Who is leading medical AI? A systematic review and scientometric analysis of chest x-ray research

Diese systematische Überprüfung und scientometrische Analyse von 928 Studien zur KI-gestützten Auswertung von Thorax-Röntgenaufnahmen zeigt erhebliche globale Ungleichheiten auf, da Forschung und Trainingsdaten überwiegend von Hochlohnländern dominiert werden, was das Risiko birgt, dass KI-Systeme in unterschiedlichen Gesundheitssystemen unzuverlässig funktionieren und bestehende Gesundheitsdisparitäten verschärfen.

Das Wesentliche

Stellen Sie sich vor, die medizinische Künstliche Intelligenz (KI) ist ein großer, neuer Koch, der lernen soll, Gerichte für die ganze Welt zu kochen. Dieser Koch schaut sich Tausende von Fotos von Röntgenbildern der Lunge an, um Krankheiten wie Lungenentzündungen oder Tuberkulose zu erkennen.

Die Studie „Wer führt die medizinische KI an?" untersucht genau, wer diesen Koch unterrichtet und welche Zutaten (Daten) er verwendet. Das Ergebnis ist wie eine Entdeckungsreise, die zeigt, dass der Koch leider nur sehr einseitig lernt.

Hier ist die Geschichte der Studie in einfachen Worten:

1. Der Kochkurs findet nur in reichen Ländern statt

Stellen Sie sich vor, der Kochkurs findet in einer luxuriösen Küche in den USA und China statt.

• Wer unterrichtet? Fast alle Lehrer (die Autoren der Studien) kommen aus reichen Ländern. Über die Hälfte der Hauptlehrer und fast 60 % der Chefschefs (die senior authors) sitzen in reichen Nationen.
• Wer fehlt? Aus armen Ländern gibt es keinen einzigen Hauptlehrer. Es ist, als würde man versuchen, ein Kochbuch für die ganze Welt zu schreiben, aber niemand aus Afrika oder Südamerika darf mitreden. Die Menschen, die am meisten unter Atemwegserkrankungen leiden, haben keine Stimme in diesem Prozess.

2. Die Zutaten (Daten) sind nicht vielfältig

Ein Koch kann nur dann ein Gericht kochen, das für jeden schmeckt, wenn er Zutaten aus allen Ecken der Welt verwendet.

• Das Problem: Der Koch verwendet fast nur Zutaten aus reichen Supermärkten (den USA und anderen reichen Ländern). Etwa 74 % aller Daten, mit denen die KI trainiert wird, kommen aus reichen Ländern.
• Die Gefahr: Wenn der Koch nur gelernt hat, wie ein Röntgenbild aus New York aussieht, wird er vielleicht verwirrt sein, wenn er ein Bild aus einem Dorf in Uganda sieht. Die Patienten dort haben vielleicht andere Krankheiten, andere Körperbauten oder wurden anders behandelt. Die KI könnte dann Fehler machen, genau wie ein Koch, der nur italienisches Essen kennt und versucht, ein indisches Gericht zu kochen – es wird schmecken, aber nicht richtig.

3. Die Freunde bleiben in ihrer eigenen Gruppe

Normalerweise lernen Köche am besten, wenn sie mit anderen Köchen aus verschiedenen Kulturen zusammenarbeiten.

• Die Realität: In dieser Studie arbeiten die reichen Länder fast nur untereinander. Es gibt kaum Zusammenarbeit zwischen reichen und ärmeren Ländern (nur etwa 4 %). Es ist, als würden sich die reichen Köche nur unter sich unterhalten und die anderen Länder ignorieren.

4. Warum ist das ein Problem?

Stellen Sie sich vor, Sie bauen ein Auto, das nur auf asphaltierten Straßen in Europa getestet wurde. Wenn Sie dieses Auto dann in einem Land mit staubigen, unbefestigten Straßen fahren, wird es wahrscheinlich stecken bleiben oder kaputtgehen.

