公平性優先的醫學影像AI部署策略

202X公平性優先的醫學影像AI部署策略演講人2025-12-11XXXX有限公司202X01醫學影像AI公平性的時代內涵與核心價值02當前醫學影像AI部署中的公平性困境：多維挑戰與根源剖析03公平性優先的醫學影像AI部署策略：從理念到實踐04構建公平性優先的生態保障：多方協作與持續改進目錄公平性優先的醫學影像AI部署策略引言：醫學影像AI的時代命題與公平性關切作為一名深耕醫學影像AI領域近十年的從業者，我親歷了這項技術從實驗室走向臨床的飛速發展——從早期輔助肺結節檢測的算法雛形，到如今覆蓋影像篩查、診斷、預后評估全鏈條的智能系統；從單一三甲醫院的試點應用，到基層醫療機構的逐步普及。然而，在技術突破的喜悅之余，一個愈發清晰的命題浮出水面：醫學影像AI的價值不應僅以“準確率”“效率”為標尺，而必須以“公平性”為底色。我曾參與過一次基層醫院調研，看到一位鄉村醫生手持模糊的胸部X光片，卻因缺乏適配基層的低算力AI輔助工具，只能憑經驗判斷；也曾在學術會議上聽到同行分享：某款乳腺癌AI系統在白人女性中準確率達95%，但在亞裔女性中卻降至78%，其背后的數據偏見令人警醒。這些經歷讓我深刻意識到，若公平性缺失，醫學影像AI可能加劇而非彌合醫療鴻溝，甚至成為新的“技術壁壘”。因此，本文以“公平性優先”為核心理念，從醫學影像AI的特殊性出發，系統剖析當前部署中的公平性困境，構建從數據到算法、從部署到保障的全鏈條策略，旨在為行業提供一套兼顧技術效能與社會價值的實踐框架。公平性不僅是倫理要求，更是醫學影像AI實現可持續發展的基石——只有讓不同地域、不同人群、不同資源環境的醫療機構都能公平受益，這項技術才能真正成為“普惠醫療”的助推器。XXXX有限公司202001PART.醫學影像AI公平性的時代內涵與核心價值醫學影像AI的特殊性：公平性是“生命線”而非“附加題”醫學影像AI直接關系患者的診斷精度與治療決策，其公平性影響遠超一般技術領域。一方面，影像檢查（如CT、MRI、X光）是疾病診斷的“金標準”，AI的誤診或漏診可能導致病情延誤，甚至危及生命；另一方面，醫學影像數據具有高度個體差異性（如年齡、性別、人種、體型對影像特征的影響），若算法未能覆蓋多樣性人群，可能因“偏見”導致對特定群體的系統性誤判。例如，皮膚癌AI若主要基于白人皮膚數據訓練，對深色皮膚病變的識別準確率顯著降低，這直接關系到少數族裔患者的生存權益。因此，公平性對醫學影像AI而言，不是可有可無的“附加題”，而是關乎醫療正義的“必答題”。醫學影像AI的特殊性：公平性是“生命線”而非“附加題”（二）健康公平的社會倫理要求：AI需成為“均衡器”而非“放大器”《“健康中國2030”規劃綱要》明確提出“共建共享、全民健康”的戰略目標，核心在于實現健康資源的公平可及。然而，我國醫療資源分布不均的現狀依然突出：三甲醫院集中了70%以上的高端影像設備，而基層醫療機構設備老化、人才短缺，影像診斷能力薄弱。醫學影像AI若僅服務于大型醫院，將進一步加劇“強者愈強、弱者愈弱”的馬太效應；反之，若以公平性為優先導向，通過輕量化算法、遠程診斷等模式賦能基層，則能成為縮小醫療差距的“均衡器”。例如，我們團隊開發的肺結節AI輔助診斷系統，通過壓縮模型體積至50MB，可在低端手機上運行，讓偏遠地區的村醫也能通過手機完成CT影像初篩，這讓我真切感受到公平性技術帶來的社會價值。醫學影像AI的特殊性：公平性是“生命線”而非“附加題”（三）技術普惠的必然趨勢：從“效率優先”到“公平優先”的范式轉變早期醫學影像AI的開發多以“效率優先”為導向，追求在“標準數據集”上的高準確率（如ImageNet上的圖像分類任務）。