数字病理学处于先进诊断程序医学创新的最前沿，特别是在使用人工智能（AI）方面。然而，在开发计算密集型和因此能源密集型的AI模型时，通常会为了性能而忽视其可持续性。来自德国亚琛RWTH大学医院病理研究所的一组科学家现在开发了一种新的度量方法，允许在模型开发过程中同时分析诊断性能和碳足迹。研究人员将这一度量称为“环境可持续性能得分（ESPer）”。
挑战：AI及其生态足迹
AI模型通常需要巨大的计算资源，这一点在病理学中尤为明显。这导致了高能耗和相关的二氧化碳排放，具体排放量取决于能源来源。到目前为止，研究主要集中在提高AI模型的诊断性能上，而几乎未考虑其生态影响。然而，在气候变化的背景下，有必要在这些技术的开发和应用中实施节约资源、可持续的策略。此前，同一研究小组已经表明，在数字病理学中实施AI模型可能会产生相当大的全球变暖潜力。
减少碳足迹的实际方法
为了提高环境可持续性，研究人员调查了减少AI模型二氧化碳排放的策略。这包括调整AI模型需要分析的数据量，例如通过改变图像分辨率或减少分析的图像区域。这些措施表明，可以在不显著损害诊断准确性的情况下减少能耗。
医学中生态可持续性的重要性
使用资源密集型AI模型的累积影响可能会显著加剧全球气候变化，尤其是在广泛应用于临床实践的情况下。此外，所需的大量计算能力可能是广泛实施的一个限制因素。ESPer得分提供了一种新方法，以确保医疗AI的进步不会以牺牲环境为代价，同时维持或改进（诊断）性能。通过这种方式，它也促进了联合国可持续发展目标（SDG 3：良好健康与福祉和SDG 13：气候行动）。
展望未来
ESPer得分不仅是一个研究工具，还可能成为行业和监管机构的标准。它可以作为未来可持续AI发展的指南。研究人员希望他们的方法能在技术和可持续性的交叉点上引发更多的讨论和创新。
(全文结束)
