在儿科癌症影像学中实施人工智能的障碍

《Cancer Imaging》：Barriers to implementing AI in pediatric cancer imaging

AI在儿童肿瘤影像学中的应用潜力及五大障碍：数据稀缺、碎片化、访问受限、异质性及生物学差异。强调需协作、标准化数据及算法优化，以实现安全、有效且以儿童为中心的AI应用。

　　

成人肿瘤影像学领域对人工智能（AI）的关注度极高，目前深度学习模型已能够支持病灶检测、治疗反应评估，甚至参与临床试验的招募 [1]。在儿科肿瘤学中，AI在图像重建、自动化肿瘤体积分割、非侵入性疾病特征分析、反应预测以及转移性肺结节检测等方面展现出巨大潜力。然而，由于存在独特且持久的障碍，AI在儿科领域的应用仍然较为有限。本文基于最新的科学讨论和实践经验，探讨了在儿科癌症影像学中实施AI的主要障碍。

造成这些障碍的原因多种多样，首先从简单的流行病学数据入手。所有儿科癌症都较为罕见，新诊断出的癌症病例占比不到1%。以美国为例，每年约有16,000名儿童被诊断出癌症，而成人患者数量超过200万 [2]。每种儿科肿瘤的发病率更低；例如，儿童最常见的肝脏恶性肿瘤——肝母细胞瘤，每年在美国仅约有200名儿童被诊断出 [3]。这种低发病率限制了可用于AI训练和验证的影像数据量，导致儿科肿瘤学的规模与现代深度学习系统的需求之间存在根本性差距。

如果数据能够整合，单纯的数据稀缺问题或许可以解决，但第二个障碍是数据分散。儿科肿瘤护理分布在数百个专业医疗机构中。仅在北美地区，就有超过200个儿童肿瘤学研究机构共同管理这些16,000名儿科癌症患者 [4]。因此，即使在大型三级医院，数十年的影像档案中也只能分析到少数患者的数据。由于缺乏系统性的数据共享，AI模型往往只能反映局部患者群体的情况，无法在不同机构或影像平台上泛化应用。

第三个障碍是数据访问受限。尽管开放科学的倡导日益增多，但公开的儿科影像数据集仍然非常有限。根据最新研究，儿童数据在所有公开医疗数据中的占比不到1% [5]。其原因包括伦理限制、数据隐私问题以及处理儿童医疗记录的高管理成本。缺乏可共享的标注数据集阻碍了研究的可重复性，也使得跨研究的基准测试难以进行。

即使数据能够整合，第四个主要障碍仍然是数据异质性。不同医疗机构之间的儿科影像检查方案存在很大差异，这些差异源于扫描仪硬件、采集参数、重建算法和对比剂方案的不同。这种不一致性导致影像结果五花八门，难以统一。在一个中心训练出的模型可能在另一个中心由于技术差异而失效，而并非由于临床或生物学上的差异。因此，数据异质性不仅是研究的麻烦，更是AI泛化能力的致命弱点。

第五个障碍虽然较为抽象，但却至关重要：儿科AI并非简单的“小型化”成人AI。儿童在解剖结构、生理机能、肿瘤生物学特性以及疾病表现上与成人存在差异，这些差异直接影响影像特征和诊断标准。当将成人训练的AI模型应用于儿科数据时，它们往往表现不佳，可能会遗漏较小的病灶或将正常的发育性结构误判为病变。已有研究表明，成人训练的AI模型在儿科影像上的表现较差，这可能导致诊断不准确甚至带来潜在危害 [6, 7]。这些失败并非仅由算法本身的缺陷引起，而是模型训练内容与实际应用环境之间的不匹配所致。

尽管面临诸多挑战，早期的尝试仍带来了积极的信号。在儿科病灶分割和检测方面的初步研究已经取得了令人鼓舞的结果 [8, 9]。这些结果表明，只要采用严谨的方法、保持透明度并确保临床相关性，AI在儿科癌症影像学中的应用是可行的。其潜在价值巨大：医学影像中的每一个像素都蕴含着生物学信息，通过放射组学或深度学习技术对这些像素进行定量分析，可以揭示与组织病理学、基因组学、蛋白质组学及治疗反应相关的细微模式 [10]。在儿科肿瘤学中，这种整合性的影像-组学方法有望实现更早的诊断、更精确的风险分层以及更精准的治疗监测。然而，要取得实质性进展，需要从小型回顾性研究转向多机构的前瞻性研究，让模型在实际工作流程中接受验证，并根据对患者真正重要的结果来评估其效果。

因此，行动号召十分明确：儿科影像学界必须将合作作为核心原则。共享数据库、统一的采集和标注框架以及联合学习联盟对于构建具有代表性和可重复性的AI系统至关重要。学术期刊、资助机构和监管机构应认识到儿科影像学是一个值得重点投资的领域，而不仅仅是成人研究的延伸。

现在的问题不再是AI是否可以在儿科癌症影像学中应用，而是如何安全、公平且有效地实现这一目标。成功的关键在于透明度、包容性以及在不同人群中的临床验证，同时始终将儿童的需求置于整个过程的中心。克服这些障碍将决定儿科影像学的未来发展方向。如果能够实现这一目标，儿科AI将成为一个基于科学严谨性的典范，体现我们对患癌儿童的共同责任。