阿尔茨海默病（Alzheimer’s disease， AD）是一种进行性发展的致死性神经退行性疾病，临床表现为认知和记忆功能不断恶化，日常生活能力进行性减退，并有各种神经精神症状和行为障碍
［1］1。根据2023年《世界阿尔茨海默病报告》显示，2019年全球有5 000多万人患有这种疾病，到2050年，这一数字将会增加到1.32亿
［2］。临床上，阿尔茨海默病患者通常是因明显的认知功能障碍或记忆退化等临床症状就诊进而确诊，导致在治疗阿尔茨海默病时，已经错过了最佳的干预窗口，所以确诊阿尔茨海默病尤为重要
［3-4］。临床实践中，阿尔茨海默病的确诊方法包括基于症状的神经心理学量表评估，以及影像学方法如计算机断层扫描（computed tomography，CT）、磁共振成像（magnetic resonance imaging，MRI）等，结合血液、正电子发射体层摄影（positron emission tomography，PET）和脑脊液中的生物标志物等指标，其中计算机断层扫描、磁共振成像等影像学检查是作为综合诊断评估阿尔茨海默病的一个主要依据
［1］203。传统阿尔茨海默病的诊断过程耗时且繁琐，且确诊具有滞后性，诊断结果更是依赖于医师主观的临床知识与经验。自20世纪80年代基于人工智能（artificial intelligence，AI）的计算机辅助检测（computer aided detection，CAD）软件的引入
［5］，人工智能在医学影像学中的应用也变得相当广泛，包括应用于阿尔茨海默病影像辅助诊断中，使阿尔茨海默病通过医学影像进行早期诊断成为可能。但人工智能仍有许多尚未解决的伦理问题亟待讨论与解决。
1 人工智能应用于阿尔茨海默病影像诊断现状
1.1 人工智能方法
人工智能是用人工的方法和技术，模仿、延伸和扩展人的智能，实现机器智能
［3］。人工智能赋能医学影像疾病筛查与预测属于计算机视觉技术（computer vision，CV）领域，其本质是处理图像识别任务
［6］49。当前对阿尔茨海默病医学影像辅助诊断临床研究所用的人工智能研究方法主要有三种：机器学习（machine learning，ML）、深度学习（deep learning，DL）、迁移学习（transfer learning，TL），主要是基于数据、算法在医学影像中进行应用，并随着时间的推移提高其性能，使机器能够以更高的精度和效率执行任务
［7］。
1.2 人工智能在阿尔茨海默病影像诊断中的应用
在人工智能应用于医疗保健领域之前，阿尔茨海默病的诊断主要根据简易精神状态量表（Mini-Mental State Examination，MMSE）和蒙特利尔认知评估量表（Montreal Cognitive Assessment，MOCA）等认知评估工具，磁共振成像、正电子发射计算机断层扫描等神经成像技术，也逐渐用于阿尔茨海默病的临床常规检测
［8］。随着人工智能成为一种新的医疗辅助工具，其作为一种虚拟应用程序在阿尔茨海默病影像诊断开始使用，目前见于临床研究。概括说来，主要包括三类具体应用。
1.2.1 阿尔茨海默病的分类与诊断
基于人工智能影像数据分析可对阿尔茨海默病进行分类与诊断。首先，获取大量高质量的医学影像数据，并对医学影像数据进行预处理。采用人工智能技术，特别是深度学习模型，能够有效地分析医学影像设备如磁共振成像和正电子发射计算机断层扫描产生的图像数据。这些方法通过综合运用多种机器学习算法，可以显著提高对轻度认知障碍（mild cognitive impairment，MCI）与阿尔茨海默病的鉴别能力，以及预测轻度认知障碍向阿尔茨海默病转化的可能性。经过数据库验证，这些模型已经实现了较高的准确度，为早期诊断和干预提供了有力支持
