一项最近发表在《PNAS 环境科学》杂志上的研究揭示，依赖人工智能（AI）和谷歌街景（GSV）图像来支持城市规划，可能会得出误导性的结论，从而对旨在对抗肥胖和糖尿病的公共卫生干预产生不利影响。
人工智能在城市规划中的应用方式是怎样的？
近期人工智能的进步加速了其在关键领域的融入，如公共卫生和城市规划，这可能会在社区层面影响大量人群。例如，GSV 图像已与深度学习的对象检测相结合，以评估由人口普查区定义的邻里属性相关的健康结果。GSV 数据提供了有关环境的信息，包括植被类型以及城市发展，如道路网络和建筑结构。这些数据已通过深度学习挖掘，以设计针对精神和心脏代谢疾病以及 2019 冠状病毒病（COVID-19）流行率的本地干预措施。
该研究分析了纽约市超过 200 万张谷歌街景图像，以评估诸如人行道和人行横道等建筑环境特征及其与肥胖和糖尿病发病率的关系。
然而，使用人工智能的预测模型遇到了某些挑战，包括无法识别虚假和有偏差的数据，以及倾向于做出随后为这些预测提供信息的虚假关联。当其他因素可能调节暴露与健康结果之间的关联时，这些挑战会加剧。
该研究展示了什么？
当前的研究检查了纽约市人口普查区中环境的 GSV 衍生特征如何与肥胖和糖尿病的平均患病率相互作用。它还评估了这些健康状况与缺乏身体活动之间的关系，这是这种关联的重要促成因素。
GSV 衍生的数据表明，较高的人行横道密度与较低的疾病患病率相关。身体活动对肥胖的影响大于对糖尿病的影响，这与之前基于 GSV 的人行横道估计一致。然而，与之前的研究相比，未观察到 GSV 对人行道密度的估计与健康结果之间的关联。
身体活动干预与 GSV 特征
人行横道和人行道的流行率对健康结果的影响是由于人口普查区中身体活动的流行率。因此，不是建筑环境本身，而是该人口普查区的身体活动水平导致了健康结果的变化。
相关故事
- 常见的糖尿病药物减缓癌前食管细胞的生长，研究表明
- 下丘脑 ECM 重塑驱动胰岛素抵抗，导致肥胖和糖尿病
- 司美格鲁肽与利拉鲁肽：肥胖和 2 型糖尿病的一年减肥效果
与每单位减少的身体不活动相比，肥胖和糖尿病的患病率分别下降了 4.17 倍和 17.2 倍，而人行横道患病率每减少一个单位。
建筑环境与 GSV 特征不同步
作为 GSV 标签在城市内推断基础的建筑环境，与现实不符。例如，人行道可能在桥梁或高速公路附近被表示为存在，而被阻塞的人行道可能被报告为不存在。
研究结果表明，身体不活动显著调节了环境特征与健康结果之间的关系，使得行为比基础设施更具影响力。
这些发现表明，由于人工智能依赖于 GSV 衍生的特征来检测与健康结果的关联，并且缺乏对重要调节因素的了解，可能会产生不准确的干预估计。因此，必须对模型进行具体描述，并考虑这些特征发挥作用的途径。这些保障措施将确保准确识别目标，并正确估计各种干预措施的效果。
结论
与之前依靠定性审查来比较区域的研究不同，当前的研究首次将 GSV 特征与实地现实进行比较。
研究人员利用因果框架来补偿像身体活动这样的调节因素。这表明，如果身体不活动的两个最低三分位数中的 10％的样本得到改善，肥胖和糖尿病的患病率将分别显著降低 4.17 倍和 17.2 倍。
然而，在利用此类数据进行公共卫生干预时，必须仔细说明数据限制，以及建筑环境、个人行为和随之而来的健康结果的变化状态。
期刊参考：
Zhang, M., Rahman, S., Mhasawade, V., et al. (2024). Utilizing big data without domain knowledge impacts public health decision-making. PNAS Environmental Sciences. doi:10.1073/pnas.2402387121.
