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

该研究通过系统综述和科学计量分析发现，胸部 X 光计算机视觉研究主要由高收入国家主导且训练数据多源自这些地区，这种显著的地理与数据不平等可能导致 AI 系统在不同医疗环境中表现不一致，进而加剧全球医疗不平等。

要点

这篇论文就像是一份**“医疗 AI 界的全球人口普查报告”**。它没有去测试某个具体的 AI 模型准不准，而是去调查了：到底是谁在制造这些 AI？它们是用谁的数据“喂”大的？以及，这会不会导致未来的医疗 AI 对某些人“偏心”？

为了让你更容易理解，我们可以把医疗 AI想象成一位**“超级医生学徒”，而这篇研究就是在这个学徒的“成长日记”**里找规律。

1. 核心发现：这位“学徒”是谁教出来的？

想象一下，全世界都在教这位“超级医生学徒”看病（特别是看胸片，比如肺炎、结核病等）。

• 谁在当老师？ 研究发现，绝大多数老师都来自富裕国家（比如美国、中国、韩国）。
  • 数据说话： 超过一半（55.6%）的“带头老师”（第一作者）和近六成（59.7%）的“总教头”（资深作者）都来自高收入国家。
  • 谁被忽略了？ 最让人担心的是，最贫穷的国家（低收入国家）竟然没有一位“带头老师”。这就像是在教一个全球通用的驾驶技术，但教练席上却坐满了来自发达国家的教练，而最需要这项技术的贫困地区的人，连方向盘都没摸过。

2. 教材来源：这位“学徒”是用什么“练手”的？

医生学徒需要看大量的病例照片（胸片）来学习。

• 教材哪里来？ 研究发现，73.6% 的教材照片都来自富裕国家，其中美国一家就贡献了 40% 以上。
• 比喻： 这就像是在教一个学徒如何识别“热带雨林里的毒蛇”，但他所有的练习照片却全是“北极熊”和“温带森林”。
• 后果： 当这位学徒真的被派到热带雨林（医疗条件较差、疾病种类不同的地区）工作时，他可能会因为没见过真正的“热带毒蛇”而认不出来，甚至误诊。这就是所谓的**“泛化差距”**——在实验室里很聪明，到了真实世界却可能“水土不服”。

3. 合作模式：大家是在“一起学”还是“各玩各的”？

• 现状： 富裕国家的老师之间经常互相合作（53% 的合作），但富裕国家和贫困国家的老师一起合作的情况非常罕见（只有不到 4%）。
• 比喻： 这就像是一个**“精英俱乐部”**，里面的成员互相交换资源、互相指导，而俱乐部外面的人只能看着。这种“近亲繁殖”导致 AI 系统只学会了富裕国家的“看病习惯”，却不懂贫困地区的特殊病情。

4. 为什么这很重要？（潜在的风险）

如果继续这样下去，未来的医疗 AI 可能会出现**“偏见”**：

• 对富裕国家的人： 诊断很准，像神探一样。
• 对贫困国家的人： 可能会漏诊或误诊，因为 AI 没见过他们的病，也没见过他们的身体特征。
• 最坏的结果： 本来是为了帮助全人类的健康，结果反而拉大了贫富国家之间的医疗差距，让最需要帮助的地方变得更难获得准确的诊断。

5. 作者们的建议：我们要怎么改？

这篇论文最后呼吁，要打破这种“精英俱乐部”的格局：

• 多收集“全球教材”： 必须收集来自世界各地、特别是贫困地区的胸片数据，让 AI 见多识广。
• 请“当地老师”入伙： 在研究项目中，要让发展中国家的研究人员成为真正的领导者，而不仅仅是提供数据的“搬运工”。
• 开放资源： 让数据更透明，让大家都能用得起这些技术。

总结

简单来说，这篇论文在说：现在的医疗 AI 虽然很厉害，但它有点“偏心眼”。它主要是由富裕国家的人，用富裕国家的数据训练出来的。如果不赶紧改变，让它学会看“全世界”的病，那么它可能会在真正需要它的贫困地区“掉链子”，甚至让那里的医疗状况变得更糟。

我们需要做的，就是把这个“精英俱乐部”变成真正的“全球大家庭”，让 AI 真正服务于全人类。

技术摘要

这是一份关于《谁是医疗 AI 的领导者？胸部 X 光计算机视觉研究的系统综述与科学计量分析》（Who is leading medical AI? A systematic review and scientometric analysis of chest x-ray research）论文的详细技术总结。

1. 研究背景与问题 (Problem)

计算机视觉（CV）在胸部 X 光（CXR）解读中的应用具有巨大的全球医疗潜力，能够缓解放射科医生短缺并辅助诊断。然而，这些技术的临床价值高度依赖于其在多样化人群中的公平开发。

• 核心问题：目前的 AI 模型是否存在“泛化差距”（generalizability gap）？即模型在开发环境（通常是高收入国家）表现良好，但在低收入和中等收入国家（LMICs）表现不佳。
• 研究动机：现有的研究生态是否导致了数据偏差和作者构成的不平等，从而可能加剧全球医疗不平等？特别是，低收入国家在呼吸疾病负担最重的地区，是否在研究领导力和数据贡献中被边缘化？

2. 方法论 (Methodology)