［2，9-10］。其次，挖掘影像数据中隐藏的疾病特征信息。其中机器学习算法有助于神经成像解释的自动化，并有可能减少偏差和改善临床决策。神经成像数据具有高维度、非线性和数据内的高协方差的特点，特别适合使用深度学习进行分析。由于阿尔茨海默病神经成像倡议（Alzheimer’s Disease Neuroimaging Initiative，ADNI）等大型数据集的可用性，越来越多的机器学习研究已经调查了如何使用神经成像特征来预测认知诊断和痴呆症的转化
［11］。最后，建立人工智能阿尔茨海默病预测模型，进而对阿尔茨海默病进行诊断，从而减少医师的阅片时间，帮助影像医师提升诊断水平。人工智能基于影像数据对阿尔茨海默病的辅助诊断能够提高影像科医师的诊断速度与效率，改善阿尔茨海默病患者早期无法及时确诊的困境。
1.2.2 阿尔茨海默病的病因机制的深度探究
基于人工智能对阿尔茨海默病的病因机制的深度探究主要依托大数据资源。目前阿尔茨海默病被认为是一种多因素疾病，与年龄增长、遗传因素等危险因素相关，其病因及发病机制的主要观点是胆碱能假说、淀粉样蛋白假说。通过人工智能的病因发现方法评估自动诊断模型中不同因素的有效性来检测阿尔茨海默病的风险因素，机器学习算法在分析遗传相互作用的分子机制和其复杂的神经网络方面具有本质优势
［3］。
1.2.3 大规模人群阿尔茨海默病疾病筛查研究
将人工智能应用于阿尔茨海默病疾病筛查并非直接根据阿尔茨海默病的典型脑影像征象，而是间接对阿尔茨海默病进行筛查。研究表明，视网膜变薄和血管减少与阿尔茨海默病的发生密切相关，而视网膜又是为数不多的可以利用眼部成像技术轻松获取和丰富图像收集的组织之一。人工智能可以与低成本、易于采集和非侵入性特征的网膜成像结合，适用于大规模人群筛查
［12］。
1.3 基于人工智能的阿尔茨海默病影像诊断的优势
人工智能医学影像辅助诊断方法，有助于推动阿尔茨海默病疾病机制的研究进程，实现神经影像学解释的自动化，并有可能减少偏见并改善临床决策
［13］，减少了医师主观性的因素影响，更具有前瞻性、准确性，因此人工智能在阿尔茨海默病影像辅助诊断方面，已显示出了巨大的优势。随着大数据的发展，将人工智能应用到医学影像来诊断出潜在的阿尔茨海默病患者，也可给患者或研究参与者带来警示，并通过采取预防干预措施，延缓疾病恶化进程。
2 人工智能应用于阿尔茨海默病影像诊断中的伦理挑战
2.1 数据安全
根据《中华人民共和国数据安全法》，数据安全是指通过采取必要措施，确保数据处于有效保护和合法利用的状态，以及具备保障持续安全状态的能力。按照法律和伦理的基本要求，应该保护患者或研究参与者包括脑影像与脑隐私数据在内的数据安全。但在人工智能应用于阿尔茨海默病影像辅助诊断的过程中会面临数据安全挑战。
2.1.1 脑影像数据的滥用
近年来，医疗影像数据的泄露问题变得日益严峻，如2019年美国网络安全公司对医学影像存档和通信系统（picture archiving and communication system，PACS）服务器安全性的研究表明，互联网上现在可以免费使用11.9亿张机密医学图像，包括患者姓名、检查原因、出生日期等身份详细信息。人工智能应用于阿尔茨海默病影像辅助诊断中同样面临着脑隐私泄露的伦理困境
［14］。当人工智能赋能医学影像辅助医师诊断疾病的过程中，会涉及受检者的脑影像信息。如果研究人员未经授权收集和使用个人脑影像数据，并将这些数据用于与原始研究目的不符的其他研究或商业目的，这种数据滥用行为可能会侵犯数据主体的权益。
