Evaluating Sociodemographic Biases in Artificial Intelligence-Based Glioblastoma Response Assessment Algorithms [ARTIFICIAL INTELLIGENCE]

訓練單一腦腫瘤 AI，一萬筆跨國影像的模型居然輸給僅兩千筆資料的北美在地模型——後者的對比增強切分 Dice 分數逼近完美的 0.999。這項前瞻性研究用令人深思的數據證實：一味追求龐大的影像資料量，遠不如確保訓練資料的人口組成多樣性來得關鍵。

破除腦腫瘤資料量迷思：為何 10k+ 跨國巨集未必勝過 2k 北美庫

在放射科的日常實務中，神經膠質母細胞瘤（Glioblastoma）的術後追蹤總是一大挑戰。我們必須在複雜的手術腔室、放射線壞死與真正的腫瘤復發之間，精準測量 FLAIR 高訊號區與對比增強區域的體積變化。這不僅關係到各種影像學標準的判定，更直接左右病患的下一步治療計畫。雖然各大醫學中心紛紛引進自動化切分 AI，但這類基於深度學習的工具，是否會因為病患的年齡、種族或生活習慣而產生嚴重的判讀偏差？這一直是懸而未決的科學問題。

由 Duke 大學團隊執行的這項研究，直指醫療 AI 領域長期未解的難題：模型表現的人口統計學不公平性（Sociodemographic Biases）。過去我們總認為，只要把神經影像資料庫堆疊得越大，AI 就會越聰明、越中立。然而，當 AI 遇到因為抽菸導致白質病變較多的病患，或是大腦因高齡而萎縮的長者時，原本在測試集表現優異的演算法，往往會在 FLAIR 邊界的判定上徹底崩潰。這份研究之所以重要，在於它系統性地拆解了「資料規模」與「人口多樣性」在 AI 切分任務中各自扮演的角色，並藉此找出最適合臨床部署的模型架構策略。

四種 nnU-Net 架構與 480 位前瞻性驗證的單一中心世代

在醫學影像深度學習領域，nnU-Net（自動調架構的切割框架）之所以被公認為標竿，是因為它突破了過去需要人工繁瑣微調超參數的限制。這套架構能夠根據不同資料集的體素間距（Voxel Spacing）、影像維度與模態，自動配置最佳的卷積神經網路深度與預處理流程。正是因為演算法基礎被標準化了，我們才能確信，四個模型最終表現的差異，完全是來自於「訓練資料的組成」，而不是神經網路設計上的優劣。

從研究設計來看，作者們平行訓練了四個不同的模型來進行對照：第一個是基於聯邦學習的 FeTS2 模型，這是一個涵蓋全球多國、多機構，總量超過一萬筆影像的大型資料庫；第二個是 BraTS 2024 術後神經膠質瘤模型，資料量約兩千筆，主要來自北美多中心；第三個是僅有兩百筆影像的單一機構私有資料庫，且病患組成極度同質（清一色為非西班牙裔的白人男性）；第四個同樣是兩百筆的小型資料庫，但在人口統計學上刻意保持高度異質性。

為了公平檢驗這四個模型，團隊在驗證階段捨棄了公開資料集，轉而前瞻性地收集了來自單一高流量學術腦腫瘤中心的 480 位病患（平均年齡 52 ± 14 歲）影像。這些影像全數經過放射科專科醫師的手動標註修正，作為對比的絕對參考標準。在統計分析部分，有別於常見的線性模型，團隊採用了 Beta regression（處理小數點極值分數的統計模型），因為評估模型表現的 Dice 分數天生被限制在 0 到 1 之間。這種精密的統計設計，能夠更敏銳地捕捉到各種社經地位或人口變數對腫瘤切分準確度的微小干擾。

Table 1 呈現的整體表現：同質化 200 例模型的 0.943 墊底

把焦點拉到結果數據，Table 1 清楚呈現了四個模型在整體測試集的 Dice 分數對比。令人矚目的是，僅使用白人男性訓練的第三個極端同質化模型，表現毫無懸念地敬陪末座：其 FLAIR 切分的 Dice 分數僅有 0.943，而對比增強區的切分更低至 0.909。這意味著當面對日常門診中各種性別、種族與背景的病患時，這個缺乏多樣性的小型模型會在腫瘤邊界的判斷上出現明顯的猶豫與失誤。

然而，真正跌破眾人眼鏡的數字出現在巨型資料庫與中型資料庫的對決。原本備受期待、資料量破萬的跨國 FeTS2 模型，表現竟然不如僅有兩千筆資料的 BraTS 北美模型。BraTS 模型的 FLAIR 切分 Dice 分數高達 0.996，對比增強切分更達到了近乎完美的 0.999。這種強勢的表現，顯示了在特定疾病的神經影像 AI 訓練中，資料庫的「質」與「多樣性」遠比單純衝高「量」來得關鍵。BraTS 模型雖然規模中等，但因為包含了更多樣化的腫瘤型態，反而能在單一中心的獨立測試集上展現出最強的泛化能力。

