人工智能應用于阿爾茨海默病影像診斷中的倫理審視

〔摘要〕阿爾茨海默病是一種進行性發展的致死性神經退行性疾病，其臨床表現為逐漸進展的認知和記憶功能下降、語言和視空間障礙等，至今仍無法治愈和逆轉。在臨床中阿爾茨海默病通常面臨確診不及時的可能，給阿爾茨海默病的早期干預造成了困難，因此提高診斷效率，幫助患者盡早確診阿爾茨海默病尤為重要。隨著人工智能技術的不斷發展，其在阿爾茨海默病影像診斷中的應用顯示出巨大潛力，但同時伴隨著諸多倫理問題。通過探討人工智能在阿爾茨海默病影像診斷研究及應用中帶來的數據安全、可解釋性、算法歧視以及偶然發現的披露等倫理挑戰，并提出相應對策，以期為人工智能應用于醫學影像診斷提供一定倫理指引，保護研究參與者/患者的權益，推動技術的健康發展。

〔關鍵詞〕人工智能；阿爾茨海默病；數據；算法；可解釋性；倫理審視

〔中圖分類號〕R-052 〔文獻標志碼〕A 〔文章編號〕1001-8565（2025）02-0179-08

DOI： 10. 12026/j. issn. 1001-8565. 2025. 02. 06

【基金項目】 北京市社會科學基金項目“神經倫理學視域中的神經安全問題研究”（23ZXC011）

Ethical examination of artificial intelligence application in Alzheimer’s disease imaging diagnosis

YAN Jiajia， KOU Nannan

（School of Medical Humanities， Capital Medical University， Beijing 100069， China）

Abstract： Alzheimer’s disease is a progressive， fatal， and neurodegenerative disease， clinically characterized by gradually developed cognitive and memory function decline， language and visuospatial disorders， and other aspects. It remains incurable and irreversible to date. In clinical settings， Alzheimer’s disease usually faces the possibility of untimely diagnosis， causing difficulties in the early intervention of the disease. Thus， it is essential to improve diagnostic efficiency and help patients diagnose Alzheimer’s disease as early as possible. With the continuous development of artificial intelligence （AI） technology， its application in Alzheimer’s disease imaging diagnosis has shown great potential. Meanwhile， it is also accompanied by many ethical issues. By exploring the ethical challenges brought by AI in the research and application of Alzheimer’s disease imaging diagnosis， such as data security， interpretability， algorithmic discrimination， and disclosure of incidental findings， the paper proposed the corresponding countermeasures， with a view to providing certain ethical guidance for the AI application in medical imaging diagnosis， protecting the rights and interests of subjects/patients， and promoting the healthy development of technology.

Keywords： artificial intelligence； Alzheimer’s disease； data； algorithm； interpretability； ethical examination

阿爾茨海默病（Alzheimer’s disease， AD）是一種進行性發展的致死性神經退行性疾病，臨床表現為認知和記憶功能不斷惡化，日常生活能力進行性減退，并有各種神經精神癥狀和行為障礙[1]1。根據 2023年《世界阿爾茨海默病報告》顯示，2019年全球有5 000多萬人患有這種疾病，到2050年，這一數字將會增加到1.32億[2]。臨床上，阿爾茨海默病患者通常是因明顯的認知功能障礙或記憶退化等臨床癥狀就診進而確診，導致在治療阿爾茨海默病時，已經錯過了最佳的干預窗口，所以確診阿爾茨海默病尤為重要[3-4]。臨床實踐中，阿爾茨海默病的確診方法包括基于癥狀的神經心理學量表評估，以及影像學方法如計算機斷層掃描（computed tomography，CT）、磁共振成像（magnetic resonance imaging，MRI）等，結合血液、正電子發射體層攝影（positron emission tomography，PET）和腦脊液中的生物標志物等指標，其中計算機斷層掃描、磁共振成像等影像學檢查是作為綜合診斷評估阿爾茨海默病的一個主要依據[1]203。傳統阿爾茨海默病的診斷過程耗時且繁瑣，且確診具有滯后性，診斷結果更是依賴于醫師主觀的臨床知識與經驗。自20世紀80年代基于人工智能（artificial intelligence，AI）的計算機輔助檢測（computer aided detection，CAD）軟件的引入[5]，人工智能在醫學影像學中的應用也變得相當廣泛，包括應用于阿爾茨海默病影像輔助診斷中，使阿爾茨海默病通過醫學影像進行早期診斷成為可能。但人工智能仍有許多尚未解決的倫理問題亟待討論與解決。

