人工智能(AI)是一个旨在创造能够实现类似人类理解并执行通常与人类智能相关的任务的计算机的领域，它在医疗保健和公共卫生领域的应用越来越多。 1， 2］．机器学习(ML)是人工智能的一种形式，它涉及利用大数据的算法——数据集的规模超出了标准数据分析软件的能力 学习作预测[ 3.］．肿瘤学一直是人工智能研究和开发的重点，是观察和评估人工智能在医疗保健中的早期整合的重要领域[ 4］．人工智能在肿瘤学中的应用正在扩大，涵盖了广泛的用途，从病理学和诊断成像到几种癌症的临床风险预测和治疗计划[ 5- 7］．

尽管人工智能有其前景，但在医疗保健领域的使用引发了几个道德问题，最引人注目的是对偏见的担忧，以及人工智能系统对卫生公平产生负面影响的可能性。卫生公平被定义为"具有不同程度潜在社会优势/劣势的群体之间在健康方面不存在系统性差异" [ 8］．研究已经证明，在训练ML算法时使用有偏见的数据集会加剧健康不平等[ 9- 11］．例如，Obermeyer等人[ 11]揭示了一个被训练来预测健康风险的ML算法是如何一直低估黑人患者的健康状况的，因为它使用医疗成本作为健康状况的替代品。然而，其他人认为，人工智能系统可以帮助阐明卫生不公平现象，如果使用得当，可能有助于解决现有的不平等问题[ 12- 15];例如，人工智能已被用于分析来自54个非洲国家的搜索引擎结果，以指导资源分配和改善医疗服务的可及性[ 15］．难怪Wellcome Trust最近发布的一份关于人工智能在医疗保健领域的道德、社会和政治挑战的报告，无法就人工智能对卫生公平的影响达成明确的共识[ 16］．此外，尽管癌症是人工智能研发的主要重点，但人工智能对肿瘤学卫生公平性的影响仍未得到充分探讨。越来越多的文献描述了肿瘤学中健康差异的问题，从获得高质量护理和研究的问题到健康促进方面的结构性障碍，以及对现有健康不平等缺乏认识[ 17］．鉴于人工智能在肿瘤学中的应用日益广泛，迫切需要评估人工智能技术与肿瘤学卫生公平之间的相互作用，以更好地理解围绕人工智能整合的社会和伦理层面。

本文对文献的范围进行了综述，旨在解决以下问题:“人工智能应用对肿瘤学健康公平的当前和潜在影响是什么?”我们分析了当代人工智能在肿瘤学中的应用文献，重点关注对卫生公平的影响，以确定反复出现的主题以及未来研究的重要差距和领域。

我们的范围审查方案遵循先前建立的方法[ 18]根据PRISMA-ScR(范围审查的系统审查和元分析扩展的首选报告项目)框架进行报告[ 19］．

我们使用了一种敏感的搜索策略，以确定关于人工智能对肿瘤学健康公平影响的现有文献的代表性样本。基于包含受控词汇表的同义搜索的组合，例如MEDLINE中的医学主题标题或Embase中的EMTree描述符，以及使用替代单词拼写和结尾的自由文本术语的3个核心概念: 算法、机器学习、人工智能、深度学习和卷积神经网络)、权益( 健康平等、健康不平等、健康差异和社会经济因素)及肿瘤学( 肿瘤，癌症，鳞状和化生)，这为临床图书馆员(AI)开发的全面搜索策略提供了信息，AI具有根据综述作者(PI、ALL和BCY)的建议进行电子文献搜索的经验。我们从2000年1月到2021年8月通过OVID平台搜索了这两个数据库(MEDLINE和Embase)，并于2020年12月4日进行了初步搜索。详细描述了我们的搜索策略 多媒体附件1．