2.1.2 脑隐私数据的泄露
研究人员可能在未经充分考虑的情况下不小心披露了敏感的个人信息，如身份识别信息，这可能导致数据所有者的脑隐私泄露。除却人为主观不当使用外，以数据为驱动的机器学习模型、深度学习算法存在被数据攻击的情况，会造成脑隐私数据的泄露，相关敏感信息（如疾病的神经特征或患精神疾病的简单统计概率）落入第三方手中
［7］。这会造成神经数据的不合理收集，侵犯患者或研究参与者的神经权利，导致神经营销行为发生，即某些企业为了追逐利益利用患者或研究参与者的脑影像信息，分析出个人的兴趣偏好、隐藏疾病信息、性格信息等，给这些阿尔茨海默病患者投放医药广告，产生损害患者或研究参与者的相关利益的风险。如药企通过神经营销，可能会使一些仅含淀粉样斑块并没有临床症状的人，盲目使用抗淀粉样斑块药物，带来诸如脑出血甚至死亡等一系列严重后果。一项研究
［15］显示，在治疗早期阿尔茨海默病的抗淀粉样蛋白-β （Aβ） IgG1单克隆抗体的一项试验中，90.1%的患者和87.1%接受安慰剂的患者中报告了至少一次不良事件。
2.2 可解释性
人工智能可解释性是指人工智能系统的运作过程必须是清晰透明的，其能力和目标应当公开讨论，并且人工智能的决策需要尽可能地向直接或间接受影响的人员做出明确解释
［6］35。它是人工智能应用于医疗领域的重要挑战之一，2021年欧盟制定的人工智能法案中提到，用于医疗的人工智能属于高风险的人工智能，具有特定特征（例如不透明、复杂性、对数据的依赖性）的人工智能的使用，可能对一些基本权利和用户安全产生不良影响
［16］。可解释性挑战在人工智能阿尔茨海默病影像辅助诊断过程中同样存在。
2.2.1 算法的不可解释性
基于人工智能的影像辅助诊断技术，可基于深度学习方法从医学影像数据中提取对阿尔茨海默病疾病诊断有意义的复杂信息，如能发现人类识别不了的疾病的隐藏信息，并且对当前医学影像数据的分析能力，已经达到较高的标准，使得对阿尔茨海默病的诊断可早于传统的诊断方法。但其中的深度神经网络DNN算法模型是典型的“黑箱”技术，即我们不知道它提取的具体特征是什么，但是可以将疾病的隐藏特征识别出来，这项技术应用于临床的困难之处在于缺乏决策逻辑的透明度及可解释性。尽管一些学者已经开始使用可视化和参数分析手段来阐述人工智能模型及其结果，但这些方法还未能完全满足临床对可解释性影像学标志物的高标准要求
［17］。并且因深度学习算法的不可解释性，这种人工智能辅助诊断方法通常不具备追溯特性。
2.2.2 信任危机
在医疗领域，尤其是在疾病关键的诊断和治疗决策中，透明性和可解释性的缺乏可能导致医师和患者对人工智能系统的决策缺乏信任。如上所述，人工智能辅助诊断方法通常不具备追溯特性，包括人工智能应用到医学影像辅助诊断，这就可能导致人工智能系统在医学影像诊断中出现错误或者诊断结果与其他医师的意见不一致时，无法追踪到具体问题源头，从而引起了关于责任归属和诊断证据可信度的担忧。并且由于人工智能系统的不可解释性，会产生医疗行为和决策过程的不清晰，从而对出现的差错无法进行准确的定责。因此，对于前面提到“黑箱”算法模型的输出结果的不可解释性、不透明性，如果不能得到解决就应用于临床实践当中，会造成影像诊断技术的信任危机与出现医疗失误时的定责困难。为了确保医学影像人工智能系统的开发和应用过程中出现的与医疗损害相关的失误和差错能够被有效追踪和审查，相关机制正在不断地探索和完善之中。
2.3 算法偏见
算法偏见是指在人工智能系统的算法设计和应用过程中，由于训练数据的偏差、算法的固有局限性或人类开发者、设计者的偏见，导致算法在决策时对某些群体不公平或不合理的倾斜