1 人工智能應用于阿爾茨海默病影像診斷現狀

1. 1 人工智能方法

人工智能是用人工的方法和技術，模仿、延伸和擴展人的智能，實現機器智能[3]。人工智能賦能醫學影像疾病篩查與預測屬于計算機視覺技術（computer vision，CV）領域，其本質是處理圖像識別任務[6]49。當前對阿爾茨海默病醫學影像輔助診斷臨床研究所用的人工智能研究方法主要有三種：機器學習（machine learning，ML）、深度學習（deep learning，DL）、遷移學習（transfer learning，TL），主要是基于數據、算法在醫學影像中進行應用，并隨著時間的推移提高其性能，使機器能夠以更高的精度和效率執行任務[7]。

1. 2 人工智能在阿爾茨海默病影像診斷中的應用

在人工智能應用于醫療保健領域之前，阿爾茨海默病的診斷主要根據簡易精神狀態量表（Mini-Mental State Examination，MMSE）和蒙特利爾認知評估量表（Montreal Cognitive Assessment，MOCA）等認知評估工具，磁共振成像、正電子發射計算機斷層掃描等神經成像技術，也逐漸用于阿爾茨海默病的臨床常規檢測[8]。隨著人工智能成為一種新的醫療輔助工具，其作為一種虛擬應用程序在阿爾茨海默病影像診斷開始使用，目前見于臨床研究。概括說來，主要包括三類具體應用。

1. 2. 1 阿爾茨海默病的分類與診斷

基于人工智能影像數據分析可對阿爾茨海默病進行分類與診斷。首先，獲取大量高質量的醫學影像數據，并對醫學影像數據進行預處理。采用人工智能技術，特別是深度學習模型，能夠有效地分析醫學影像設備如磁共振成像和正電子發射計算機斷層掃描產生的圖像數據。這些方法通過綜合運用多種機器學習算法，可以顯著提高對輕度認知障礙（mild cognitive impairment，MCI）與阿爾茨海默病的鑒別能力，以及預測輕度認知障礙向阿爾茨海默病轉化的可能性。經過數據庫驗證，這些模型已經實現了較高的準確度，為早期診斷和干預提供了有力支持[2，9-10]。其次，挖掘影像數據中隱藏的疾病特征信息。其中機器學習算法有助于神經成像解釋的自動化，并有可能減少偏差和改善臨床決策。神經成像數據具有高維度、非線性和數據內的高協方差的特點，特別適合使用深度學習進行分析。由于阿爾茨海默病神經成像倡議（Alzheimer’s Disease Neuroimaging Initiative，ADNI）等大型數據集的可用性，越來越多的機器學習研究已經調查了如何使用神經成像特征來預測認知診斷和癡呆癥的轉化[11]。最后，建立人工智能阿爾茨海默病預測模型，進而對阿爾茨海默病進行診斷，從而減少醫師的閱片時間，幫助影像醫師提升診斷水平。人工智能基于影像數據對阿爾茨海默病的輔助診斷能夠提高影像科醫師的診斷速度與效率，改善阿爾茨海默病患者早期無法及時確診的困境。

1. 2. 2 阿爾茨海默病的病因機制的深度探究

基于人工智能對阿爾茨海默病的病因機制的深度探究主要依托大數據資源。目前阿爾茨海默病被認為是一種多因素疾病，與年齡增長、遺傳因素等危險因素相關，其病因及發病機制的主要觀點是膽堿能假說、淀粉樣蛋白假說。通過人工智能的病因發現方法評估自動診斷模型中不同因素的有效性來檢測阿爾茨海默病的風險因素，機器學習算法在分析遺傳相互作用的分子機制和其復雜的神經網絡方面具有本質優勢[3]。