本研究采用系统综述和科学计量分析相结合的方法，遵循 PRISMA 2020 指南。

• 数据来源与检索：
  • 检索了 PubMed、Embase 和 SciELO 数据库。
  • 时间跨度：2017 年至 2025 年（注：预印本日期显示为 2026 年，表明涵盖了最新的研究趋势）。
  • 关键词：涉及计算机视觉和胸部 X 光的术语。
• 筛选流程：
  • 初始检索获得 1555 篇文章，去重后 1552 篇。
  • 经过标题/摘要筛选和全文审查，最终纳入928 篇符合质量标准的研究进行定量分析（定性合成包含 984 篇）。
  • 排除标准：非同行评审文章、综述、非 CV 模型研究（如仅使用 NLP 或传统机器学习）、预印本等。
• 数据分析工具：
  • 使用 Dimensions API 提取作者机构、国家、期刊等元数据。
  • 对于缺失 DOI 的数据进行人工提取。
  • 分类标准：根据国家收入水平（世界银行分类：低收入 LIC、中低收入 LMIC、中高收入 UMIC、高收入 HIC）对作者所属机构和数据集来源进行分类。
  • 归一化分析：为了更公平地比较，将发表数量按人口、GDP 和研发（R&D）投资进行了归一化处理。

3. 主要发现与结果 (Key Results)

A. 作者构成与领导力分布 (Authorship & Leadership)

• 高收入国家（HICs）主导：
  • 第一作者：55.6% 来自 HICs，25.8% 来自 UMICs，18.6% 来自 LMICs。低收入国家（LICs）没有第一作者。
  • 资深作者：59.7% 来自 HICs，24.2% 来自 UMICs，15.4% 来自 LMICs。仅有 0.7% 的资深作者来自 LICs。
• 国家排名：
  • 第一作者：中国（16.93%）和美国（16.72%）领先，其次是韩国（11.65%）和印度（9.06%）。
  • 归一化后：新加坡、卡塔尔、丹麦和瑞士在人均产出上表现突出；约旦、巴基斯坦和突尼斯在按 GDP 调整后表现较高。
• 机构：没有单一机构占据主导地位（领先机构首尔大学仅占 2.59%），但顶尖机构主要集中在 HICs 和少数亚洲国家。

B. 国际合作模式 (Collaboration Patterns)

• 同质化合作：HIC 机构之间的合作占主导地位（53.43%）。
• 跨收入合作稀缺：
  • LMIC 第一作者与 HIC 资深作者的合作仅占 3.91%。
  • HIC 第一作者与 LMIC 资深作者的合作仅占 1.68%。
  • 这表明国际合作并未有效桥接不同收入水平的研究群体。

C. 数据集来源与代表性 (Dataset Provenance)

• 数据来源高度集中：
  • 73.6% 的训练数据集来自 HICs。
  • 美国是最大的单一贡献者（40.45%），其次是全球来源（20.35%）和中国（14.80%）。
  • LMICs 的数据集极少被使用。
• 数据集类型：私有数据集使用频率最高（20.52%），其次是公开数据集（如 ChestX-ray14, 8.24%）。
• 作者与数据的错位：使用 HIC 数据集的研究中，超过 50% 的第一作者也来自 HIC 机构；而使用 LMIC 数据集的研究中，来自 LMIC 机构的第一作者比例极低（2.65%）。

4. 关键贡献 (Key Contributions)

1. 量化了全球不平等：首次通过大规模科学计量分析，系统性地揭示了胸部 X 光 AI 研究中作者构成和数据来源的严重地理与经济失衡。
2. 揭示了“数据贫困”与“领导力差距”的关联：证明了研究领导力（HICs 主导）与数据可用性（HICs 主导）之间存在自我强化的循环，导致 LMICs 在定义问题、选择评估指标和实施策略上缺乏话语权。
3. 挑战了“私有数据集”的透明度：指出私有数据集的高比例（20.52%）限制了外部验证和模型在多样化人群中的迭代改进。
4. 提出了具体的改革路线图：不仅指出了问题，还从资金、机构合作、出版政策三个维度提出了构建公平研究生态的具体建议。

5. 研究意义与结论 (Significance & Conclusion)

• 临床风险：由于训练数据缺乏多样性，基于当前研究生态开发的 AI 诊断工具在低收入国家的临床部署中可能表现不佳，甚至因误诊而加剧现有的健康不平等。
• 伦理警示：低收入国家虽然呼吸疾病负担最重，但在 AI 研发过程中几乎完全缺席（无第一作者，数据贡献极少）。这种“数据殖民”现象需要被纠正。
• 行动呼吁：
  • 资金层面：优先资助来自代表性不足人群的多样化、开放获取数据集建设。
  • 合作层面：建立平等的国际伙伴关系，将 LMIC 研究人员视为知识生产者而非单纯的数据提供者。
  • 政策层面：期刊和会议应制定政策激励跨收入合作和多样化作者署名。

总结：该论文有力地证明了当前的医疗 AI 研究生态系统是高度倾斜的。如果不进行结构性的改革（包括数据民主化、公平合作和包容性政策），医疗 AI 将无法实现其改善全球医疗健康的承诺，反而可能成为加剧全球健康鸿沟的工具。