此外，使用基于网络的搜索引擎谷歌Scholar来识别未在书目数据库中索引的其他潜在相关研究。所有相关检索文章的书目也被检查，以确定进一步的相关研究。为了获取关于肿瘤学中人工智能和健康公平的文献的广度，我们没有基于研究类型施加限制，而是包括了临床研究——即应用人工智能并评估特定临床干预的研究，无论是诊断、预后、筛查还是治疗计划——评论和意见文章。对只使用英语的文章进行了限制，因为这是研究团队熟练使用的主要语言，因此可以对所选文章进行详细和严格的审查。从电子搜索中识别的所有记录都导入到Covidence系统审查软件(Veritas Health Innovation)中进行进一步分析和筛选。

在重复的记录被删除后，2名审稿人(PI和WSL)使用纳入和排除标准独立筛选所选记录的标题和摘要，这些标准是先验定义的:在标题和摘要筛选期间，如果这些记录提到了核心概念(人工智能、健康公平和肿瘤学)或相关术语，则会被选择。不符合纳入标准或涉及非人类参与者的摘要被排除在外。所有冲突都由第三个审查员(BCY)解决。然后由所有3位审稿人(PI、WSL和BCY)在全文评审中重新评估所选摘要列表，以确定与研究问题相关的记录。产生一致意见的记录被选择进行全文审查，而那些没有涉及3个关键概念的记录被排除在外。通过所有3名审稿人的讨论解决了冲突。所有3位作者都进行了进一步的全文审查，进一步应用了资格标准。

数据提取和分析包括描述性和定性成分。描述性地，我们提取了关于发表年份、高级作者所属国家、高级作者所属机构类型、研究类型、人工智能类型、癌症类型以及在可用时提出的技术成本的数据。资深作者所属的国家根据最新的联合国分类分为高收入、低收入和中等收入[ 20.］．定性地，我们分析了与肿瘤学健康公平、内在假设和文献空白相关的新兴主题的文章。专题分析遵循Braun和Clarke概述的步骤，这些步骤已广泛应用于定性研究的范围审查，包括在医疗保健领域[ 21]，以便就某一研究范畴编制一份全面的专题报告[ 22］．这个过程包括熟悉包含文章的数据集、生成初始代码、将代码整理为临时主题、审查与初始代码相关的主题以及整个数据集，然后定义和命名每个主题，以生成数据的全面表示。数据熟悉和初始编码的步骤由3名审稿人(PI、WSL和BCY)独立执行;通过研究共同作者之间的讨论来完成整理、回顾主题、定义和命名的步骤。对3个关键概念涉及不足的文章，即提到了偏见或公平问题，但没有详细说明人工智能产生的具体问题的文章，或在核心概念之间联系不足的文章，即提到了所有3个核心概念，但没有进一步探讨它们之间的关系的文章，将被排除在外。

我们的搜索得到了14,011条记录。剔除重复文献后，共筛选10,468篇文献，其中133篇符合纳入标准[ 4， 23- 154) ( 图1)．我们回顾的所有记录都出版于2010年至2021年之间，其中大多数(124/133,93.2%)出版于2018年之后( 表1)．尽管根据资深作者的隶属关系，在我们的综述中代表了一系列国家( 图2)，以美国居多(90/133,67.7%)。大多数来自学术中心(121/133,90.9%)，少数来自政府、非营利组织和行业( 表1)．大约一半的记录涉及临床研究(68/133,51.1%)，而其余的是流行病学研究、评论、调查和访谈。大多数记录利用ML技术来解决他们的研究问题:12.8%(17/133)的记录一般讨论了人工智能;30.8%(41/133)的记录没有指定使用的ML类型或使用多种ML算法;47.4%(63/133)使用监督ML算法;还有一个更小的子集(4/133,3%;6/133, 4.5%;和2/133,1.5%)分别使用无监督ML、自然语言处理和强化ML。人工智能应用范围广泛，通常是多种应用的组合，包括流行病学(28/133,21.1%)、诊断(25/133,18.8%)、预后(25/133,18.8%)和筛查(25/133,18.8%; 表1)．