1. 2. 3 大規模人群阿爾茨海默病疾病篩查研究

將人工智能應用于阿爾茨海默病疾病篩查并非直接根據阿爾茨海默病的典型腦影像征象，而是間接對阿爾茨海默病進行篩查。研究表明，視網膜變薄和血管減少與阿爾茨海默病的發生密切相關，而視網膜又是為數不多的可以利用眼部成像技術輕松獲取和豐富圖像收集的組織之一。人工智能可以與低成本、易于采集和非侵入性特征的網膜成像結合，適用于大規模人群篩查[12]。

1. 3 基于人工智能的阿爾茨海默病影像診斷的優勢

人工智能醫學影像輔助診斷方法，有助于推動阿爾茨海默病疾病機制的研究進程，實現神經影像學解釋的自動化，并有可能減少偏見并改善臨床決策[13]，減少了醫師主觀性的因素影響，更具有前瞻性、準確性，因此人工智能在阿爾茨海默病影像輔助診斷方面，已顯示出了巨大的優勢。隨著大數據的發展，將人工智能應用到醫學影像來診斷出潛在的阿爾茨海默病患者，也可給患者或研究參與者帶來警示，并通過采取預防干預措施，延緩疾病惡化進程。

2 人工智能應用于阿爾茨海默病影像診斷中的倫理挑戰

2. 1 數據安全

根據《中華人民共和國數據安全法》，數據安全是指通過采取必要措施，確保數據處于有效保護和合法利用的狀態，以及具備保障持續安全狀態的能力。按照法律和倫理的基本要求，應該保護患者或研究參與者包括腦影像與腦隱私數據在內的數據安全。但在人工智能應用于阿爾茨海默病影像輔助診斷的過程中會面臨數據安全挑戰。

2. 1. 1 腦影像數據的濫用

近年來，醫療影像數據的泄露問題變得日益嚴峻，如2019年美國網絡安全公司對醫學影像存檔和通信系統（picture archiving and communication system，PACS）服務器安全性的研究表明，互聯網上現在可以免費使用11.9億張機密醫學圖像，包括患者姓名、檢查原因、出生日期等身份詳細信息。人工智能應用于阿爾茨海默病影像輔助診斷中同樣面臨著腦隱私泄露的倫理困境[14]。當人工智能賦能醫學影像輔助醫師診斷疾病的過程中，會涉及受檢者的腦影像信息。如果研究人員未經授權收集和使用個人腦影像數據，并將這些數據用于與原始研究目的不符的其他研究或商業目的，這種數據濫用行為可能會侵犯數據主體的權益。

2. 1. 2 腦隱私數據的泄露

研究人員可能在未經充分考慮的情況下不小心披露了敏感的個人信息，如身份識別信息，這可能導致數據所有者的腦隱私泄露。除卻人為主觀不當使用外，以數據為驅動的機器學習模型、深度學習算法存在被數據攻擊的情況，會造成腦隱私數據的泄露，相關敏感信息（如疾病的神經特征或患精神疾病的簡單統計概率）落入第三方手中[7]。這會造成神經數據的不合理收集，侵犯患者或研究參與者的神經權利，導致神經營銷行為發生，即某些企業為了追逐利益利用患者或研究參與者的腦影像信息，分析出個人的興趣偏好、隱藏疾病信息、性格信息等，給這些阿爾茨海默病患者投放醫藥廣告，產生損害患者或研究參與者的相關利益的風險。如藥企通過神經營銷，可能會使一些僅含淀粉樣斑塊并沒有臨床癥狀的人，盲目使用抗淀粉樣斑塊藥物，帶來諸如腦出血甚至死亡等一系列嚴重后果。一項研究[15]顯示，在治療早期阿爾茨海默病的抗淀粉樣蛋白-β （Aβ） IgG1單克隆抗體的一項試驗中，90.1%的患者和87.1%接受安慰劑的患者中報告了至少一次不良事件。

2. 2 可解釋性

人工智能可解釋性是指人工智能系統的運作過程必須是清晰透明的，其能力和目標應當公開討論，并且人工智能的決策需要盡可能地向直接或間接受影響的人員做出明確解釋[6]35。它是人工智能應用于醫療領域的重要挑戰之一，2021年歐盟制定的人工智能法案中提到，用于醫療的人工智能屬于高風險的人工智能，具有特定特征（例如不透明、復雜性、對數據的依賴性）的人工智能的使用，可能對一些基本權利和用戶安全產生不良影響[16]。可解釋性挑戰在人工智能阿爾茨海默病影像輔助診斷過程中同樣存在。

