面向医学图像分析的公平基础模型：挑战与展望
计算机视觉与模式识别
2026-01-15 v2 人工智能
机器学习
摘要
确保医疗保健中的人工智能（AI）公平性，要求系统在所有人口群体中做出无偏见的决策，从而将技术创新与伦理原则相结合。基础模型通过自监督学习在海量数据集上进行训练，能够高效适应各种医学成像任务，同时减少对标注数据的依赖。这些模型展现了增强公平性的潜力，尽管在实现各人口群体间一致性能方面仍存在重大挑战。我们的综述表明，基础模型中有效的偏见缓解需要在开发的所有阶段进行系统性干预。以往的方法主要侧重于模型层面的偏见缓解，而我们的分析揭示，基础模型的公平性需要在整个开发流程中进行综合干预，从数据记录到部署协议。这一综合框架推进了现有知识，展示了系统性偏见缓解结合政策参与，如何有效解决医疗保健公平 AI 面临的技术和制度障碍。公平基础模型的开发是实现先进医疗技术民主化的关键一步，特别是对于服务不足的人群以及医疗基础设施和计算资源有限的地区。
引用
@article{arxiv.2502.16841,
title = {Fair Foundation Models for Medical Image Analysis: Challenges and Perspectives},
author = {Dilermando Queiroz and Anderson Carlos and André Anjos and Lilian Berton},
journal= {arXiv preprint arXiv:2502.16841},
year = {2026}
}