Figure 2 的 Beta 迴歸分析：抽菸史與大腦年齡階層如何拉扯 AI

若深入探討次群組的表現，Figure 2 的 Beta 迴歸分析圖表提供了極具臨床價值的洞見。Beta 迴歸的優勢在於它能完美處理呈現偏態分佈的極值數據，這對於動輒在 0.9 以上高分區間徘徊的 Dice 分數來說至關重要。整體而言，神經膠質母細胞瘤的 MRI 切分模型在「種族」與「性別」上的偏差並不若外界想像中嚴重，這或許是因為腦部腫瘤的解剖特徵本身受這些先天的變數影響較小。

但是在第三個極端同質化模型中，團隊確實觀察到了顯著的「年齡」與「抽菸狀態」偏差。對於高齡或有長期抽菸史的病患，該模型的 FLAIR 切分準確度會出現統計學上極為顯著的下滑。這種現象在神經放射科學上完全說得通。長期抽菸與高齡往往伴隨著大腦深部白質的慢性缺血變化（Leukoaraiosis），這些區域在 FLAIR 序列上同樣會呈現非特異性的高訊號。一個只看過年輕或無抽菸史白人男性的 AI，在面對這些退化性白質病變時，極易將其誤認為是腫瘤周邊的水腫或浸潤，進而拉低整體的 Dice 分數。相對地，第四個規模同樣只有兩百例，但具備高度異質性的模型，在 Beta 迴歸分析中就成功抵銷了大部分因年齡和抽菸帶來的波動。

RANO 標準下的 FLAIR 體積量測與萬例 FeTS2 挫敗的隱憂

從體積量測的機制來看，自從 RANO（神經腫瘤反應評估）標準逐漸成為主流後，我們對於神經膠質母細胞瘤的評估重心，已經擴展到了非對比增強的腫瘤浸潤區域。AI 在 FLAIR 切分上的準確度，直接影響了偽反應（Pseudoresponse）與真實腫瘤生長的鑑別。特別是當病患使用抗血管生成藥物時，對比增強區域可能因為血腦屏障的修復而消失，但腫瘤仍以非增強的形式在蔓延。一旦受試者的微血管健康狀態偏離了 AI 訓練時的狹窄常態分佈，演算法就會將所有無法解釋的 FLAIR 高訊號全部歸類為腫瘤復發，這可能會導致病患被錯誤地提早終止有效的化學治療。

探究跨國模型落敗背後的根本原因，在於聯邦學習（Federated Learning，本地訓練後再將參數回傳中央統合的技術）架構下的標準化難題。在跨越洲際的多國收案中，各家醫院 MRI 機台的預設參數、造影時機，甚至是影像前處理的步驟，都存在著難以抹滅的微小差異。這種做法雖然保障了病患隱私，卻也讓中央開發者無法進行統一的 Quality Control（影像品質管控）。當這些帶著不同偏差的本地模型參數被丟到中央伺服器進行平均時，雖然換來了地理分佈的廣度，卻也讓模型在面對邊緣模糊的病灶時變得更加保守。BraTS 資料庫歷年來的競賽機制促使他們建立了高標準的標註協議，這種在資料清洗上的高度提純，是它擊敗破萬例跨國模型的主要原因。

神經膠質母細胞瘤 AI 的本地化防線與 0.996 的效能界線

從這份研究的探討來看，作者們也坦承了目前的幾項限制。首先，雖然 BraTS 模型在 480 人的獨立前瞻性世代中表現極佳，但這個測試集畢竟來自單一的學術型醫學中心。該中心的 MRI 掃描儀硬體與造影參數本身就具備高度的一致性。如果將這套 AI 部署到社區醫院或影像品質參差不齊的基層診所，Dice 分數是否還能維持在 0.996 以上，仍有待進一步驗證。此外，對於更罕見的腫瘤亞型或曾接受非典型放射線治療的病患，模型的反應依然充滿不確定性。

在實際導入這些自動化工具時，我們強烈建議科室內部應該建立起小型的 Local Test Set（本地測試集）。這個測試集不需要一千例，只要精心挑選出五十例涵蓋本地不同年齡層、不同吸菸狀態、甚至是不同造影機台所產生的典型與非典型病例即可。這不僅能幫助我們摸清商業模型的真實能耐，更能作為後續微調校準的基準線。

對於每天要在螢幕前面對海量腦部 MRI 的放射科醫師而言，這項研究給了我們一個非常務實的指引：在評估或採購商業 AI 切片軟體時，絕對不能只聽信廠商宣傳其「使用了多少萬筆全球資料進行訓練」。我們必須進一步追問，其訓練資料的組成是否涵蓋了本地常見的老年病患與具備血管性危險因子的族群。當你發現 AI 在高齡患者的 FLAIR 影像上圈出了過度誇張的範圍時，你應該立刻警覺這可能是模型對白質病變的誤判。人類醫師的角色，正是要在這些演算法因人口學偏差而暴衝的防線上，穩穩踩住煞車。

你下次看到有長期抽菸史的高齡病患，AI 卻在 FLAIR 序列上圈出異常廣闊的腫瘤進展體積時，還會直接把數字複製貼上到最終報告裡嗎？