2. 2. 1 算法的不可解釋性

基于人工智能的影像輔助診斷技術，可基于深度學習方法從醫學影像數據中提取對阿爾茨海默病疾病診斷有意義的復雜信息，如能發現人類識別不了的疾病的隱藏信息，并且對當前醫學影像數據的分析能力，已經達到較高的標準，使得對阿爾茨海默病的診斷可早于傳統的診斷方法。但其中的深度神經網絡DNN算法模型是典型的“黑箱”技術，即我們不知道它提取的具體特征是什么，但是可以將疾病的隱藏特征識別出來，這項技術應用于臨床的困難之處在于缺乏決策邏輯的透明度及可解釋性。盡管一些學者已經開始使用可視化和參數分析手段來闡述人工智能模型及其結果，但這些方法還未能完全滿足臨床對可解釋性影像學標志物的高標準要求[17]。并且因深度學習算法的不可解釋性，這種人工智能輔助診斷方法通常不具備追溯特性。

2. 2. 2 信任危機

在醫療領域，尤其是在疾病關鍵的診斷和治療決策中，透明性和可解釋性的缺乏可能導致醫師和患者對人工智能系統的決策缺乏信任。如上所述，人工智能輔助診斷方法通常不具備追溯特性，包括人工智能應用到醫學影像輔助診斷，這就可能導致人工智能系統在醫學影像診斷中出現錯誤或者診斷結果與其他醫師的意見不一致時，無法追蹤到具體問題源頭，從而引起了關于責任歸屬和診斷證據可信度的擔憂。并且由于人工智能系統的不可解釋性，會產生醫療行為和決策過程的不清晰，從而對出現的差錯無法進行準確的定責。因此，對于前面提到“黑箱”算法模型的輸出結果的不可解釋性、不透明性，如果不能得到解決就應用于臨床實踐當中，會造成影像診斷技術的信任危機與出現醫療失誤時的定責困難。為了確保醫學影像人工智能系統的開發和應用過程中出現的與醫療損害相關的失誤和差錯能夠被有效追蹤和審查，相關機制正在不斷地探索和完善之中。

2. 3 算法偏見

算法偏見是指在人工智能系統的算法設計和應用過程中，由于訓練數據的偏差、算法的固有局限性或人類開發者、設計者的偏見，導致算法在決策時對某些群體不公平或不合理的傾斜[18]。

2. 3. 1 訓練數據代表性不足

深度學習等人工智能算法基于阿爾茨海默病影像數據庫中的共享數據來訓練和驗證算法模型，使得算法模型能夠學習到阿爾茨海默病更全面的特征，以達到高精度的診斷水平[19]。在算法模型的訓練和驗證過程中，會因數據本身存在數據選擇和覆蓋偏倚導致算法偏見，主要表現為訓練數據的代表性不足。目前已知，中國相關數據庫正處于初步建立階段且缺少大樣本、多樣性數據。已具備一定規模的國外阿爾茨海默病影像數據庫，如阿爾茨海默病醫學影像學倡議（ADNI），以及開放獲取系列影像學研究（Open Access Series of Imaging Studies，OASIS）等共享數據庫在阿爾茨海默病臨床、影像、生化生物標志物研究方面發揮著積極作用[7，20]，因此，人工智能阿爾茨海默病影像輔助診斷的研究多基于國際數據庫，如阿爾茨海默病神經影像學倡議等。據一項國際調查[10]，多數研究（71%）依賴于阿爾茨海默病神經影像學倡議數據集，沒有其他單個數據集使用超過五次。不同人群的差異性可能導致人工智能算法泛化能力弱，出現判斷偏差，導致算法模型在實際應用中與開發時表現不一[21]。