［18］。
2.3.1 训练数据代表性不足
深度学习等人工智能算法基于阿尔茨海默病影像数据库中的共享数据来训练和验证算法模型，使得算法模型能够学习到阿尔茨海默病更全面的特征，以达到高精度的诊断水平
［19］。在算法模型的训练和验证过程中，会因数据本身存在数据选择和覆盖偏倚导致算法偏见，主要表现为训练数据的代表性不足。目前已知，中国相关数据库正处于初步建立阶段且缺少大样本、多样性数据。已具备一定规模的国外阿尔茨海默病影像数据库，如阿尔茨海默病医学影像学倡议（ADNI），以及开放获取系列影像学研究（Open Access Series of Imaging Studies，OASIS）等共享数据库在阿尔茨海默病临床、影像、生化生物标志物研究方面发挥着积极作用
［7，20］，因此，人工智能阿尔茨海默病影像辅助诊断的研究多基于国际数据库，如阿尔茨海默病神经影像学倡议等。据一项国际调查
［10］，多数研究（71%）依赖于阿尔茨海默病神经影像学倡议数据集，没有其他单个数据集使用超过五次。不同人群的差异性可能导致人工智能算法泛化能力弱，出现判断偏差，导致算法模型在实际应用中与开发时表现不一
［21］。
2.3.2 算法的局限性
算法模型建立过程中也可能由于社会文化因素或研究者个人的主观认知偏差，在算法设计的目标设定、模型选择、特征选择等方面产生算法偏见，如果训练数据集中多数病例来自某一特定群体，那么算法就可能对这一群体的诊断更为敏感，而对其他群体的诊断准确性则可能降低。在阿尔茨海默病影像诊断中，当带有偏见和有效性待考量的人工智能影像诊断产品流入市场，产生的假阳性、假阴性结果必然会增加患者误诊、漏诊的风险，可能导致患者接受不必要的治疗或错过最佳治疗时机，给患者带来心理、社会、经济等伤害，同时引起患者对人工智能系统诊断结果可靠性的担忧。
2.4 偶然发现的披露
在产生新的神经疾病诊断技术的同时，给医师、研究人员带来了一个新的困境：应该如何管理偶然发现。偶然发现（incidental findings， IF）是指在进行研究过程中发现的与个体研究参与者有关的，而与研究目的无关的具有潜在健康重要性的发现
［22］。在应用人工智能阿尔茨海默病影像辅助诊断技术过程中，也有可能产生研究目的以外的“偶然发现”。偶然发现的结果也可能会严重威胁到患者或研究参与者的生命安全，因此在人工智能阿尔茨海默病影像诊断技术研究过程中，对偶然影像发现的管理也至关重要。
2.4.1 偶然发现的准确性
将人工智能阿尔茨海默病影像诊断技术应用于临床，长远来看可能会导致放射科医师在一定程度上依赖于人工智能的诊断技术。若在使用人工智能阿尔茨海默病辅助诊断技术过程中，产生了与诊断阿尔茨海默病的目的不一致的偶然发现，这种偶然发现的判断取决于放射科医师或临床医师、研究者自身的专业素养。在长期依赖人工智能诊断的背景下，可能会削弱医师、研究者等自身的专业判断能力，影响其对人工智能医学影像辅助诊断系统的错误诊断进行客观判断，导致对偶然发现的不当判断以及偶然发现结果的不当解读。
2.4.2 偶然发现的告知
偶然发现在何种程度上需要告知、如何告知患者或研究参与者在临床实践中一直备受关注。由于医学影像检查过程中的偶然发现的数量众多，如果全部告知于这些患者或研究参与者，可能会对其造成一定的精神、经济上的压力。有研究
