面向医学 AI 的鲁棒设计：持续监控与数据集成框架
计算机视觉与模式识别
2026-04-13 v1
摘要
自适应医学 AI 模型常因数据漂移在动态临床环境中面临性能下降。我们提出了一个自主持续监控和数据集成框架，以维持其稳健性能。聚焦于肾小球病理图像分类（增殖性 vs. 非增殖性红斑性肾炎），本方法采用三阶段流程，通过多指标特征分析和蒙特卡罗 dropout 基于不确定性门控决策何时对新数据进行再训练。仅集成与训练分布统计上相似的图像（通过欧几里得距离、余弦距离和马氏距离度量）且预测熵值较低的图像。该模型在这些图像的严格性能保障下增量再训练（无指标退化 >5%）。在使用 ResNet18 集成在多中心数据集上的实验中，框架防止了性能退化：新增图像在 AUC（~0.92）和准确率（~89%）方面无显著变化。该方法解决了数据漂移问题，避免灾难性遗忘，实现医学影像 AI 的持续学习。
引用
@article{arxiv.2604.09009,
title = {Robust by Design: A Continuous Monitoring and Data Integration Framework for Medical AI},
author = {Mohammad Daouk and Jan Ulrich Becker and Neeraja Kambham and Anthony Chang and Chandra Mohan and Hien Van Nguyen},
journal= {arXiv preprint arXiv:2604.09009},
year = {2026}
}
备注
Accepted at IEEE ISBI 2026. Chandra Mohan and Hien Van Nguyen jointly supervised this work