一项新研究警告称，依赖 Google 街景图像的人工智能模型可能会误解环境特征，从而导致减少肥胖和糖尿病的公共卫生工作出现误导。
研究：在没有领域知识的情况下利用大数据会影响公共卫生决策。图片来源：TippaPat / Shutterstock.com
最近发表在《美国国家科学院院刊》环境科学杂志上的一项研究表明，依靠人工智能 (AI) 和谷歌街景 (GSV) 图像来支持城市规划可能会导致误导性结论，从而可能对旨在打击艾滋病毒的公共卫生干预措施产生不利影响。肥胖和糖尿病。
人工智能如何应用于城市规划？
人工智能的最新进展加速了这项技术融入公共卫生和城市规划等关键领域，这可能会影响社区层面的大量人员。例如，GSV 图像已通过深度学习与对象检测相结合，以评估与人口普查区定义的邻里属性相关的健康结果。
GSV 数据提供有关环境的信息，包括植被类型以及城市发展，例如道路网络和建筑结构。这些数据已使用深度学习进行挖掘，以设计针对精神和心脏代谢疾病以及 2019 年冠状病毒病 (COVID-19) 流行情况的本地干预措施。
但是，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见的数据，以及倾向于产生虚假相关性，从而为这些预测提供信息。当其他因素可能调节暴露与健康结果之间的关联时，这些挑战就会加剧。
研究表明了什么？
当前的研究调查了 GSV 衍生的环境特征如何与纽约市人口普查区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，这是造成这种关联的重要因素。
GSV 得出的数据表明，较高的人行横道密度与较低的疾病患病率相关。体力活动对肥胖的影响大于对糖尿病的影响，这是根据之前基于 GSV 的人行横道估计得出的预期。然而，与之前的研究相比，GSV 估计的人行道密度与健康结果之间没有观察到关联。
身体不活动干预与 GSV 功能
人行横道和人行道的普遍存在对健康结果的影响是由于人口普查区普遍缺乏身体活动。因此，该人口普查区的体力活动水平而非建筑环境本身影响了健康结果的变化。
与人行横道患病率减少一个单位相比，身体活动不足每减少一个单位，肥胖和糖尿病的患病率分别下降 4.17 和 17.2 倍。
构建的环境与 GSV 功能不同步
作为 GSV 标签在城市内做出推断的基础的建筑环境与现实不符。例如，尽管不存在人行道，但桥梁或高速公路附近可能会出现人行道，而堵塞的人行道可能会被报告为不存在。
这些发现表明，人工智能可能会产生不准确的干预估计，因为它依赖 GSV 衍生的特征来检测与健康结果的关联，并且缺乏对重要中介因素的了解。因此，必须具体描述模型，并且必须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
与之前的研究不同，之前的研究依赖定性评价来比较区域，当前的研究首次将 GSV 特征与地面现实进行比较。
研究人员利用因果框架来补偿体力活动等中介因素。结果表明，如果身体活动不足的两个最低三分位数的样本中有 10% 得到改善，肥胖和糖尿病的患病率将分别显着降低 4.17 倍和 17.2 倍。
尽管如此，在利用此类数据进行公共卫生干预时，必须仔细指定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。
<块引用>这项研究强调了使用新兴数据源时稳健性和模型规范的关键问题，表明数据可能无法衡量预期内容，并且忽略中介因素可能会导致干预效果估计出现偏差。
期刊参考文献：
- Zhang, M.、Rahman, S.、Mhasawade, V. 等人。（2024）。在没有领域知识的情况下利用大数据会影响公共卫生决策。PNAS 环境科学。doi:10.1073/pnas.2402387121。