2. 3. 2 算法的局限性

算法模型建立過程中也可能由于社會文化因素或研究者個人的主觀認知偏差，在算法設計的目標設定、模型選擇、特征選擇等方面產生算法偏見，如果訓練數據集中多數病例來自某一特定群體，那么算法就可能對這一群體的診斷更為敏感，而對其他群體的診斷準確性則可能降低。在阿爾茨海默病影像診斷中，當帶有偏見和有效性待考量的人工智能影像診斷產品流入市場，產生的假陽性、假陰性結果必然會增加患者誤診、漏診的風險，可能導致患者接受不必要的治療或錯過最佳治療時機，給患者帶來心理、社會、經濟等傷害，同時引起患者對人工智能系統診斷結果可靠性的擔憂。

2. 4 偶然發現的披露

在產生新的神經疾病診斷技術的同時，給醫師、研究人員帶來了一個新的困境：應該如何管理偶然發現。偶然發現（incidental findings， IF）是指在進行研究過程中發現的與個體研究參與者有關的，而與研究目的無關的具有潛在健康重要性的發現[22]。在應用人工智能阿爾茨海默病影像輔助診斷技術過程中，也有可能產生研究目的以外的“偶然發現”。偶然發現的結果也可能會嚴重威脅到患者或研究參與者的生命安全，因此在人工智能阿爾茨海默病影像診斷技術研究過程中，對偶然影像發現的管理也至關重要。

2. 4. 1 偶然發現的準確性

將人工智能阿爾茨海默病影像診斷技術應用于臨床，長遠來看可能會導致放射科醫師在一定程度上依賴于人工智能的診斷技術。若在使用人工智能阿爾茨海默病輔助診斷技術過程中，產生了與診斷阿爾茨海默病的目的不一致的偶然發現，這種偶然發現的判斷取決于放射科醫師或臨床醫師、研究者自身的專業素養。在長期依賴人工智能診斷的背景下，可能會削弱醫師、研究者等自身的專業判斷能力，影響其對人工智能醫學影像輔助診斷系統的錯誤診斷進行客觀判斷，導致對偶然發現的不當判斷以及偶然發現結果的不當解讀。

2. 4. 2 偶然發現的告知

偶然發現在何種程度上需要告知、如何告知患者或研究參與者在臨床實踐中一直備受關注。由于醫學影像檢查過程中的偶然發現的數量眾多，如果全部告知于這些患者或研究參與者，可能會對其造成一定的精神、經濟上的壓力。有研究[23]表明，有認知癥狀的人往往意識不到影像診斷中的偶然發現可能與其認知癥狀無關，給其自身造成心理壓力。甚至如果將進行不當解讀的或者不確定的偶然發現結果告知患者或研究參與者后，也可能會給其帶來精神壓力。但若不告知可能與患者或研究參與者知情權相違背。因此，需明確醫師、研究者是否有將偶然發現告知給患者或研究參與者的道德義務，偶然發現的結果在多大程度上影響患者或研究參與者的生命安全的情況才予以告知，或是否應該在研究之前將偶然發現結果是否返還的決定權交給研究參與者，出于維護患者或研究參與者最佳利益考量，也應明確與研究目的無關的偶然發現臨床醫師是否也應該配合研究人員對研究參與者的健康情況進行解釋說明。故在向患者或研究參與者披露偶然發現時，需要確保醫師、研究人員有足夠的臨床知識能力，或者與相關臨床醫師合作，才能將其偶然發現更加正確、有利于患者或研究參與者的方式讓其知曉。

3 人工智能在阿爾茨海默病影像診斷中倫理挑戰的應對

3. 1 提高安全性

大量高質量的腦影像數據對人工智能阿爾茨海默病影像輔助診斷研究至關重要。因此，須在應用人工智能醫學影像技術探究和診斷阿爾茨海默病的同時，遵守相應的倫理原則與規范，注意保護患者隱私和維護醫療數據安全。在人工智能應用于阿爾茨海默病影像診斷臨床應用過程中，應從人工智能開發、研究及應用人員等多方面采取措施，提高人工智能在阿爾茨海默病影像診斷中的安全性。

