Leapfrogging cancer diagnostics with AI: a mixed-methods assessment of implementation determinants in low- and middle-income countries

癌症是一种无情且在全球范围内袭击人们的疾病，但快速准确诊断癌症的能力在世界各地分布并不均衡。在许多中低收入国家，通往治愈的道路往往在治疗开始之前就被阻断了。对抗癌症的第一步是发现它，这通常需要病理学家——即通过显微镜观察组织微小切片以识别疾病的医生。这些专家在世界许多地方都处于短缺状态，而他们工作的实验室也往往缺乏观察微观细节所需的先进工具。由于缺乏明确的诊断，患者等待治疗的时间过长，从而导致生存机会下降。

近年来，一种有望改变这一现状的新工具出现了：人工智能。这是一种经过训练以识别模式的计算机软件，能够像人类医生一样观察同样的组织切片，并能快速发现癌症的迹象。其核心理念是，如果这些智能程序能够被构建到发展中国家的诊断系统中，它们可以帮助医生工作得更快、更准确，从而使这些国家有可能跳过建立传统病理实验室这一缓慢且昂贵的步骤，直接跨越到现代数字化系统。但要实现这一点，技术必须符合其所需之地的现实情况。它不能只是从外部简单地投放，必须了解当地医生、预算和规则是如何与软件相互作用的。

一组研究人员着手研究这在实践中究竟如何运作。他们不仅仅是开发了一个计算机程序并进行测试；相反，他们深入源头，询问那些实际会使用这项技术的人们需要什么，以及阻碍他们的是什么。他们与来自十二个不同国家的十二位医生进行了交流，其中包括十个中低收入国家和两个用于对比的高收入国家。这些医生是病理学和妇科领域的专家，这两个领域与癌症诊断最为相关。研究人员采用了一套混合方法，首先通过调查来绘制实验室现状的图谱，随后通过小组讨论来深入挖掘挑战，最后通过第二次调查来衡量医生对特定问题的看法强度。

研究人员发现，实际情况远比简单的贫富国家分类要复杂得多。虽然每一个地点都能接触到使组织切片可见的基础染色方法，但执行更高级测试的能力却差异巨大。在十个地点中的七个，实验室缺乏运行通常用于确认癌症诊断的专门化学测试的能力。在其中十个地点中的六个，分子检测（即观察肿瘤遗传构成的方法）要么完全缺失，要么几乎无法获得。这意味着，即使计算机能发现问题，人类医生也往往缺乏工具来证实它，或无法准确理解它究竟属于哪种类型的癌症。

用于人工智能的数字化工具的可用性也呈现出复杂的情况。大多数地点都有可以将物理切片转化为数字图像的扫描仪，这是计算机“看见”图像的必要第一步。然而，运行人工智能软件所需的强大计算机在超过一半的地点是缺失的。这造成了一种奇怪的脱节：有些地方拥有创建图像的扫描仪，却不具备分析图像的计算机；而另一些地方则拥有计算机，却没有扫描仪。研究人员指出，这种差异并不遵循通常的国家财富模式。一个国家的收入水平并不能可靠地预测其特定医院是否准备好使用人工智能。一些低收入国家的机构装备得异常精良，而一些富裕国家的机构却在基础环节面临困难。

当医生被问及希望人工智能能做什么时，他们的回答非常务实，且专注于紧迫的需求。他们并不要求软件取代自己，也不要求能够以完美的确定性来预测未来。相反，他们希望计算机能帮助他们更早地发现癌症，核实他们自己的诊断结果，并从标准的染色切片中预测某些生物标志物。他们设想了一个这样的系统：计算机可以筛选数千张切片，标记出那些看起来可疑的切片，以便人类医生能将时间集中在这些特定的病例上。这就像是拥有一个永不疲倦且不会遗漏任何细节的助手，让过度劳累的医生能够在不牺牲准确性的情况下接诊更多的患者。

然而，实现这一愿景的道路被一系列相互关联的障碍所阻挡。研究人员确定了决定人工智能能否在这些环境下实际应用的六个主要因素。第一是素养，即医生和患者需要理解这项技术并信任它。第二是证据，即需要证明该软件适用于这些特定人群，而非仅仅适用于富裕国家的人群。第三是治理，涉及制定引导技术使用方式以及规定出错时责任归属的规则和法律。第四是临床部署，涵盖了将软件整合进医院工作流程的物理步骤。第五是资金，以及第六是不同群体之间的协作。

在所有这些挑战中，资金被认为是最大的障碍。医生们报告称，财务限制是每一个领域中最主要的障碍。他们解释说，如果没有稳定的资金来源，他们就无法购买必要的计算机，无法支付发送图像所需的网络连接费用，也无法负担员工培训的费用。虽然有国际赠款和研究经费可以用来购买初始设备，但医生们担心这些资金会耗尽，导致他们拥有的昂贵机器无法得到维护或修理。他们强调，人工智能若要持久，需要得到政府常规医疗预算的支持，而不仅仅是依靠临时捐赠。

协作被认为是解锁其他解决方案的关键。医生们意识到，没有任何一个人或一家医院能够独自解决这些问题。他们需要与政府合作制定政策，与大学合作培养下一代医生，并与私营公司合作分担设备成本。他们看到目前的努力往往是碎片化的，不同的群体在孤立地开展工作。研究人员发现，最成功的路径是一项协调一致的努力，即这些不同的利益相关者齐心协力，共享资源和知识，以建立一个能够长期持续运行的系统。

研究得出结论，虽然人工智能在帮助中低收入国家实现病理实验室传统且缓慢的发展跨越方面具有巨大潜力，但它并不是一个可以以同样方式应用于各处的万能方案。使用这项技术的准备程度因医院而异，无论该国的整体财富水平如何。成功取决于解决特定的本地需求、确保可持续的资金支持以及建立强大的合作伙伴关系。如果没有这些基础，这项技术可能会变成实验室里另一件落满灰尘、无人使用的设备，而不是救命的工具。研究人员建议，在推广这些系统之前，必须对每个机构进行仔细评估，以确保其拥有让技术发挥作用所需的人员、规则和资金。