以人为中心的医学图像分析
机器学习
2026-05-01 v1 人工智能
摘要
近期数据中心医学 AI 的进展产生了高度准确的诊断系统，但对公平诊断性能的优化以及工作流程集成的关注并未转化为广泛的临床采用。我们推测，这一有限的采纳源于对不同患者群体中公平性能优化和工作流程集成 attention 不足：性能偏差可能导致监管障碍， poorly 集成的自动化可能干扰临床程序，降低人类-AI 协作质量，减少医生采纳 AI 工具的意愿。先前关于工作流程集成（如学习延迟 (Learning to Defer, L2D) 和学习补充 (Learning to Complement, L2C)）和 AI 公平性的工作通常将这些挑战在 isolation 中考察，忽略了它们的自然相互依赖以及临床环境的实际限制（如医生时间受限）。我们提出以人为中心的医学图像分析框架（PecMan），通过动态门控机制在医生工作负载受限的情况下，将病例分配给 AI、医生或两者，实现公平性、诊断准确性和工作流程有效性的联合优化。我们还引入了公平性和以人为中心的 AI（FairHAI）基准，用于评估准确性、公平性和医生工作负载之间的权衡。使用该基准进行的实验表明，PecMan 持续地优于现有方法，为实现更可信且临床可行的 AI 系统铺平了道路。代码将在论文接受后公开。
引用
@article{arxiv.2604.26991,
title = {People-Centred Medical Image Analysis},
author = {Zheng Zhang and Milad Masroor and Cuong Nguyen and Tahir Hassan and Yuanhong Chen and David Rosewarne and Kevin Wells and Thanh-Toan Do and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2604.26991},
year = {2026}
}
备注
Submitted to Medical Image Analysis