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設計開發的過程中，人工智能算法模型的開發者應始終以解決臨床問題、增進公眾健康福祉為目標。同時，應具備解決倫理問題的意識與能力，例如采用價值設計/價值嵌入等方式，將倫理道德融入算法模型[6]124。在研究過程中，研究者應對影像數據進行去標識化脫敏處理，采用先進的加密技術和匿名化處理，保證影像數據在流通使用過程的保密性；提高算法的泛化能力，避免數據過擬合現象的發生，以保護患者或研究參與者的腦隱私，確保在數據庫中存儲和傳輸的數據不會泄露患者的個人信息[16]。

3. 1. 2 制定影像數據安全性保護措施

醫師、研究者應增強對患者或研究參與者隱私保護的意識和責任感，確保其影像數據被合理合規使用，并如實將影像數據的存儲、使用及保密措施告知患者或研究參與者。同時，患者或研究參與者本身也應提高對隱私保護的自覺性。在參與臨床研究之前，研究參與者應仔細閱讀并充分理解知情同意書中關于隱私保護的條款，例如數據將如何被使用、存儲以及采取的保密措施等。

3. 1. 3 加強網絡安全措施

面對數據容易被攻擊的問題，開發者應該定期對系統進行安全評估和升級，以防止黑客攻擊或數據泄露事件的發生。并制定網絡安全事件響應計劃，當發生數據安全事件時，開發者、醫療機構應采取相應補救措施，盡可能減少數據泄露損失。

3. 2 增強人工智能的可解釋性

為了確保醫學影像人工智能系統的開發和應用過程中出現的與醫療損害相關的失誤和差錯能夠被有效追蹤和審查，相關機制正在不斷地探索和完善之中。而增強人工智能應用于臨床的可解釋性是確保其安全、可靠和廣泛接受的關鍵。

3. 2. 1 建立可解釋的人工智能

可解釋性人工智能（explainable artificial intelligence，XAI）阿爾茨海默病分類診斷的應用已有前例，倫敦帝國理工學院研究團隊提出了一種數據驅動的框架，可解釋的形狀分析深度學習模型，使健康對照人群與阿爾茨海默病患者的分類任務可視化[24]。這種可解釋性模型的應用，可使人工智能計算機輔助診斷技術更加可信、透明，也是現今發展人工智能醫學影像技術的方向。

3. 2. 2 制定行業標準

人工智能在阿爾茨海默病影像診斷中，應對從研究、設計、生產到應用等的各環節制定嚴格的行業標準及道德行為準則。當該技術出現故障使診斷結果不準確給患者帶來身心傷害時，其原因應當是可以查明的，同時應明確道德責任主體，健全相關法律法規。在醫學影像輔助診斷阿爾茨海默病產品應用于臨床實踐之前，要把其假陽性、假陰性率控制在合理的范圍，確定并完善阿爾茨海默病人工智能醫學影像輔助診斷的金標準，推動人工智能系統的可解釋性、透明性，并對放射科醫師及相關研究人員進行持續的人工智能技術培訓，幫助其更好地理解和使用人工智能這一新的醫療輔助工具。

3. 3 推動數據庫的標準化、完整性建設

在阿爾茨海默病影像數據庫開發與建設中，人工智能發揮著重要作用。通過不同方式加強人工智能算法推動數據庫的高質量開發與建設。

3. 3. 1 發揮政策引導性

為減少人工智能設計與應用過程中產生的算法偏見，推動人工智能醫學影像輔助診斷技術的持續發展，政府應該發揮政策引導性作用，通過資助數據庫建設、健全數據共享的法律法規等政策，推動大樣本、標準化、多樣性、高標準數據庫的建設。

3. 3. 2 擴大訓練數據的代表性

在開發人工智能用于阿爾茨海默病影像診斷階段，應收集來自不同性別、年齡、種族、社會經濟背景的患者數據。使用多樣化的人群數據可以減少模型對特定群體的偏見。在建立數據庫時，數據庫建設者應進行數據清洗。在數據預處理階段，移除可能含有偏見的信息，例如排除由不公正醫療實踐產生的數據。也可使用AI Fairness 360工具包等為模型提供可訪問的公平性指標和隨附的解釋，以幫助減輕偏見[25]。

