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

Deze systematische review en scientometrische analyse onthult dat onderzoek naar medische AI voor borstfoto's sterk wordt gedomineerd door landen met een hoog inkomen, wat leidt tot een gebrek aan diversiteit in de trainingsdata en internationale samenwerkingen, met het risico dat hierdoor gezondheidsongelijkheden worden versterkt.

De kern

De Grote Medische AI-Verkenning: Wie bouwt de toekomst van de longfoto's?

Stel je voor dat we een enorme, slimme robot bouwen die naar longfoto's (röntgenfoto's van de borstkas) kan kijken en ziektes kan herkennen, net als een ervaren arts. Dit klinkt als een droom voor de wereldwijde gezondheidszorg, vooral in plekken waar het moeilijk is om een specialist te vinden. Maar deze robot moet eerst "leren" door duizenden foto's te bestuderen.

Deze studie is als een grote inspectie van de bouwplaats van die robot. De onderzoekers keken niet alleen naar hoe slim de robot is, maar vooral naar wie de robot heeft gebouwd, wie de foto's heeft geleverd, en wie de blauwdrukken heeft getekend.

Hier is wat ze ontdekten, vertaald naar een simpel verhaal:

1. De Bouwmeesters: Een clubje rijke landen

Stel je voor dat er een wereldwijde vergadering is om te beslissen hoe de robot eruit moet zien.

• Wat ze vonden: De stoelen aan het hoofd van de tafel worden bijna uitsluitend ingenomen door mensen uit rijke landen (zoals de VS, China, Zuid-Korea en India).
• De analogie: Het is alsof je een auto bouwt voor de hele wereld, maar alleen mensen uit rijke steden mogen het stuur vasthouden en de motor ontwerpen. Mensen uit arme gebieden (waar longziektes vaak het vaakst voorkomen) mogen niet eens meepraten. Niemand uit de armste landen zat zelfs maar in de vergaderzaal als hoofdauteur.

2. De Leerboeken: Foto's uit de verkeerde wereld

De robot moet leren van foto's. Maar welke foto's werden gebruikt?

• Wat ze vonden: 73% van de foto's kwam uit rijke landen. De VS leverde bijna de helft van alle foto's.
• De analogie: Stel je voor dat je een robot wilt leren om ijs te maken, maar je geeft hem alleen foto's van ijs in de winter in Canada. Vervolgens stuur je die robot naar de tropen om ijs te maken. Hij zal waarschijnlijk falen, omdat hij niet weet hoe ijs eruitziet in een ander klimaat.
• Het probleem: De robot is getraind op mensen uit rijke landen. Als hij later wordt gebruikt in een arm land, waar de mensen er anders uitzien en andere ziektes hebben, kan hij de diagnose fout maken. Het is alsof je een sleutel maakt die perfect past in een deur in New York, maar niet in een deur in een dorp in Afrika.

3. De Vriendschappen: We praten niet genoeg met elkaar

Hoe werken de landen samen?

• Wat ze vonden: Rijke landen werken vooral met elkaar samen. Samenwerkingen tussen rijke en armere landen zijn extreem zeldzaam (minder dan 4% van de projecten).
• De analogie: Het is alsof de rijke landen een eigen, gesloten clubje hebben waar ze hun geheimen en hulpmiddelen uitwisselen. Ze nodigen de buren uit de armere wijken niet uit om mee te helpen bouwen. Hierdoor blijft de kennis en de technologie binnen de "rijke muur" hangen.

Waarom is dit een probleem?

Als je een robot bouwt die alleen getraind is op mensen uit rijke landen, werkt hij misschien perfect in New York of Beijing. Maar als je hem naar een arm land stuurt om mensen te helpen die last hebben van tuberculose of longontsteking, kan hij de diagnose missen.
Dit is gevaarlijk. Het kan betekenen dat de technologie die bedoeld is om iedereen te helpen, in feite de ongelijkheid vergroot. De rijken krijgen de beste zorg, en de armen krijgen een robot die niet goed voor hen werkt.

Wat moeten we doen?

De onderzoekers zeggen dat we de bouwplannen moeten herzien:

1. Meer diversiteit: We moeten foto's verzamelen van mensen uit alle delen van de wereld, niet alleen uit rijke landen.
2. Echte samenwerking: Rijke landen moeten arme landen niet alleen gebruiken als "leveranciers van data", maar hen als gelijke partners betrekken bij het ontwerpen en bouwen.
3. Open deuren: De kennis en de data moeten voor iedereen toegankelijk zijn, zodat niemand achterblijft.

Kortom: We bouwen een krachtige nieuwe technologie voor de wereld, maar tot nu toe hebben we de bouwteam en de leerboeken te beperkt gehouden. Om de robot echt voor iedereen te laten werken, moeten we de wereldwijde samenwerking openen en zorgen dat iedereen aan tafel zit.

Technische samenvatting

Titel

Wie leidt medische AI? Een systematische review en scientometrische analyse van onderzoek naar borstkasröntgenfoto's (CXR).

1. Het Probleem

Computer Vision (CV) modellen voor het interpreteren van borstkasröntgenfoto's (CXR) hebben grote potentie om de wereldwijde gezondheidszorg te transformeren, vooral in gebieden met een tekort aan radiologen. Echter, de klinische waarde van deze technologieën is afhankelijk van hun prestaties in diverse populaties.
Het centrale probleem dat dit artikel adresseert, is de "generalisatiekloof": AI-systemen die voornamelijk worden getraind op data van specifieke demografische groepen (vaak uit rijke landen) vertonen vaak significante prestatieverlies wanneer ze worden ingezet in onderbelichte populaties of lagere inkomenslanden. Er bestaat een zorgwekkende ongelijkheid in wie het onderzoek leidt en welke bevolkingsgroepen worden vertegenwoordigd in de trainingsdata, wat kan leiden tot AI-systemen die gezondheidsongelijkheden verergeren in plaats van oplossen.