Genau das passiert mit der KI:

• Sie funktioniert gut in den reichen Ländern, wo sie trainiert wurde.
• Aber wenn sie in ärmeren Ländern eingesetzt wird, wo die Menschen die KI vielleicht am dringendsten brauchen (weil es dort zu wenige Ärzte gibt), kann sie versagen. Das könnte die Ungleichheit in der Gesundheitsversorgung noch schlimmer machen.

Was sagt die Studie uns?

Die Forscher sagen: „Wir müssen den Kochkurs umgestalten!"

1. Mehr Vielfalt: Wir brauchen Daten von Menschen aus allen Teilen der Welt, nicht nur aus den USA.
2. Gleiche Partner: Forscher aus ärmeren Ländern müssen nicht nur als „Datenlieferanten" gesehen werden, sondern als gleichberechtigte Lehrer und Chefs.
3. Offene Küche: Die Daten sollten für alle zugänglich sein, damit jeder lernen kann, wie man einen besseren KI-Koch macht.

Fazit:
Die medizinische KI hat das Potenzial, die Welt zu retten, aber nur, wenn wir sicherstellen, dass sie für alle Menschen gemacht wird und nicht nur für eine kleine Gruppe. Wir müssen den Kochkurs globalisieren, damit das Gericht, das er kocht, für jeden schmeckt.

Technische Zusammenfassung

Titel: Wer führt die medizinische KI an? Eine systematische Überprüfung und scientometrische Analyse der Forschung zu Röntgenaufnahmen des Thorax

1. Problemstellung

Computer-Vision-Modelle (CV) zur Interpretation von Röntgenaufnahmen des Thorax (CXR) versprechen einen erheblichen Fortschritt für die globale Gesundheitsversorgung, insbesondere zur Bewältigung des Radiologenmangels und zur Früherkennung respiratorischer Erkrankungen. Ein zentrales Problem besteht jedoch in der mangelnden Generalisierbarkeit dieser Modelle. Viele KI-Systeme zeigen Leistungsunterschiede, wenn sie außerhalb ihrer Entwicklungsumgebung eingesetzt werden. Dies wird oft auf Datenvoreingenommenheit zurückgeführt: Modelle werden überwiegend mit Daten aus wohlhabenden Regionen trainiert, während Bevölkerungsgruppen in einkommensschwachen Ländern (LMICs), die oft eine hohe Krankheitslast tragen, in den Trainingsdaten unterrepräsentiert sind. Es besteht die Gefahr, dass diese technologischen Ungleichheiten die bestehenden Gesundheitsdisparitäten verschärfen.

2. Methodik

Die Studie führt eine systematische Überprüfung und scientometrische Analyse durch, um die globale Landschaft der CV-Forschung für CXR zu kartieren.

• Datenerhebung: Eine systematische Suche wurde in den Datenbanken PubMed, Embase und SciELO durchgeführt. Der Suchzeitraum umfasst Publikationen zwischen 2017 und 2025.
• Auswahlkriterien: Nach Anwendung der PRISMA-2020-Richtlinien und Ausschluss von Duplikaten, Reviews, Preprints und Studien ohne CV-Modelle verblieben 928 qualifizierte Studien für die quantitative Analyse (aus einer ursprünglichen Menge von 1555 Treffern).
• Analyseverfahren:
  • Nutzung der Dimensions API und manueller Extraktion zur Gewinnung von Metadaten.
  • Analyse von Autorenschaftsmustern (Erst- und Letztautoren), institutionellen Zugehörigkeiten und geografischer Verteilung.
  • Klassifizierung der Länder nach Weltbank-Einkommensgruppen (niedrig, niedrig-mittel, mittel-hoch, hoch).
  • Untersuchung der Herkunft der Datensätze (öffentlich vs. privat, geografische Quelle).
  • Analyse von Kollaborationsmustern zwischen Ländern unterschiedlicher Einkommensklassen.
  • Normalisierung der Publikationszahlen nach Bevölkerung, BIP und F&E-Investitionen, um faire Vergleiche zu ermöglichen.