我们综述的研究调查了广泛的癌症，主要是普通肿瘤应用(28/ 133,21.1%)，其次是妇科(19/ 133,14.3%)、乳腺癌(16/ 133,12%)、口腔癌(12/ 133,9%)、前列腺癌(12/ 133,9%)和皮肤科癌症(12/ 133,9%)。在关于妇科癌症的文章中，84%(16/19)属于主题1，讨论了使用人工智能技术来解决妇科癌症筛查中的差异(11/ 16,70 %)[ 23， 84- 93]，诊断(4/ 16,25%)[ 94- 97]，治疗(1/ 16,6%)[ 98］．在这16篇文章中，15篇(94%)开发了人工智能技术，以针对低收入和中等收入国家(LMICs)的妇科癌症差异[ 84- 98]，而高收入国家(HICs)的实施情况为1个(6%)[ 23］．其他3篇(n= 19,16%)文章属于主题3，讨论使用人工智能探索遗传(1/ 3,33%)[ 99]和妇科癌症健康结局的社会决定因素(2/3,67%)[ One hundred.， 101］．此外，这些文章大多为临床研究(14/ 19,74%)[ 84- 89， 93- 95， 97- 101]， 16%(3/19)为评论[ 23， 90， 91]， 5%(1/19)为流行病学研究[ 96]， 5%(1/19)为综述[ 92］．

检查乳腺癌的文章讨论了与卫生公平有关的更广泛的主题。在16篇文章中，6篇(38%)集中于主题1 [ 24， 102- 106]，所有6个项目都在研究人工智能在中低收入国家的应用。在16篇文章中，2篇(13%)属于主题2:一篇讨论了使用人工智能来减轻偏见[ 107]，而另一个则提出了人工智能如何加剧和减轻乳腺癌诊断中的偏见的问题[ 108］．在16篇文章中，7篇(44%)属于主题3,6篇(86%)研究了社会决定因素之间的联系[ 109- 114和1(14%)研究健康的遗传决定因素与乳腺癌之间的联系[ 115］．在16篇文章中，有1篇(6%)属于多个主题[ 116］．除了涉及的主题比妇科癌症更广泛之外，检查乳腺癌的文章也更多样化:44%(7/16)是临床研究[ 24， 102， 103， 110， 112- 114]， 25%(4/16)为流行病学研究[ 104， 109， 111， 115]， 25%(4/16)为评论[ 106- 108， 116]， 6%(1/16)为评论[ 105］．

我们确定了与人工智能对肿瘤学健康公平影响相关的三个主要主题:(1)发展人工智能技术以减少中低收入国家和高收入国家人口面临的健康差距;(2)担心有偏见的人工智能算法可能会加剧健康不平等，而希望人工智能技术可能有助于克服人类偏见;(3)人工智能在揭示肿瘤学健康的生物学和社会决定因素方面的力量。主题在适用时进一步细分为子主题。按主题分类的文章的完整列表可以在 多媒体附录2- 5．

在这篇综述中，我们评估了关于人工智能对肿瘤学健康公平影响的文献。在我们的搜索中，我们确定了14,011条记录，其中133条(0.95%)基本上涉及人工智能、卫生公平和肿瘤学的核心概念。我们的文献综述揭示了人工智能技术如何(1)帮助解决健康差异，(2)减轻或加剧有偏见的决策，(3)阐明癌症结果的生物学和社会决定因素的三个主要主题。这些主题涉及肿瘤学和医疗保健领域人工智能和卫生公平文献中讨论的几个问题。

