2024年11月12日，《Oncotarget》杂志第15卷发表了一篇题为“持久景观：绘制通往公正放射学解读的道路”的编辑文章。在这篇文章中，来自梅奥诊所放射科（明尼苏达州罗切斯特）的Yashbir Singh、Colleen Farrelly、Quincy A. Hathaway和Gunnar Carlsson介绍了持久景观这一数学方法，该方法旨在解决医学影像和人工智能（AI）中的偏见问题。
持久景观建立在持久图像的基础上，后者追踪数据中模式的出现和消失。通过将这些复杂数据转换为更简单、更易管理的形式，持久景观创建了一种易于分析和比较的格式，使其成为识别和纠正医学影像中偏见的重要工具。医学影像是医疗保健的关键部分，但并非完美无缺。由于设备、技术或患者群体的差异导致的偏见可能会引发不准确的诊断。持久景观提供了一种识别和修复这些隐藏问题的方法。
“持久景观有潜力在识别和减轻放射学实践中的偏见方面发挥关键作用，无论这些偏见源于人口统计因素、设备差异还是AI算法的局限性。”
持久景观特别擅长减少医学影像中的随机噪声，同时保留重要细节，使临床医生和研究人员更容易关注图像中最有意义的部分。此外，该方法还通过解决常见问题（如模型过于关注特定细节或遗漏重要信息）来改进AI工具。持久景观还简化了不同类型扫描数据（如正电子发射断层扫描（PET）和磁共振成像（MRI））的整合，而不会引入新的错误。
尽管持久景观具有巨大潜力，但在实际医学影像中的应用仍面临挑战。它需要强大的计算机来处理大量数据，这既昂贵又耗时，而且需要专家解释才能有效利用。为了使这种方法更加适用于临床医生，还需要更好的工具。尽管将这种方法整合到临床环境中需要付出努力，但其带来的好处可能是变革性的。通过进一步的研究和改进，持久景观有望在推进公平医疗方面发挥重要作用。
“持久景观代表了我们在实现公正且准确的放射学解读方面的强大新工具。”
(全文结束)