［23］表明，有认知症状的人往往意识不到影像诊断中的偶然发现可能与其认知症状无关，给其自身造成心理压力。甚至如果将进行不当解读的或者不确定的偶然发现结果告知患者或研究参与者后，也可能会给其带来精神压力。但若不告知可能与患者或研究参与者知情权相违背。因此，需明确医师、研究者是否有将偶然发现告知给患者或研究参与者的道德义务，偶然发现的结果在多大程度上影响患者或研究参与者的生命安全的情况才予以告知，或是否应该在研究之前将偶然发现结果是否返还的决定权交给研究参与者，出于维护患者或研究参与者最佳利益考量，也应明确与研究目的无关的偶然发现临床医师是否也应该配合研究人员对研究参与者的健康情况进行解释说明。故在向患者或研究参与者披露偶然发现时，需要确保医师、研究人员有足够的临床知识能力，或者与相关临床医师合作，才能将其偶然发现更加正确、有利于患者或研究参与者的方式让其知晓。
3 人工智能在阿尔茨海默病影像诊断中伦理挑战的应对
3.1 提高安全性
大量高质量的脑影像数据对人工智能阿尔茨海默病影像辅助诊断研究至关重要。因此，须在应用人工智能医学影像技术探究和诊断阿尔茨海默病的同时，遵守相应的伦理原则与规范，注意保护患者隐私和维护医疗数据安全。在人工智能应用于阿尔茨海默病影像诊断临床应用过程中，应从人工智能开发、研究及应用人员等多方面采取措施，提高人工智能在阿尔茨海默病影像诊断中的安全性。
3.1.1 提高人工智能算法模型的安全性
在人工智能算法模型设计开发的过程中，人工智能算法模型的开发者应始终以解决临床问题、增进公众健康福祉为目标。同时，应具备解决伦理问题的意识与能力，例如采用价值设计/价值嵌入等方式，将伦理道德融入算法模型
［6］124。在研究过程中，研究者应对影像数据进行去标识化脱敏处理，采用先进的加密技术和匿名化处理，保证影像数据在流通使用过程的保密性；提高算法的泛化能力，避免数据过拟合现象的发生，以保护患者或研究参与者的脑隐私，确保在数据库中存储和传输的数据不会泄露患者的个人信息
［16］。
3.1.2 制定影像数据安全性保护措施
医师、研究者应增强对患者或研究参与者隐私保护的意识和责任感，确保其影像数据被合理合规使用，并如实将影像数据的存储、使用及保密措施告知患者或研究参与者。同时，患者或研究参与者本身也应提高对隐私保护的自觉性。在参与临床研究之前，研究参与者应仔细阅读并充分理解知情同意书中关于隐私保护的条款，例如数据将如何被使用、存储以及采取的保密措施等。
3.1.3 加强网络安全措施
面对数据容易被攻击的问题，开发者应该定期对系统进行安全评估和升级，以防止黑客攻击或数据泄露事件的发生。并制定网络安全事件响应计划，当发生数据安全事件时，开发者、医疗机构应采取相应补救措施，尽可能减少数据泄露损失。
3.2 增强人工智能的可解释性
为了确保医学影像人工智能系统的开发和应用过程中出现的与医疗损害相关的失误和差错能够被有效追踪和审查，相关机制正在不断地探索和完善之中。而增强人工智能应用于临床的可解释性是确保其安全、可靠和广泛接受的关键。
3.2.1 建立可解释的人工智能
可解释性人工智能（explainable artificial intelligence，XAI）阿尔茨海默病分类诊断的应用已有前例，伦敦帝国理工学院研究团队提出了一种数据驱动的框架，可解释的形状分析深度学习模型，使健康对照人群与阿尔茨海默病患者的分类任务可视化
［24］。这种可解释性模型的应用，可使人工智能计算机辅助诊断技术更加可信、透明，也是现今发展人工智能医学影像技术的方向。
3.2.2 制定行业标准
人工智能在阿尔茨海默病影像诊断中，应对从研究、设计、生产到应用等的各环节制定严格的行业标准及道德行为准则。当该技术出现故障使诊断结果不准确给患者带来身心伤害时，其原因应当是可以查明的，同时应明确道德责任主体，健全相关法律法规。在医学影像辅助诊断阿尔茨海默病产品应用于临床实践之前，要把其假阳性、假阴性率控制在合理的范围，确定并完善阿尔茨海默病人工智能医学影像辅助诊断的金标准，推动人工智能系统的可解释性、透明性，并对放射科医师及相关研究人员进行持续的人工智能技术培训，帮助其更好地理解和使用人工智能这一新的医疗辅助工具。