我们在综述中指出的第一个主题是人工智能技术如何帮助解决中低收入国家和高收入国家的健康差距。先前研究人工智能在全球肿瘤学中的应用的学术研究揭示了文献中讨论过的许多实际和伦理挑战[ 171］．“数字鸿沟”的存在经常被认为是在全球卫生领域实施人工智能技术的一个关键障碍，指的是使用人工智能技术所需的计算能力、技术基础设施和数据存储等数字技术的不公平分配[ 171］．如果不优先考虑对基本基础设施的投资，例如运行人工智能程序的适当硬件、可以容纳这种硬件的建筑物和传输数字信号的电缆，这些技术在全球卫生背景下的效用应该受到质疑[ 172， 173］．在我们的综述中发现的一些文章涉及了这些表达的担忧，一些研究人员在创建技术时考虑到了特定中低收入国家的基础设施能力，而另一些研究人员则强调需要额外的基础设施来支持他们开发的技术[ 87， 102， 129， 130， 148］．

文献中讨论的人工智能技术在低收入和中等收入国家实施的另一个障碍是，主要在低收入和中等收入国家设计但应用于低收入和中等收入国家的算法缺乏通用性[ 170］．正如一些研究人员所观察到的那样，在hic中用于训练AI算法的数据“因缺乏多样性而臭名昭著，甚至在其本国也有人对其适用性提出了担忧”[ 172］．这些数据往往倾向于培训和开发人工智能技术的国家的人口、疾病和治疗，从而降低了它们对中低收入国家人口的普适性。我们综述中的文章讨论了这一问题，表达了对高收入国家开发的人工智能算法适用于低收入国家的担忧[ 108， 110， 134， 143， 149- 151］．

我们的审查还侧重于解决人工智能技术在全球卫生背景下的整合所带来的挑战，这些挑战在文献的其他地方已经提出，其中最主要的是高收入国家和中低收入国家在人工智能技术开发方面加强合作[ 171- 173］．在没有与它们打算服务的人群进行适当协商的情况下开发的人工智能技术可能非常不适用、不切实际和不道德。例如，由纪念斯隆凯特琳癌症中心的数据和专家训练的人工智能决策支持系统沃森(Watson For Oncology)产生的治疗模式可能不适用于许多低收入和中等收入国家[ 173］．在之前调查这一问题的研究中，一些研究人员主张人工智能技术的共同设计，这需要最终用户——特别是边缘群体——参与人工智能研究和开发，以确保这些技术的利益公平分配[ 159， 174］．

为了改善全球卫生研究的合作，其他人提议，发表在中低收入国家进行的研究的期刊有责任确保参与研究的至少一名作者来自有关国家[ 175］．我们观察到，在我们的综述中纳入的低收入和中等收入国家进行的大多数研究都达到了这一标准(27/ 31,87%)。然而，需要采取进一步措施，确保与低收入和中等收入国家的调查人员和利益攸关方进行有意义的合作，而不仅仅是简单地纳入作者身份，这可能会助长象征性行为。如前所述，这在专注于解决肿瘤学领域全球卫生不平等的人工智能研发中尤其重要，这需要在选定的合作伙伴地点之外吸引更多的利益相关者，以确保在所有人群中公平分配利益[ 130， 175］．我们的审查发现的这一缺陷反映了人工智能研究在确定优先事项和确保研究机会和资源公平分配方面普遍缺乏全球协调，这对于防止人工智能研究使现有的全球卫生不平等长期存在至关重要。

最后，必须在全球推广现有诊断和治疗技术与发展促进全球健康的新技术之间取得平衡。我们的综述揭示了人工智能在全球肿瘤学中的试点研究特别普遍。虽然试点研究可以提供一个重要的起点，但如果没有随后进行强有力的评估来衡量这些技术的临床效果，那么这种情况只发生在少数病例中[ 176]，这些应用仍将是解决全球癌症治疗健康差异的无效手段。此外，有人指出，在中低收入和中等收入国家发生的大多数癌症死亡是由于无法获得现有的具有成本效益的诊断和治疗战略，而不是最新的尖端技术[ 177， 178］．对全球肿瘤学新技术的探索性研究可能会降低开发具有成本效益的方法来传播癌症护理中的现有循证技术的必要性。

