偏差约束的多模态智能，实现公平可靠的临床人工智能

医学成像和临床文本的集成使得医疗保健领域的通用人工智能 (AI) 系统出现。然而，普遍存在的偏见，例如疾病患病率不平衡、解剖区域分布不均、成像协议异质和人口差异等，对现实临床环境中视觉语言系统的公平性和可靠性构成了重大挑战。在这里，我们提出 BiasCareVL，一种偏差感知多模态学习框架，它将偏差控制直接引入模型设计中，而不是将其视为事后校正。 BiasCareVL 将自适应不确定性建模与可选的人机交互细化相结合，以调节主导数据模式的影响并促进分布不平衡下的公平推理。该框架经过超过 15 种成像模式的 344 万个样本的训练，支持多种临床任务，包括统一表示空间内的视觉问答、疾病分类、分割和报告生成。在涵盖皮肤病学、肿瘤学、放射学和病理学的八个公共基准中，BiasCareVL 始终优于 20 种最先进的方法，在临床挑战性场景中取得了显着的进步，包括多类皮肤病变诊断的准确性提高了 10% 以上，小肿瘤分割的 Dice 改进了 20% 以上。此外，当由委员会认证的放射科医生进行评估时，BiasCareVL 的诊断性能超过了人类的准确度，同时大大减少了时间要求。通过开源 BiasCareVL，我们的目标是促进医疗保健领域人工智能的透明、可重复和公平的未来，为通用、值得信赖和临床可靠的人工智能系统铺平道路。