人工智能在传染病预测、监测和诊断方面取得了显著进展，自2019年以来研究活动迅速增长。根据一项新综述，机器学习和深度学习模型现在被广泛用于分类疾病病例、预测疫情爆发和分析流行病学趋势，在受控环境中通常能达到高精度水平。该综述既突显了AI驱动疾病建模的变革潜力，也指出了继续限制其有效性的系统性障碍，特别是在面临最严重疾病负担的地区。
这项题为《在撒哈拉以南非洲与"一体健康"相关的传染病研究中使用基于人工智能的建模技术：一项综述》的研究发表在《人工智能前沿》期刊上，分析了62项同行评议研究，以评估AI如何在人类、动物和环境健康系统中部署。
虽然该研究聚焦于撒哈拉以南非洲，但其发现反映了更广泛的全球模式，即技术进步往往快于支持所需系统的建设。
AI进展重塑疾病预测但仍过于集中
在分析的研究中，AI应用高度集中在分类任务上，占所有用例的近三分之二。这些模型主要用于确定感染状态、识别高风险人群以及在临床或环境数据中检测病原体。用于预测疾病发病率等趋势的基于回归的模型则占较小但仍然重要的应用比例。
深度学习技术，特别是卷积神经网络，始终表现出最高性能，在基于图像的诊断（如疟疾寄生虫检测和结核病筛查）中通常能达到近乎完美的准确性。随机森林和XGBoost等集成模型也在各种预测任务中发挥主导作用，提供可靠的结果。
然而，该研究强调了一个关键限制。尽管这些模型在技术上很复杂，但大多数应用仍局限于特定疾病和数据集。仅疟疾就占了近四分之一的研究，其次是HIV和COVID-19，而许多其他传染病受到的关注有限。
这种集中性造成了准备不足的缺口，特别是对于需要在人类、动物和环境系统之间进行综合分析的新兴或人畜共患疾病。这也反映了数据的不均衡可用性，这决定了AI可以在哪里以及如何应用。
"一体健康"整合滞后，人类数据占主导
"一体健康"方法侧重于人类、动物和环境健康的相互关联性。尽管它在理解疾病传播方面很重要，但大多数AI模型几乎完全依赖人类健康数据。
超过四分之三的分析研究仅使用人类数据集，对环境或动物数据的整合极少。只有很小一部分研究将三个组成部分结合起来，限制了AI系统捕捉疾病动态全部复杂性的能力。
这种不平衡具有重大影响。许多传染病，特别是在发展中国家，受到气候变化和生态变化等环境因素以及人类与动物之间相互作用的影响。如果不整合这些维度，AI模型可能会忽略疾病出现和传播的关键驱动因素。
该研究指出了造成这一差距的结构性原因。人类健康数据更容易获得且标准化程度更高，而环境和动物数据通常分散、难以获取或使用不兼容的系统收集。因此，研究人员倾向于关注更容易使用的数据集，即使它们提供的图景不完整。
这一限制超出了区域背景。在全球范围内，实施综合健康监测系统的努力面临着类似的挑战，包括数据孤岛、缺乏互操作性以及跨部门协调不足。
基础设施、数据缺口和技能短缺阻碍实际应用效果
虽然AI模型在研究环境中表现出强劲的性能，但其在现实世界卫生系统中的部署仍受到多种系统性障碍的限制。该研究将基础设施限制、数据治理问题和专业人才短缺确定为扩大AI驱动解决方案的关键障碍。
数字基础设施仍然不均衡，特别是在农村和资源匮乏的环境中。许多医疗机构缺乏可靠的互联网接入、足够的计算能力或持续的电力供应，这使得实施需要持续数据处理的高级AI工具变得困难。
数据挑战进一步使采用复杂化。综述发现，大多数可用数据集都是短期和特定疾病的，难以获得能够支持更稳健预测模型的长期综合数据。缺乏整合临床、环境和动物健康信息的综合数据集，严重限制了AI在"一体健康"框架内的潜力。
此外，围绕数据隐私、治理和算法偏见的担忧对信任和公平构成风险。在非本地数据上训练的AI系统在不同环境中应用时可能产生不准确或有偏见的预测，这突显了需要区域特定数据集和透明的监管框架。
人力资源是另一个主要障碍。该研究强调了缺乏开发、解释和维护AI系统所需技能的专业人员。这一缺口不仅限制了AI技术的采用，还造成了对外部专业知识的依赖，引发了关于长期可持续性的问题。
全球采用不均衡揭示日益扩大的数字健康鸿沟
该研究结果揭示了AI采用更广泛的不均衡模式，研究和实施集中在有限数量的地区和机构中。在研究的重点区域，拥有更强研究基础设施和数字系统的国家主导了与AI相关的工作，而其他国家则代表性不足。
这种不均衡分布反映了全球在技术、资金和专业知识获取方面的差距。在更先进的环境中，集成数据系统和机构合作使得能够开发支持实时疾病监测和响应的复杂AI模型。
另一方面，基础设施有限的地区面临着采用的重大障碍，即使它们承受着不成比例的传染病负担。这种不匹配引发了对日益扩大的数字健康鸿沟的担忧，即AI的益处并未得到公平分配。
该研究还确定了有助于弥合这些差距的新兴机会。扩展移动连接、基于云的计算和低成本数字工具为在资源受限环境中部署AI提供了新途径。例如，基于智能手机的诊断已显示出在无需专门设备的情况下实现实时疾病检测的潜力。
疾病控制中AI的未来取决于整合和投资
AI有潜力变革传染病控制，但其影响将取决于解决限制其使用的结构性挑战。对数字基础设施、数据整合和劳动力发展的投资对于释放AI驱动卫生系统的全部益处至关重要。
同样重要的是加强"一体健康"方法，将人类、动物和环境数据整合到统一模型中。这需要跨部门的协调努力，以及开发能够支持综合分析的互操作数据系统。
该研究还强调了在技术创新与实际考虑之间取得平衡的重要性。虽然复杂的AI模型提供高精度，但在计算能力有限的资源匮乏环境中，更简单、更可解释的方法可能更为合适。
【全文结束】