我们在综述中注意到的第二个主要主题是在临床决策中使用有偏见的人工智能算法，这可能会影响决策的质量和准确性，从而导致患者的不良健康结果[ 179］．我们在综述中确定的一个主题是使用人工智能算法来标准化和减少肿瘤学临床决策中的偏见。一个引人注目的例子是肿瘤学沃森(Watson for Oncology)，这是一种人工智能决策支持系统，被提出作为标准化临床决策的方法。Watson for Oncology使用自然语言处理，根据最新的科学文献提供肿瘤学治疗建议。一些研究表明，沃森肿瘤治疗计划与多学科肿瘤委员会的建议高度一致[ 180- 182］．此前对该技术的批评指出了使用一致性来评估人工智能技术能力的问题，例如肿瘤学沃森，因为它只是评估其再现特定专家知识的能力，而没有评估在不同背景下应用这些知识的有效性[ 183， 184］．治疗建议是基于当前的文献，而不是人工智能系统产生的新发现，在自动化过程中，数据集中预先存在的偏见将会加剧，而不是减轻。正如Murphy等人[ 185]注意到，对于人工智能算法中嵌入隐性偏见的担忧已被广泛表达。作者指出，内隐偏见往往反映了先前存在的社会价值观，这可能加剧边缘化人群已经存在的健康不平等。此外，关于Watson for Oncology如何整合来自异质来源的数据以达成决策缺乏透明度的担忧，包括在不同的肿瘤学指南中发现的隐含价值判断的影响，需要进一步关注，特别是这可能如何影响Watson for Oncology在不同全球背景下的应用及其对卫生公平的影响。

尽管这些问题很紧迫，但在我们的搜索中，关于有偏见的AI算法的研究却很少，这令人惊讶。在我们的研究中发现的许多人工智能应用程序都接受了从单个机构选择数据集的训练，这产生了很高的偏差风险，这应该是一个紧迫的问题，因为算法偏差可能会加剧健康不平等[ 140， 186］．产生偏差的一个突出原因是缺乏对算法开发和随后部署的不同上下文的考虑。对这些担忧感到厌倦的学者们认为，一个可推广的人工智能模型应该从反映该模型将应用于的患者多样性的数据中开发出来，然而“大多数卫生组织缺乏收集优化训练这些算法所需数据所需的数据基础设施”[ 186， 187］．当这些算法在大多数群体上训练时检测到的模式，在应用于少数群体时，可能会导致准确性下降[ 188］．例如，大多数用于诊断黑色素瘤的人工智能算法都是在白皮肤个体上训练的，因此在诊断有色人种的病变时可能表现不佳[ 189］．潘奇等[ 186]注意到这些上下文问题的解决方案包括建立将使用算法的适当上下文。我们的文献综述确定了一些建议的解决方案，例如应用迁移学习来改善数据稀疏人群的结果;根据种族和民族对群体进行分层，以减轻偏见;临床医生、工程师、社会科学家和伦理学家之间需要多学科合作，以帮助人工智能算法的上下文设计和开发，以减轻偏见[ 108， 135， 138， 190］．

我们在综述中确定的最后一个主题是使用人工智能来检查肿瘤学健康结果的决定因素。健康的社会决定因素，如教育、社区、社会社区和社会经济地位影响肿瘤学的健康结果[ 191]，这些变量之间复杂的相互作用表明了人工智能应用的潜在领域。我们综述中的几项研究应用人工智能来分析大量数据，以帮助阐明癌症结果的社会决定因素。确定健康的社会决定因素有助于支持更全面的战略，以改善服务不足人群的健康公平[ 192］．