然而，臨床場景的復雜性遠超實驗室：基層醫院的影像設備分辨率低、噪聲大，患者的臨床背景（如合并癥、用藥史）差異顯著，這些“非標準”場景恰恰是AI落地的“最后一公里”。近年來，行業逐漸認識到：脫離公平性的“高效率”只是空中樓閣。例如，某款AI系統在高端MRI設備上腦腫瘤分割準確率達98%，但在基層低場強MRI設備上準確率驟降至65%，其臨床實用性大打折扣。因此，部署策略必須從“實驗室效率”轉向“場景公平”，確保AI在不同設備、不同人群、不同資源環境下均能穩定發揮作用。XXXX有限公司202002PART.當前醫學影像AI部署中的公平性困境：多維挑戰與根源剖析數據層面的“先天不足”：偏見積累與代表性缺失數據是AI的“燃料”，但當前醫學影像AI的數據基礎存在顯著公平性缺陷。1.人群代表性失衡：多數公開數據集（如MIMIC-CXR、NIHChestX-ray）以歐美人群為主，包含亞洲人、非洲人數據的占比不足15%；國內數據集則多集中于三甲醫院，老年、農村、低收入人群的數據嚴重缺失。例如，我們曾分析國內5大公開影像數據集，發現60歲以上患者占比僅32%，而我國60歲以上人口占比已達19.8%，這種“數據老齡化”缺失導致AI在老年疾病（如老年肺炎、阿爾茨海默病影像標志物）識別中表現不佳。2.標注質量偏差：影像標注依賴放射科醫生的經驗，而不同級別醫院的醫生對同一病灶的判斷可能存在差異。例如，基層醫生對早期肺磨玻璃結節的標注敏感性低于三甲醫院專家，若直接用這類數據訓練AI，可能導致算法“學習”到基層醫生的“保守判斷”，反而降低對早期病灶的識別能力。數據層面的“先天不足”：偏見積累與代表性缺失3.數據孤島與共享壁壘：醫療機構因隱私、利益等原因不愿共享數據，導致AI訓練數據集中于少數頭部醫院。例如，某三甲醫院積累的10萬例乳腺X線影像數據從未對外共享，而基層醫院因缺乏數據難以訓練本地化AI，形成“數據富者愈富、貧者愈貧”的惡性循環。算法層面的“技術偏見”：優化目標與性能失衡算法設計中的“隱性偏見”是公平性問題的技術根源，主要表現為：1.單一優化目標下的“犧牲公平”：多數AI模型以“整體準確率”為唯一優化目標，忽略亞群體性能差異。例如，某糖尿病視網膜病變AI系統整體準確率達90%，但在糖尿病患者合并高血壓的亞群體中準確率僅75%，原因是該群體眼底病變特征更復雜，算法為追求“整體最優”而犧牲了少數群體的性能。2.特征提取中的“群體忽視”：傳統算法可能過度關注“高頻特征”（如肺結節的邊緣形態），而忽略“低頻但關鍵”的特征（如某些罕見病在特定人種中的影像表現）。例如，結節病在白人中多表現為肺門淋巴結腫大，而在亞洲人中則易出現肺內浸潤，若算法未針對性學習亞洲人群的特征，易導致漏診。算法層面的“技術偏見”：優化目標與性能失衡3.“黑箱模型”的公平性不可控：深度學習模型的可解釋性差，難以判斷其決策是否公平。例如，某AI系統在判斷肺癌風險時，可能將“吸煙史”作為隱性特征（盡管影像中無直接表現），導致對吸煙人群的誤判率升高，這種“算法偏見”因無法解釋而難以修正。部署層面的“資源鴻溝”：硬件、人力與環境的差異AI部署的“最后一公里”存在顯著的公平性障礙，具體表現為：1.硬件資源不均：高端AI系統依賴GPU服務器、高速網絡等基礎設施，而基層醫院往往缺乏這些資源。例如，某三甲醫院部署的AI影像分析平臺需8塊GPU并行運算，單次分析成本達500元，而基層醫院年影像檢查量不足萬例，難以承擔此類成本。2.醫護人員數字素養差異：AI系統的使用需要醫護人員具備一定的數據操作能力，但基層醫生對AI的接受度和使用技能普遍較低。我們曾在西部某縣調研發現，40%的村醫從未接觸過AI輔助工具，即使免費提供設備，也因“不會用”“不敢用”而閑置。3.臨床場景適配不足：不同醫療機構的影像工作流程差異顯著。