机器无学习是否保留临床安全性？面向医学图像分类的风险分析
人工智能
2026-04-28 v1
摘要
深度学习在医学诊断应用中必须在患者安全与数据保护合规之间进行权衡。机器无学习使能够从部署模型中选择性移除训练数据。然而，大多数方法主要通过效率和隐私导向指标进行验证，较少关注临床非对称错误成本。在本工作中，我们调查无学习如何影响医学图像二分类中的临床风险。我们表明，标准无学习策略（精细调优、随机标记、SalUn）可能降低测试效用，同时增加假阴性率，从而放大临床风险。为缓解此问题，我们提出SalUn-CRA（基于临床风险的SalUn），该方法将随机重新标记替换为基于熵的忘却，用于忘却集合中恶性样本，以防止模型学习有害的良性关联。我们在DermaMNIST和PathMNIST医学图像数据集上评估，数据删除比例为20%和50%。使用考虑非对称成本的全局风险指标，SalUn-CRA在保持无学习有效性的同时，实现了低于或相当于完全重新训练的临床风险。这些结果表明，临床风险应是医学系统无学习验证中的重要组成部分。
引用
@article{arxiv.2604.23854,
title = {Does Machine Unlearning Preserve Clinical Safety? A Risk Analysis for Medical Image Classification},
author = {Andreza M. C. Falcao and Filipe R. Cordeiro},
journal= {arXiv preprint arXiv:2604.23854},
year = {2026}
}
备注
Accepted at SBCAS'26