力,即便是有效的AI工具也可能变得过时。

解决方案与推动因素

可持续性取决于将AI嵌入现有卫生系统,并建设本地维护和调整这些工具的能力。关键推动因素包括由(儿科)放射科医生和技术人员承担明确的本地责任,使部署与临床需求保持一致,以及利用开源或可负担的授权模式。建设本地技术队伍,包括培训本国的IT专家和放射科医生掌握AI软件管理,使各机构能够独立维护和调整AI系统。这包括持续的性能监测,因为这对于保持临床相关性和避免算法漂移同样至关重要[54]。这些方法在ACR的儿科AI和ESPR AI工作组的指导方针以及更新版《医学影像人工智能检查清单》(CLAIM)中得到了强调[9, 10, 55]。

将部署锚定在全球专业网络内,也可以通过共享实践和持续指导来支持可持续性。通过在专业网络中共享项目,中低收入国家可以减少孤立、分享最佳实践,并获得持续的指导和倡导,最终支持AI赋能影像解决方案的长期可行性。最后,确保长期融资模式(如公私合作伙伴关系或纳入政府预算)至关重要,这样AI工具才能在试点阶段之后继续存在。

以公平为导向的实施路线图

表2总结了上述讨论的各领域具体行动和责任。本路线图部分按时间顺序优先列出少量高影响力步骤,并区分了在中低收入国家内部可行的行动与高收入国家为促进公平进展可以采取的行动。

在短期内,优先事项是安全且现实的采纳。在中低收入国家中,这意味着选择少量可在有限网络连接条件下运行的本地相关用例,建立基本的本地治理机制以明确预期用途和不良事件审查,并确保面向临床医生和照护者沟通的本地语言界面和培训材料。在高收入国家中,最重要的促进行动是使儿科专用采购和发表标准常态化,这些标准要求分层性能报告和外部验证,并支持提供技术援助和共享标注标准的公平合作伙伴关系。

中期而言,优先事项是能力建设和可扩展的验证。在低收入和中等收入国家,这意味着分阶段推进数字化和互操作性的升级,建立多学科团队并配备受保护的临床领导岗位以负责AI监督,以及参与尊重数据主权的多中心验证或联邦学习网络。在高收入国家,这意味着对覆盖不同年龄段和地区的代表性儿科数据集进行持续投入,统一对儿科产品声明和监测的期望,以及建立改善可负担性并减少供应商依赖的成本模型。

长期而言,优先事项是可持续性和持续安全。在低收入和中等收入国家,这意味着建立本地维护能力、服务协议,以及对模型漂移和亚组表现的常规监测,并制定明确的更新路径。在高收入国家,这意味着建立共享治理框架、长期融资机制,以及包含公平性终点和真实世界部署约束的全球基准。

可追踪指标包括:按儿科亚组分层的表现报告、跨区域外部验证、基础设施就绪程度和正常运行时间及延迟目标、完成角色适配培训并配备本地临床AI负责人、部署后漂移监测及记录在案的更新或回滚程序、语言和本地化错误报告,以及记录在案的总拥有成本和超越试点资金阶段的可持续性计划。

表2 以公平为核心的儿科放射学人工智能(AI)实施领域行动图 查看原表 ↗

结论

在过去几十年中,医学影像领域的人工智能创新和部署急剧增长,但其益处在全球范围内的分布并不均衡。实现儿科AI的全球公平需要在七个领域采取协调行动,即数据不平等与偏倚、基础设施差距、监管与伦理治理、劳动力与培训能力、语言与本地化障碍、成本与商业化,以及可持续性与长期支持。关键优先事项包括开发多样化的儿科数据集并按分层方式报告表现,同时在不同地区进行外部验证。还包括确保符合情境的基础设施和治理、投资于多学科培训,以及规划可负担的长期维护和监测。通过综合这些行动和责任并概述按时间排序的优先事项,本文提供了一个实用的、以公平为核心的框架,以支持儿科影像AI在全球范围内的安全实施。

引用

  1. Nievelstein, Gupta, Kasznia-Brown, et al. Current challenges for global equity related to the implementation of artificial intelligence in pediatric imaging. Pediatr Radiol. 2026. PMID: 42489880. doi:10.1007/s00247-026-06717-9
  2. 全文:PMC13546331(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13546331/

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。