例如，三甲醫院的影像科分工明確（技師、診斷師、審核崗分離），而基層醫院往往“一人多崗”，AI系統若僅適配“標準化流程”，在基層難以融入實際工作。例如，某AI系統要求影像上傳后自動生成報告，但基層醫院需先與患者溝通、再結合病史調整報告，這種“流程剛性”導致其使用率不足30%。評估與監管層面的“標準缺失”：公平性指標缺位當前醫學影像AI的評估體系過度依賴“準確率”“敏感度”等單一指標，缺乏針對公平性的系統性評估：1.評估數據集的“同質化”：多數AI產品的臨床試驗僅在單一醫院、單一人群中進行，未在不同地域、不同級別醫院、不同人群中驗證。例如，某款獲批上市的AI系統僅在3家三甲醫院測試，其說明書中的“適用人群”未明確是否包含基層患者或少數民族人群。2.公平性指標的“碎片化”：行業尚未形成統一的公平性評估指標，部分企業僅自行報告“不同性別準確率差異”，而未關注年齡、地域、疾病嚴重程度等多維度公平性。例如，某AI系統宣稱“男女準確率無差異”，但未公開老年患者與青年患者的性能差異，這種“選擇性披露”掩蓋了關鍵的不公平問題。評估與監管層面的“標準缺失”：公平性指標缺位3.監管機制的“滯后性”：現有醫療器械監管法規（如《醫療器械軟件注冊審查指導原則》）主要關注安全性和有效性，對公平性的要求尚不明確。例如，AI系統若因數據偏見導致對特定群體的診斷準確率低于20%，是否應被限制使用？目前法規對此無明確規定。XXXX有限公司202003PART.公平性優先的醫學影像AI部署策略：從理念到實踐數據公平性保障：構建“多元、均衡、可信”的數據基礎數據是公平性的源頭，需從“采集-標注-共享”全流程保障數據公平性。數據公平性保障：構建“多元、均衡、可信”的數據基礎多維度數據采集：打破“數據特權”-人群覆蓋均衡化：聯合不同地區、不同級別醫院，建立包含年齡（兒童、成人、老人）、性別（男女）、人種（漢族、少數民族）、地域（東部、中部、西部）、社會經濟地位（城市、農村）的“多樣性影像數據庫”。例如，我們正在與30家基層醫院合作，計劃收集5萬例包含農村患者的胸部CT影像，其中60歲以上患者占比達40%，以解決“數據老齡化”缺失問題。-場景數據全覆蓋：不僅收集“高質量、標準場景”的影像（如三甲醫院的高分辨率MRI），也納入“低質量、復雜場景”的影像（如基層醫院的低劑量CT、移動超聲），確保AI能適應真實世界的多樣性。例如，某團隊收集了1000例基層醫院低劑量肺CT影像（噪聲大、分辨率低），通過“噪聲模擬”增強訓練，使AI在基層場景下的準確率從72%提升至89%。數據公平性保障：構建“多元、均衡、可信”的數據基礎多維度數據采集：打破“數據特權”-罕見病與特殊人群數據專項采集：針對罕見病（如肺泡蛋白沉積癥）、特殊人群（如孕婦、兒童）建立專項數據庫，避免因數據稀少導致AI“忽視”這些群體。例如，我們與全國10家罕見病中心合作，收集了2000例罕見病影像數據，訓練的AI系統對罕見病的識別準確率從45%提升至78%。數據公平性保障：構建“多元、均衡、可信”的數據基礎公平性標注：減少“人為偏見”-多中心標注一致性校準：采用“金標準+多標注者”機制，邀請三甲醫院專家和基層醫生共同標注數據，通過Kappa一致性檢驗（要求Kappa≥0.8）確保標注質量。例如，在標注肺結節時，我們讓5位三甲專家和5位基層醫生獨立標注，對存在分歧的病灶由專家組討論確定最終結果，將標注差異率從15%降至5%。-動態標注更新：隨著臨床知識的更新，定期對標注數據進行迭代。例如，新版肺癌篩查指南提出“亞實性結節≤8mm需隨訪”，我們據此更新了5000例亞實性結節的標注標簽，確保AI學習最新臨床標準。-“去偏見”標注工具：開發自動標注工具，減少主觀偏見。