3. Wichtige Ergebnisse

Die Analyse deckt erhebliche strukturelle Ungleichheiten auf:

• Dominanz von Hochinkommensländern (HICs):
  • HICs stellen 55,6 % der Erstautoren und 59,7 % der Senior-Autoren.
  • China (16,93 %) und die USA (16,72 %) führen bei den Erstautoren, gefolgt von Südkorea und Indien.
  • Kein einziger Erstautor stammt aus einem Land mit niedrigem Einkommen (LIC). Nur 0,7 % der Senior-Autoren haben eine Affiliation in einem LIC.
• Datengrundlage:
  • 73,6 % der verwendeten Datensätze stammen aus Hochinkommensländern.
  • Die USA sind der größte einzelne Beitragsleister mit 40,45 % der Datensätze.
  • Private Datensätze werden am häufigsten genutzt (20,52 %), was die Transparenz und externe Validierung erschwert.
  • Nur ein kleiner Teil der Datensätze stammt aus Ländern mit niedrigem oder mittlerem Einkommen.
• Kollaborationsmuster:
  • Cross-Income-Kollaborationen (Zusammenarbeit zwischen HICs und LMICs) sind extrem selten und machen nur 3,9 % der Publikationen aus.
  • Es besteht eine starke Korrelation zwischen der Herkunft des Datensatzes und der Einkommensgruppe der Autoren: Studien mit HIC-Datensätzen werden fast ausschließlich von Autoren aus HICs geleitet.
• Institutionelle Verteilung: Keine einzelne Institution dominiert den Markt (der führende Anbieter, Seoul National University, hat nur ~2,5 % der Erstautorenschaft), was auf eine breite, aber fragmentierte Forschungslandschaft hindeutet.

4. Hauptbeiträge der Studie

• Quantifizierung der Ungleichheit: Die Studie liefert erstmals eine umfassende, datengestützte Evidenz für die massive Unterrepräsentation von Forschern und Daten aus einkommensschwachen Regionen in der medizinischen KI-Forschung für CXR.
• Identifikation des "Generalisability Gap": Sie verknüpft die Dominanz von HIC-Daten und -Autoren direkt mit dem Risiko, dass KI-Modelle in LMICs unzuverlässig funktionieren.
• Analyse der Kollaborationslücke: Die Studie zeigt, dass internationale Partnerschaften nicht nur selten sind, sondern oft nicht auf Augenhöhe stattfinden (LMICs werden oft nur als Datenquelle, nicht als gleichberechtigte Partner betrachtet).
• Normalisierte Metriken: Durch die Anpassung der Daten an Bevölkerung, BIP und F&E-Investitionen werden Länder wie Singapur, Katar oder die Schweiz als überproportionale Leistungsträger identifiziert, was ein differenzierteres Bild als reine Rohzahlen liefert.

5. Bedeutung und Implikationen

Die Ergebnisse haben weitreichende Konsequenzen für die Entwicklung medizinischer KI:

• Risiko der Verzerrung: KI-Systeme, die auf nicht-repräsentativen Daten trainiert werden, laufen Gefahr, bei Patienten aus einkommensschwachen Ländern schlechtere Diagnosen zu stellen, was die globale Gesundheitsgerechtigkeit gefährdet.
• Notwendigkeit struktureller Reformen: Die Autoren fordern koordinierte Anstrengungen, um:
  1. Diverse, offene Datensätze aus unterrepräsentierten Populationen zu entwickeln.
  2. Faire internationale Partnerschaften zu etablieren, bei denen Forscher aus LMICs als gleichberechtigte Führungskräfte (Leads) und nicht nur als Datenlieferanten agieren.
  3. Politische Maßnahmen zu ergreifen, die inklusive Forschungspraktiken fördern (z. B. durch Fördergelder, Publikationsrichtlinien und Mentoring-Programme).
• Fazit: Nur durch eine Demokratisierung der Produktionsbedingungen und der Datenbasis kann medizinische KI ihr volles Potenzial entfalten und weltweit gerechte Gesundheitsversorgung unterstützen.

Zusammenfassend stellt die Studie fest, dass das aktuelle Ökosystem der medizinischen KI-Forschung für Röntgenaufnahmen stark verzerrt ist und dringend reformiert werden muss, um globale Gesundheitsbedürfnisse gerecht zu bedienen.