然而，正如几位研究人员在比较使用人工智能与传统统计方法来分析大量数据时所指出的那样，在调查健康的社会决定因素方面，前者比后者有什么好处并不总是清楚[ 145］．一项系统综述比较了逻辑回归和ML在临床预测模型中的表现，发现没有证据表明ML的表现优于逻辑回归[ 193］．此外，传统的统计模型往往比复杂的多层ML模型更容易解释。在人工智能文献中，准确性和透明度之间的权衡已经被广泛讨论[ 194， 195]，在决定一个给定研究问题的分析方法时，应该考虑。在临床和流行病学肿瘤学研究中使用ML模型的适当和充分的理由是必要的。

文献中也提出了关于使用人工智能分析大量医疗数据的伦理问题。在建立医疗ML的研究伦理框架时，McCraden等人[ 196， 197注意到人工智能如何影响医疗保健研究的两个阶段:假设生成和假设检验。人工智能研究侧重于假设生成，将计算技术应用于大型数据集，以探索具有潜在临床适用性的模型[ 197］．这类探索性研究引发了重要的伦理问题，例如数据隐私的保护，以及随时获取数据与知情同意要求之间的紧张关系[ 197］．我们在这一主题下综述的大多数文章都适合假设生成阶段，并使用人工智能对肿瘤学健康结果的决定因素进行探索性研究。在我们的审查中，关于数据隐私的道德问题与使随时可以访问数据的需求的讨论很少，尽管这些考虑在关于健康的社会决定因素的探索性人工智能研究中很重要，这往往需要大量的个人健康信息和其他敏感数据。此外，正如人工智能公平倡导者先前强调的那样，探索性人工智能研究还需要道德承诺，以确保具有代表性的数据集，包括少数群体和“数据匮乏”群体，以避免有偏见和误导性的发现[ 198］．我们的综述中很少有文章涉及这些伦理问题[ 91， 128， 199- 201］．

最后，需要指出的是，在医疗保健研究中使用人工智能有助于分析定量和分类数据，限制了其理解和解释许多社会和健康相关现象的能力。在人工智能算法中使用种族和其他有争议的社会类别，往往依赖于第三方分类，这可能会造成误解[ 202］．因此，尽管人工智能可能为肿瘤健康的社会决定因素提供见解，但此类工具并不能消除癌症研究中对其他方法的需求，包括定性方法。

我们的研究有几个局限性。首先，人工智能在肿瘤学中的应用是一个快速发展的领域，因此，我们在范围审查中确定的主题和差距必然是临时的。为了帮助缓解这一问题，我们在最初的搜索9个月后进行了二次搜索，产生了额外的949篇摘要，其中21篇(2.2%)符合纳入标准。尽管进化如此之快，但我们的研究结果为人工智能对肿瘤学健康公平影响的文献现状提供了深入的见解，也可能为人工智能技术在医疗保健领域的早期整合提供了一个更广泛的视角。其次，我们将搜索战略集中在肿瘤学和当代癌症研究领域;虽然强调的主题和差距可能说明了在整个卫生保健中整合新技术所产生的更普遍的卫生公平问题，但可能还有与我们的审查未涵盖的其他卫生保健领域有关的其他主题。最后，我们的搜索仅限于用英语书写的记录;我们无法收录以其他语言发表的文章，这可能会使我们的发现偏向于在英语世界进行的研究和主题;进一步的工作可能会涉及一个多语言研究团队，以阐明非英语研究文献中的主题。

总之，我们进行了范围综述，以描述和评估关于人工智能对肿瘤学健康公平影响的文献。我们的分析确定了3个一般性主题，涉及人工智能如何用于解决健康差异，人工智能算法如何减轻或加剧偏见，以及人工智能如何帮助调查健康的社会决定因素。我们的综述还确定了几个空白和需要进一步研究的领域。其中包括促进高收入国家和中低收入国家在人工智能技术设计方面加强合作，确保培训数据集中的代表性，考虑算法开发和应用的背景以减轻偏见，并认识到使用人工智能调查癌症结果的决定因素所产生的伦理和方法问题。随着人工智能在肿瘤学中的应用不断扩大，对这些问题的关注对于防止伤害和确保这些技术的潜在利益的公平分配至关重要。