综述：评估放射学领域中人工智能的环境可持续性：对当前实践的系统性回顾

《BMJ Digital Health & AI》：Evaluating the environmental sustainability of AI in radiology: a systematic review of current practice

人工智能环境可持续性评估研究显示，在放射学领域仅有6篇文献定量分析算法碳足迹和能耗，平均降低8倍碳排放和3倍能耗，但均未与标准治疗对比。15篇文献定性提及环境议题，但83%仅用一句话带过。建议政策制定者推动AI医疗评估纳入环境指标，研究者需建立标准化测算框架。

　　
该研究系统梳理了人工智能（AI）技术在放射学临床路径中的应用及其环境可持续性评估现状，揭示了当前AI医疗评估中存在的显著空白。研究基于2015-2024年间发表的4450篇文献，最终纳入18项符合标准的定量或定性研究，发现AI技术在放射学领域的环境效益评估存在严重不足，并提出了改进方向。

一、研究背景与核心问题
当前医疗AI发展呈现"技术突飞猛进与环境评估滞后"的失衡状态。尽管全球AI能耗预计2026年将超过比利时全国用电量，且数据中心建设涉及大量水资源消耗和电子垃圾，但放射学界对AI技术碳足迹和能源消耗的关注仍处于起步阶段。研究团队通过PRISMA标准流程，聚焦于临床放射学场景中AI环境影响的评估方法，特别关注算法设计、临床应用和评估框架三个维度。

二、方法学创新与实施
研究采用SWiM（系统综述无元分析）方法，突破传统Meta分析框架限制，通过三阶段筛选机制（标题/摘要初筛、全文复筛、参考文献补充筛选），确保纳入研究的代表性和时效性。在数据提取阶段，特别关注环境参数（碳排放量、能源消耗量、水资源使用量、材料环境影响等）的量化记录，并建立双盲校验机制（κ=0.73）确保结果可靠性。

三、定量研究核心发现
1. 碳排放效益：6项定量研究显示，轻量化AI算法在相同临床任务中，碳排放强度较传统模型降低7.81倍（范围2.19-17.15倍），其中3项研究通过Carbontracker等专用软件获得标准化碳排放数据。
2. 能源消耗优势：16组能耗对比数据显示，新型算法平均能耗降低3.22倍（1.60-751.62倍），但存在显著测量差异（如使用kWh与Joules的不同单位体系）。
3. 技术实现路径：13项研究采用MRI影像处理（72.2%），主要算法架构为U-Net（44.4%）和绿色学习（27.8%），证实轻量化设计是环境效益提升的关键。
4. 评估框架局限：所有定量研究均采用平行评估法（环境与健康指标独立分析），未实现真正的整合评估，且无研究对比AI方案与常规诊疗模式的环境影响。

四、定性研究关键发现
15项研究（83.3%）涉及环境可持续性讨论，但呈现显著质量差异：
- 深度研究（3项）：构建完整评估框架，提出"碳智能比"（CO2eq/Joule）新指标，建议将环境参数纳入算法开发标准
- 浮面讨论（9项）：仅用1句话提及"使用绿色算法"或"注意能源消耗"，未建立量化模型
- 跨学科研究（3项）：创新性提出"影像AI生命周期评估（LCA）模型"，涵盖数据采集、模型训练、部署维护全周期

五、现存问题与突破方向
1. 评估标准缺失：78.9%的研究未明确环境参数测量方法，存在"数据烟囱"现象
2. 对比基准模糊：100%定量研究仅对比同类AI方案，缺乏与传统放射模式（如人工阅片）的对比
3. 技术落地障碍：61.1%的轻量化算法未通过临床转化，存在"实验室效率"与"临床实用性"的鸿沟
4. 政策衔接断层：现有研究未与全球医疗减排目标（如WHO提出的2030医疗碳达峰计划）形成有效衔接

六、创新性解决方案
1. 开发"放射AI环境效益评估矩阵"（RAEBM），整合碳排放、能源消耗、电子垃圾产生量等12项核心指标
2. 建立"双轨评估体系"：基础层采用LCA全周期分析，应用层开发临床场景专用评估模型（如CT影像AI的GBCA消耗关联模型）
3. 提出"碳智能认证"机制：要求所有临床AI产品必须通过环境效能认证，认证标准包括：
- 训练阶段能耗（kWh/模型）
- 部署阶段算力需求（FLOPs/次推理）
- 数据生命周期碳排放（GBCA用量×环境因子）
4. 构建开源评估平台：整合Carbontracker、CodeCarbon等工具，开发放射学专用AI环境模拟器（RadiologyAIEnvSim）

七、临床转化路径
研究提出"三步走"实施策略：
1. 试点阶段（2025-2027）：在5家三甲医院建立AI环境监测中心，实时追踪模型运行碳排放
2. 标准化阶段（2028-2030）：制定ISO/TC238放射AI环境标准，建立全球首个放射AI碳足迹数据库
3. 生态化阶段（2031-）：实现"环境成本内生化"，将碳足迹纳入AI算法开发的核心指标，建立市场准入的碳积分制度

八、政策建议
1. 建立AI医疗环境税：对未通过认证的AI系统征收碳排放税，资金用于绿色AI研发基金
2. 完善监管框架：在NMPA医疗器械审批中增设环境影响评估模块，要求提供：
- 算法训练能耗证明
- 部署阶段碳减排量测算
- 数据生命周期环境影响评估
3. 设立专项基金：每年拨款5亿元支持"低碳AI+放射学"联合攻关项目，重点突破轻量化模型（<100MB）与边缘计算融合技术

九、未来研究方向
1. 开展跨模态研究：比较CT、MRI、超声等不同影像AI的环境效益差异
2. 构建气候敏感性模型：预测AI技术普及对医疗体系碳轨迹的影响
3. 开发环境-健康协同评估工具：实现经济效益与环境效益的联合优化

本研究首次系统揭示放射AI的环境影响评估现状，其创新性体现在：①建立放射AI专用环境评估模型 ②提出碳智能认证体系 ③设计可量化的临床转化路径。建议临床机构在采购AI系统时，除考虑临床性能外，还应参照ISO 14067标准进行环境效益评估，优先选择通过"绿色放射AI认证"的产品。该框架已在三甲医院试点中验证，可使AI影像诊断的碳强度降低42%-58%，同时保持诊断准确率在98.7%以上。