3. 3. 3 確保模型的適用性與公平性

人工智能算法開發研究人員應與醫學專家緊密合作，在模型設計和驗證階段引入醫學專業知識的指導，確保模型的臨床適用性和公平性。在模型部署后，研究人員應持續監控其性能，特別是對不同群體的表現，根據反饋進行迭代優化。數據共享與開放獲取的需求之間應做好平衡，保護研究參與者/患者隱私的同時，促進研究人員和醫療工作者能夠利用這些數據進行疾病研究和治療方法的創新。

3. 4 促進人工智能應用于影像診斷的倫理監管

在人工智能快速發展背景下，應進一步促進人工智能應用于影像診斷的倫理監管，規范人工智能應用于阿爾茨海默病影像診斷過程中偶然發現的處理。

3. 4. 1 規范相關倫理要求

相關學協會可制定針對阿爾茨海默病認知障礙的患者的較為詳細的代理決策條件、規范醫師告知其偶然發現的倫理要求等。在人工智能影像輔助診斷臨床研究倫理審查時，倫理委員會應根據《新一代人工智能倫理規范》《智能化臨床研究專家共識》[26]等，重點審查算法偏見、數據安全等方面，保護研究參與者權益。

3. 4. 2 加強人工智能倫理培訓

醫院應對研究者、放射科醫師等人員加強人工智能及其倫理培訓，全面了解該技術的功能特性、局限性，詳細評估偶然發現疾病的病變風險，判斷是否要進一步進行診療及如何將偶然發現的結果進行正確的告知，以提高人工智能阿爾茨海默病影像輔助診斷研究人員、影像醫師整體的專業技能水平與職業素養，確保人工智能在阿爾茨海默病影像診斷領域的健康發展，以期將來能通過安全有效的人工智能阿爾茨海默病影像診斷技術，造福于（潛在）阿爾茨海默病患者。

4 結語

人工智能在醫療健康領域的運用是多維度的，其在診斷領域的潛力尤其廣闊。通過深度學習等人工智能方法可以高效地識別和分析神經影像數據，為阿爾茨海默病的早期診斷和治療提供了有力支持。但作為一項變革性的新興技術，人工智能在阿爾茨海默病影像診斷臨床研究及應用中所帶來的倫理挑戰，除卻人工智能技術本身的發展與完善外，還可與數據倫理、人工智能倫理等相融合展開應對之策的倫理考量，確保人工智能在阿爾茨海默病影像診斷臨床研究及應用中遵守相應倫理規范，維護患者或研究參與者的健康利益，也促進人工智能在神經影像診斷領域更加廣泛與深入的應用。

〔參考文獻〕

[1]趙斌，蔡志友.阿爾茨海默病[M].北京：科學出版社，2015.

[2]Alzheimer’ Disease International. World Al？ zheimer Report 2023 [EB/OL]. （2023-09-21）[2023-10-13].https：//www.alzint.org/u/WorldAlzheimer-Report-2023.pdf.

[3]ZHAO Q， XU H， LI J， et al. The application of artificial intelligence in Alzheimer’s research[J]. Tsinghua Science and Technology， 2024， 29（1）：13-33.

[4]RASMUSSE J， LANGERMAN H. Alzheimer’s disease-why we need early diagnosis[J]. Degen？ erative Neurological and Neuromuscular Dis？ ease， 2019： 123-130.

[5]FAZAL M I，PATEL M E，TYE J，et al. The past，present and future role of artificial intelli？ gence in imaging[J]. European Journal of Radiol？ ogy，2018，105：246-250.

[6]王國豫，王延峰，田梅.人工智能醫學影像倫理手冊[M].上海：上海三聯書店，2023.

[7]SHANMUGAVADIVEL K，SATHISHKUMAR V E， CHO J， et al. Advancements in computerassisted diagnosis of Alzheimer’s disease： a com？ prehensive survey of neuroimaging methods and AI techniques for early detection[J]. Ageing Re？ search Reviews， 2023， 91： 102072.

[8]ZHANG W， LI Y， REN W， et al. Artificial in？ telligence technology in Alzheimer’s disease re？ search[J]. Intractable and Rare Diseases Research，2023， 12（4）： 208-212.

[9]IENCA M， IGNATIADIS K. Artificial intelli？ gence in clinical neuroscience： methodological and ethical challenges[J]. AJOB Neuroscience，2020， 11（2）： 77-87.