例如，利用AI自動勾畫病灶輪廓，再由醫生審核修改，避免因醫生個人經驗差異導致的標注偏差。數據公平性保障：構建“多元、均衡、可信”的數據基礎數據共享與隱私保護：平衡“開放”與“安全”-建立“數據聯邦”平臺：采用聯邦學習技術，在不共享原始數據的前提下實現模型聯合訓練。例如，我們與10家醫院合作，各醫院數據本地存儲，僅交換模型參數，既保護了隱私，又整合了多中心數據。12-建立“數據共享激勵”機制：通過政策引導（如將數據共享納入醫院評級）和經濟補償（如給予數據提供方模型收益分成），鼓勵醫療機構共享數據。例如，某省衛健委規定，三級醫院需將10%的影像數據上傳至省級醫療大數據平臺，方可申請AI產品采購補貼。3-開發“隱私計算”工具：使用差分隱私、同態加密等技術，確保數據共享中的隱私安全。例如，在共享影像數據時，對患者的姓名、身份證號等敏感信息進行匿名化處理，并通過差分隱私添加噪聲，防止數據泄露。算法公平性設計：從“單一優化”到“公平約束”算法是公平性的核心，需在模型設計、訓練、優化全流程融入公平性約束。算法公平性設計：從“單一優化”到“公平約束”公平性感知的模型架構-引入“公平性感知”模塊：在模型中設計專門的公平性約束層，對不同群體的特征進行均衡學習。例如，某團隊在乳腺癌AI系統中加入“人種適配模塊”，通過對抗訓練使模型學習到“人種無關”的病灶特征，將亞裔女性與白人女性的準確率差異從17%降至5%。-可解釋性AI提升透明度：采用Grad-CAM、LIME等可解釋性技術，讓AI的決策過程“可視化”。例如，某肺結節AI系統可生成“熱力圖”顯示判斷依據，若對老年患者的結節誤判，可通過熱力圖發現其過度依賴“邊緣毛刺”特征（老年患者結節邊緣常模糊），從而調整算法權重。算法公平性設計：從“單一優化”到“公平約束”公平性約束的模型訓練-多目標優化：平衡“準確率”與“公平性”：在損失函數中加入公平性約束項，如“不同群體的敏感度差異≤5%”。例如，某糖尿病視網膜病變AI系統的損失函數為：總損失=分類損失+λ×群體敏感度差異（λ為公平性權重），通過調整λ使模型在保持整體準確率90%的同時，糖尿病患者與非糖尿病患者的敏感度差異控制在3%以內。-對抗性去偏見：訓練“去偏見模型”，消除數據中的隱性偏見。例如，某團隊發現AI對女性乳腺癌的誤診率高于男性，通過構建“性別對抗網絡”，使模型學習到的特征與“性別”無關，從而將性別間的準確率差異從12%降至4%。-群體自適應訓練：針對不同群體設計不同的訓練策略。例如，對數據量少的群體（如農村患者），采用“遷移學習”：先用大量城市患者數據預訓練模型，再用少量農村患者數據微調，避免因數據稀少導致的性能差異。算法公平性設計：從“單一優化”到“公平約束”算法迭代與公平性驗證-建立“公平性測試集”：在模型測試階段，使用包含不同群體的獨立測試集（如“老年測試集”“農村測試集”），評估各群體性能差異。例如，我們開發了“醫學影像AI公平性測試工具包”，包含10個維度的測試集（年齡、性別、地域等），可自動生成公平性報告。-動態公平性監測：在AI部署后，持續收集不同群體的使用數據，監測算法性能變化。例如，某AI系統部署后，每月統計不同級別醫院、不同年齡患者的誤診率，若發現基層醫院誤診率突然升高，及時觸發模型重訓練機制。部署流程公平性適配：從“標準化”到“場景化”部署是公平性的落地環節，需根據不同醫療機構的資源條件、人員能力、臨床場景進行定制化適配。部署流程公平性適配：從“標準化”到“場景化”分層部署策略：匹配“資源-需求”-三甲醫院：高階功能深度整合：針對三甲醫院設備先進、人才密集的特點，部署“全功能AI系統”，包括影像輔助診斷、預后預測、多模態數據融合等功能，與醫院HIS、PACS系統深度集成，提升診斷效率。