人工智能在健康领域的公平与可持续发展：加强中低收入国家本地系统而非强加解决方案

《European Radiology》：Equitable and sustainable AI in health in LIMCs: strengthening local systems, not imposing solutions

　　本刊推荐：针对中低收入国家（LMICs）医疗影像AI应用面临的五大壁垒（基础设施缺口、数据稀缺、人才流失、伦理监管空白及资金约束），研究者通过范围综述与多学科研讨，提出分阶段实施路径与本地化解决方案（如区域AI数据中心、培训师计划），强调抵御“数字父权主义”、推动南北平等合作。该研究为GI-AI4H战略提供实践支撑，助力构建公平、可持续的全球健康AI生态。

　　

在非洲偏远地区，一名孕妇可能需要跋涉数百公里才能获得一次超声检查，而当地仅有的少数放射科医生却因设备不足、电力中断或网络不稳定而难以开展标准影像诊断。这种场景正是全球中低收入国家（LMICs）医疗资源匮乏的缩影。据统计，肯尼亚300名放射医生服务5000万人口，乌干达和坦桑尼亚分别仅有100名和200名放射医生对应数千万民众，巨大的人力缺口使放射科工作长期超负荷运转。与此同时，人工智能（AI）在放射学领域已展现出提升诊断效率的潜力，但其在LMICs的应用却陷入停滞——这不仅源于传统医疗基础设施的薄弱，更因AI技术本身可能在不平等的全球格局中演变为“数字新殖民主义”工具，加剧而非缓解健康不平等。

为解决这一矛盾，Adewole等学者在《European Radiology》发表评论性研究，系统剖析了LMICs医疗影像AI应用的深层壁垒，并提出以本地主导为核心的战略路径。研究指出，若忽视区域特异性，盲目推行外部技术方案，将导致LMICs在数字时代陷入新一轮依赖循环，背离AI赋能医疗公平的初衷。

研究方法的核心框架

本研究通过范围综述（scoping review）整合同行评议与灰色文献，识别LMICs医疗影像AI实施的关键障碍；随后组织放射学、AI与公共政策专家开展跨学科研讨会，对壁垒进行归类并共识解决方案。研究强调实证案例的参考价值，如尼日利亚与本土工程师共建的AI-PACS系统、乌干达AI辅助助产士的ScanNav FetalCheck项目等。

五大壁垒与应对策略

1. 1.
   基础设施缺口
   LMICs面临稳定的电力、互联网与影像设备短缺。例如，非洲多地放射科室仅配备基础X光机，且常因停电中断工作。研究建议通过区域性AI数据中心（如非洲神经影像档案AfNiA）集中处理数据，降低对本地硬件依赖。
2. 2.
   数据集稀缺与代表性不足
   全球多数AI模型基于高收入国家数据训练，对LMICs人群特征适应性差。解决方案包括建立跨国产学研联盟（如CAMERA），推动非洲本土数据库（如SWIM培训计划）建设，确保数据多样性。
3. 3.
   人才流失与培训缺失
   LMICs放射专业人员外流严重，且缺乏AI技能培训。研究提出“培训师计划”（train-the-trainer），通过CONNExIN等项目强化本地人才留存，同时倡导南北合作中平等共享知识产权（IP）。
4. 4.
   伦理与监管框架空白
   非洲仅极少数国家发布AI治理指南（如Carnegie报告提及的初步政策），存在医疗责任界定模糊等问题。需借鉴WHO的GI-AI4H倡议，构建适配本地文化的伦理规范。
5. 5.
   资金可持续性挑战
   外部资助项目常因短期目标难以持久。研究呼吁设立专项基金，支持本地主导的长期项目（如RAD-AID在尼日利亚的AI-PACS），并通过成本效益模型证明其可行性。

结论：从“数字父权主义”到本地赋能

本研究的核心结论在于，LMICs医疗影像AI的成功必须扎根于本地需求而非外部议程。短期可通过试点项目验证技术适配性（如AI辅助助产工具）；中期需完善政策与培训体系；长期目标则是构建自循环的AI生态。这一路径与GI-AI4H战略的四大维度（伦理、监管、实施、运营）高度契合，其意义远超技术移植——它是对全球健康公平的实践回应。正如作者所言：“AI公平不是慈善，而是开明的利己主义”，唯有打破数字壁垒，才能让技术创新真正服务于全人类健康防线的构建。