2. Methodologie

De auteurs voerden een systematische review en scientometrische analyse uit volgens de PRISMA 2020-richtlijnen.

• Dataverzameling: Er werd gezocht in de databases PubMed, Embase en SciELO voor publicaties tussen 2017 en 2025 (de studie omvatte een periode tot 2025, hoewel de introductie 2022 noemt, is de abstract expliciet over 2017-2025).
• Selectiecriteria:
  • Inclusie: Peer-reviewed artikelen en conferentiepapers over CV-toepassingen op CXR.
  • Exclusie: Preprints, reviewartikelen, incomplete papers, en studies die geen CV-modellen gebruikten (bijv. alleen NLP of traditionele machine learning).
• Verwerking: Na het verwijderen van duplicaten en screening van titels/abstracts en volledige teksten, bleven 928 studies over voor de kwantitatieve analyse.
• Analyse: Met behulp van de Dimensions API en handmatige extractie werden de volgende variabelen geanalyseerd:
  • Affiliaties van eerste en laatste (senior) auteurs.
  • Landen en inkomensklassificaties (volgens Wereldbank: laag, lager-midden, hoger-midden, hoog).
  • Herkomst van datasets (publiek vs. privé, land van oorsprong).
  • Samenwerkingspatronen tussen landen met verschillende inkomensniveaus.
• Normalisatie: Om de bijdrage van landen eerlijk te vergelijken, werden publicaties genormaliseerd op basis van bevolkingsomvang, BBP en R&D-investeringen.

3. Belangrijkste Bijdragen

• Gedetailleerde kaart van de onderzoekslandschap: De studie biedt een van de meest uitgebreide overzichten van de auteurs- en datasetverdeling in het veld van CXR-AI.
• Kwantificering van ongelijkheid: Het levert harde cijfers over de dominantie van hoog-inkomenslanden (HIC) in zowel leiderschap als data-beschikbaarheid.
• Identificatie van structurele barrières: De analyse blootlegt hoe de relatie tussen dataset-herkomst en auteursaffiliatie een "zelfversterkend ecosysteem" creëert dat onderzoekers uit lagere inkomenslanden uitsluit.
• Beleidsprikkels: Het artikel biedt een concrete routekaart voor beleidsmakers, financierders en uitgevers om een meer rechtvaardig onderzoekslandschap te creëren.

4. Resultaten

De analyse van de 928 studies onthulde significante dispariteiten:

• Auteurschap en Leiderschap:
  • Hoog-inkomenslanden (HIC) domineren het veld: 55,6% van de eerste auteurs en 59,7% van de senior auteurs zijn verbonden aan HIC-instellingen.
  • China (16,93%) en de Verenigde Staten (16,72%) zijn de absolute leiders qua aantal eerste auteurs.
  • Geen enkele eerste auteur was verbonden aan een land met een laag inkomen (LIC). Slechts 0,7% van de senior auteurs kwam uit een laag-inkomensland.
• Dataset Herkomst:
  • 73,6% van alle gebruikte datasets komt uit HIC-omgevingen.
  • De VS is de grootste individuele bijdrager (40,45%), gevolgd door wereldwijd verzamelde datasets (20,35%) en China (14,80%).
  • Private datasets werden het meest gebruikt (20,52%), wat transparantie en externe validatie beperkt.
• Samenwerking:
  • Cross-inkomens samenwerkingen zijn uiterst zeldzaam. Slechts 3,9% van de publicaties betrof een partnerschap tussen een HIC en een lager-midden-inkomen land (LMIC).
  • Er is een sterke correlatie: studies met datasets uit HIC's hebben bijna altijd ook auteurs uit HIC's (51,38% eerste auteurs), terwijl dit bij LMIC-datasets slechts 2,65% is.
• Institutionele Dominantie: Geen enkele instelling domineerde het veld (de leider, Seoul National University, had slechts 2,59% van de eerste auteurs), wat wijst op een gefragmenteerd maar wel sterk HIC-gedomineerd landschap.

5. Betekenis en Conclusie

De studie concludeert dat het huidige ecosysteem voor medische AI voor CXR fundamenteel scheef is. De technologie wordt ontwikkeld door en voor rijke landen, met data die niet de globale realiteit van longziekten weerspiegelen.

• Risico: AI-systemen die op deze manier worden ontwikkeld, zullen waarschijnlijk onbetrouwbaar presteren in de landen waar ze het hardst nodig zijn (LMIC's), wat bestaande gezondheidsongelijkheden kan verergeren.
• Aanbevelingen:
  1. Data: Ontwikkeling van diverse, open-access CXR-datasets uit onderbelichte populaties.
  2. Samenwerking: Echte, gelijkwaardige internationale partnerschappen waarbij onderzoekers uit LMIC's als leiders worden betrokken, niet slechts als dataleveranciers.
  3. Beleid: Uitgevers en financierders moeten prikkels creëren voor diversiteit in auteurschap en cross-inkomens samenwerkingen.
  4. Capaciteitsopbouw: Investeren in lokale infrastructuur en expertise in LMIC's om duurzame verandering mogelijk te maken.

Kortom, voor medische AI om zijn belofte van wereldwijde gezondheidsverbetering waar te maken, moet de productiestructuur van dit onderzoek worden gedemocratiseerd.