例如，某三甲醫院引入AI系統后，肺結節診斷時間從平均30分鐘縮短至10分鐘，診斷準確率提升15%。-基層醫院：輕量化工具普惠應用：針對基層醫院資源有限的特點，開發“輕量化AI系統”，包括：①低算力版本（模型體積<100MB，可在手機、平板上運行）；②離線版本（無需網絡，可獨立運行）；③簡化操作界面（語音輸入、一鍵生成報告）。例如，我們在西部某縣部署的“手機版肺結節AI”，村醫通過手機拍攝CT影像后，5分鐘即可獲得結節篩查報告，使基層肺結節檢出率從40%提升至75%。部署流程公平性適配：從“標準化”到“場景化”分層部署策略：匹配“資源-需求”-遠程醫療：跨區域協同診斷：通過“AI+遠程醫療”模式，讓基層醫院共享三甲醫院的AI資源。例如，某平臺搭建“云端AI診斷中心”，基層醫院上傳影像后，由云端AI完成初篩，再由三甲醫院專家審核，實現“基層檢查、云端診斷”，使基層患者診斷等待時間從3天縮短至6小時。部署流程公平性適配：從“標準化”到“場景化”醫護人員賦能：從“會用”到“敢用”“善用”-分層培訓體系：針對不同角色（醫生、技師、管理員）設計培訓內容，如醫生培訓“AI結果解讀與臨床決策”，技師培訓“影像采集與AI操作規范”，管理員培訓“系統維護與數據安全”。例如，我們為基層醫生開發了“AI操作30天速成課程”，包含理論視頻、模擬操作和臨床案例，培訓后AI使用率達85%。-“臨床導師”制度：安排三甲醫院專家與基層醫生結對，定期指導AI臨床應用。例如，某項目組織“1+1”導師制（1位三甲專家+1位基層醫生），每月開展線上病例討論，幫助基層醫生理解AI結果的局限性，避免“過度依賴AI”。-建立“反饋-優化”機制：鼓勵醫護人員反饋AI使用中的問題，定期收集臨床需求，優化產品功能。例如，某基層醫生反映“AI生成的報告術語太專業，患者看不懂”，我們據此開發了“患者版報告”，用通俗語言解釋AI判斷結果，提高了患者接受度。部署流程公平性適配：從“標準化”到“場景化”臨床場景融合：嵌入“真實工作流”-流程適配設計：根據不同醫療機構的工作流程，定制AI部署方案。例如，三甲醫院影像科“技師-診斷師-審核崗”分工明確，AI系統可嵌入“診斷師輔助診斷”環節；基層醫院“一人多崗”，AI系統需支持“檢查-診斷-溝通”一體化流程。-“人機協同”而非“替代”：明確AI的輔助定位，強調“醫生主導、AI輔助”。例如，某AI系統在生成診斷報告時，自動標注“AI建議僅供參考，最終以醫生判斷為準”，并支持醫生一鍵修改AI結果，避免“AI決策替代醫生判斷”的風險。-“場景化”功能開發：針對特定臨床場景開發定制化功能。例如，針對急診科“快速診斷”需求，開發“AI急診影像輔助系統”，可在5分鐘內完成腦卒中、肺栓塞等急癥的影像篩查，幫助急診醫生快速制定治療方案。123公平性評估與監管：構建“全周期、多維度”保障體系評估與監管是公平性的“守門人”，需建立覆蓋產品全生命周期的公平性保障機制。公平性評估與監管：構建“全周期、多維度”保障體系建立“全周期公平性評估”體系-上市前評估：要求AI產品提交“公平性驗證報告”，包含多維度性能測試數據（不同年齡、性別、地域、級別醫院的準確率、敏感度等）。例如，國家藥監局可要求AI產品通過“公平性認證”，認證標準包括“不同群體準確率差異≤10%”“基層醫院適用性驗證通過”等。-上市后監測：建立“AI不良事件監測系統”，收集AI誤診、漏診等事件，重點分析是否因公平性問題導致。例如，某醫院發現AI對老年患者的誤診率顯著高于青年患者，需立即啟動調查，若確因數據偏見導致，要求企業召回或修改產品。-定期再評估：每2-3年對已上市AI產品進行公平性再評估，確保其性能隨臨床需求和技術發展持續優化。