3.3 推动数据库的标准化、完整性建设
在阿尔茨海默病影像数据库开发与建设中，人工智能发挥着重要作用。通过不同方式加强人工智能算法推动数据库的高质量开发与建设。
3.3.1 发挥政策引导性
为减少人工智能设计与应用过程中产生的算法偏见，推动人工智能医学影像辅助诊断技术的持续发展，政府应该发挥政策引导性作用，通过资助数据库建设、健全数据共享的法律法规等政策，推动大样本、标准化、多样性、高标准数据库的建设。
3.3.2 扩大训练数据的代表性
在开发人工智能用于阿尔茨海默病影像诊断阶段，应收集来自不同性别、年龄、种族、社会经济背景的患者数据。使用多样化的人群数据可以减少模型对特定群体的偏见。在建立数据库时，数据库建设者应进行数据清洗。在数据预处理阶段，移除可能含有偏见的信息，例如排除由不公正医疗实践产生的数据。也可使用AI Fairness 360工具包等为模型提供可访问的公平性指标和随附的解释，以帮助减轻偏见
［25］。
3.3.3 确保模型的适用性与公平性
人工智能算法开发研究人员应与医学专家紧密合作，在模型设计和验证阶段引入医学专业知识的指导，确保模型的临床适用性和公平性。在模型部署后，研究人员应持续监控其性能，特别是对不同群体的表现，根据反馈进行迭代优化。数据共享与开放获取的需求之间应做好平衡，保护研究参与者/患者隐私的同时，促进研究人员和医疗工作者能够利用这些数据进行疾病研究和治疗方法的创新。
3.4 促进人工智能应用于影像诊断的伦理监管
在人工智能快速发展背景下，应进一步促进人工智能应用于影像诊断的伦理监管，规范人工智能应用于阿尔茨海默病影像诊断过程中偶然发现的处理。
3.4.1 规范相关伦理要求
相关学协会可制定针对阿尔茨海默病认知障碍的患者的较为详细的代理决策条件、规范医师告知其偶然发现的伦理要求等。在人工智能影像辅助诊断临床研究伦理审查时，伦理委员会应根据《新一代人工智能伦理规范》《智能化临床研究专家共识》
［26］等，重点审查算法偏见、数据安全等方面，保护研究参与者权益。
3.4.2 加强人工智能伦理培训
医院应对研究者、放射科医师等人员加强人工智能及其伦理培训，全面了解该技术的功能特性、局限性，详细评估偶然发现疾病的病变风险，判断是否要进一步进行诊疗及如何将偶然发现的结果进行正确的告知，以提高人工智能阿尔茨海默病影像辅助诊断研究人员、影像医师整体的专业技能水平与职业素养，确保人工智能在阿尔茨海默病影像诊断领域的健康发展，以期将来能通过安全有效的人工智能阿尔茨海默病影像诊断技术，造福于（潜在）阿尔茨海默病患者。
4 结语
人工智能在医疗健康领域的运用是多维度的，其在诊断领域的潜力尤其广阔。通过深度学习等人工智能方法可以高效地识别和分析神经影像数据，为阿尔茨海默病的早期诊断和治疗提供了有力支持。但作为一项变革性的新兴技术，人工智能在阿尔茨海默病影像诊断临床研究及应用中所带来的伦理挑战，除却人工智能技术本身的发展与完善外，还可与数据伦理、人工智能伦理等相融合展开应对之策的伦理考量，确保人工智能在阿尔茨海默病影像诊断临床研究及应用中遵守相应伦理规范，维护患者或研究参与者的健康利益，也促进人工智能在神经影像诊断领域更加广泛与深入的应用。
北京市社会科学基金项目“神经伦理学视域中的神经安全问题研究”(23ZXC011)
京公网安备11010202008535号
PDF
(541KB)