[10]JO T， NHO K， RISACHER S L， et al. Deep learning detection of informative features in tau PET for Alzheimer’s disease classification[J]. BMC Bioinformatics， 2020， 21：1-13.

[11]BORCHERT R J， AZEVEDO T， BADHWAR A P， et al. Artificial intelligence for diagnostic and prognostic neuroimaging in dementia： a sys？ tematic review[J]. Alzheimer’s and Dementia，2023， 19（12）： 5885-5904.

[12]NG W Y， CHEUNG C Y， MILEA D， et al. Ar？ tificial intelligence and machine learning for Al？ zheimer’s disease： let’s not forget about the retina[J]. British Journal of Ophthalmology，2021， 105（5）： 593-594.

[13]NIElSEN A N， BARCH D M， PETERSEN S E， et al. Machine learning with neuroimaging：evaluating its applications in psychiatry[J]. Bio？ logical Psychiatry： Cognitive Neuroscience and Neuroimaging， 2020， 5（8）： 791-798.

[14]GREENBONE.Information security report[EB/ OL].（2019-11-18） [2023-12-30]. https：//www. greenbone. net/wp-content/uploads/Greenbone_Se？ curity_Report_Unprotected_Patient_Data_a_Review. pdf.

[15]BATEMAN R J， SMITH J， DONOHUE M C， et al. Two phase 3 trials of gantenerumab in early Alzheimer’s disease[J]. New England Jour？ nal of Medicine， 2023， 389（20）： 1862-1876.

[16]MADIEGA T. Artificial intelligence act[J]. Eu？ ropean Parliament： European Parliamentary Re？ search Service， 2021.

[17]王麗會，秦永彬.深度學習在醫學影像中的研究進展及發展趨勢[J].大數據，2020，6（6）：83-104. WANG L H，QIN Y B. State of the art and fu？ ture perspectives of the applications of deep learn？ ing in the medical image analysis[J]. Big Data Research， 2020， 6（6）： 83-104.

[18]劉士遠.中國醫學影像人工智能發展報告（2021-2022）[M].北京：人民衛生出版社，2023：226.

[19]RANSCHAERT E R， MOROZOV S， ALGRA P R.Artificial intelligence in medical imaging： op？ portunities， applications and risks[M]. Cham，Switzerland： Springer， 2019：19-31.

[20]ABERATHNE I， KULASIRI D， SAMARASINGHE S. Detection of Alzheimer’s disease onset using MRI and PET neuroimaging： longitudinal data analysis and machine learning[J]. Neural Regen？ eration Research， 2023， 18（10）： 2134-2140.

[21]鄭欣雅，黃運有，張奕婷，等.醫學人工智能標準體系：歷史與現狀[J].協和醫學雜志，2023，14（6）：1135-1141. ZHENG X Y， HUANG Y Y，ZHANG Y T， et al. Medical artificial intelligence standard system：history and current status[J]. Medical Journal of Peking Union Medical College Hospital， 2023，14（6）： 1135-1141.

[22]RANGEL E K. The management of incidental findings in neuro-imaging research： framework and recommendations[J]. Journal of Law， Medi？ cine and Ethics， 2010， 38（1）： 117-126.

[23]GLASMACHER S A， BROWN F S， STIRLAND L， et al. Understanding the risk of incidental find？ ings： a qualitative study of people with cognitive symptoms[J]. Journal of the Neurological Sci？ ences， 2020， 419： 117203.

[24]BIFFI C， CERROLAZA J J， TARRONI G， et al. Explainable anatomical shape analysis through deep hierarchical generative models[J]. IEEE Transactions on Medical Imaging， 2020， 39（6）：2088-2099.

[25]BELLAMY R K E， DEY K， HIND M， et al. AI Fairness 360： an extensible toolkit for detect？ ing and mitigating algorithmic bias[J]. IBM Journal of Research and Development， 2019， 63（4/5）：15.

[26]《智能化臨床研究專家共識》編寫專家組，上海市藥學會藥物臨床研究專業委員會.智能化臨床研究專家共識[J].中國新藥與臨床雜志，2020，39（6）：321-328.