例如，隨著老年人群比例上升，要求企業補充老年患者數據，重新驗證AI性能。公平性評估與監管：構建“全周期、多維度”保障體系制定“公平性評估標準與指標”-多維度公平性指標：建立包含“人群公平性”（年齡、性別、人種等）、“地域公平性”（東中西部、城鄉等）、“資源公平性”（不同級別醫院）的指標體系。例如，定義“公平性指數=1-|群體A準確率-群體B準確率|”，要求公平性指數≥0.9。-場景化評估標準：針對不同場景（急診、門診、體檢）制定差異化評估標準。例如，急診AI系統要求“診斷時間≤5分鐘”“急癥敏感度≥95%”；體檢AI系統要求“假陽性率≤5%”“用戶滿意度≥90%”。-第三方評估機制：引入獨立第三方機構（如醫學倫理委員會、醫療質量監測中心）進行公平性評估，避免企業“自說自話”。例如，某第三方機構對10款AI產品進行公平性測評，發布“醫學影像AI公平性排行榜”，引導行業良性競爭。公平性評估與監管：構建“全周期、多維度”保障體系完善“政策與倫理”監管框架-制定公平性法規：在《醫療器械監督管理條例》中增加“公平性”條款，明確AI產品的公平性要求、評估流程和違規處罰。例如，規定“因數據偏見導致特定群體診斷準確率低于70%的AI產品，不得上市或強制召回”。-建立“倫理審查”制度：要求AI產品上市前通過醫學倫理審查，重點關注“是否侵犯弱勢群體權益”“是否加劇醫療不平等”。例如，某AI產品若對農村患者的診斷準確率顯著低于城市患者，需通過倫理審查后方可上市。-推動“行業共識”形成：組織行業協會、醫療機構、企業制定《醫學影像AI公平性指南》，明確公平性原則、實施路徑和責任分工。例如，指南提出“數據多樣性原則”（訓練數據中各群體占比應與目標人群一致）、“算法透明度原則”（公開模型架構和訓練數據分布）等。123XXXX有限公司202004PART.構建公平性優先的生態保障：多方協作與持續改進政府與監管機構：政策引導與制度保障政府需發揮“主導者”作用，為公平性部署提供政策支持和制度保障。-加大基層投入：設立“醫學影像AI基層普及專項基金”，補貼基層醫院采購輕量化AI設備和系統，例如，對中西部地區基層醫院給予50%的采購補貼。-完善數據共享政策：出臺《醫療數據共享管理辦法》，明確數據共享的范圍、流程和隱私保護措施，打破“數據孤島”。例如，規定公立醫院需將10%的影像數據上傳至國家醫療大數據平臺，作為AI訓練的公共數據資源。-建立公平性激勵機制：對通過公平性認證的AI產品，在招標采購、醫保支付等方面給予傾斜。例如，某省將“公平性認證”作為AI產品采購的“加分項”，通過認證的產品可享受10%的價格優惠。醫療機構：主體責任與場景創新醫療機構是AI部署的“主力軍”，需主動承擔公平性主體責任，推動場景創新。-建立“公平性評估小組”：二級以上醫院應成立由放射科、信息科、倫理科組成的AI公平性評估小組，在采購AI產品前進行公平性驗證。例如，某醫院評估小組發現某AI產品對女性患者的準確率低于男性，要求企業修改算法后方可采購。-推動“基層幫扶”：三甲醫院應通過技術幫扶、人才培養等方式，支持基層醫院應用AI。例如，某三甲醫院與10家基層醫院建立“AI幫扶聯盟”，定期派專家指導AI臨床應用，共享云端AI資源。-開展“真實世界研究”：結合臨床實踐，收集AI在不同場景下的使用數據，為優化產品提供依據。例如，某醫院開展“AI在基層醫院應用的真實世界研究”，發現AI在低劑量CT篩查中的準確率達85%，為基層推廣提供了數據支持。企業與研發機構：技術創新與責任擔當企業是AI研發的“創新主體”，需將公平性融入產品全生命周期，承擔社會責任。-“公平性優先”的產品設計：在產品研發初期即引入公平性設計，而非事后補救。例如，某企業在開發AI系統時，先進行“目標人群分析”，明確需覆蓋的群體（