ScaFE：使用 LLM 生成的临床特征程序进行数据高效的疤痕分类

尽管专家标记的数据有限且各医院的采集差异很大，但从临床照片中对病理性疤痕进行分类需要区分疤痕疙瘩和肥厚性疤痕。端到端图像模型仍然依赖于数据，而将照片发送到托管视觉语言模型 (VLM) 可能会与本​​地数据治理要求发生冲突，并产生难以重现和审核的决策。我们引入了 ScaFE（疤痕特征工程），它将临床知识从 大语言模型 (LLM) 转移到确定性的可执行特征程序中，而不是要求模型诊断图像。支持网络的 LLM 检索临床证据并合成可测量视觉可评估疤痕属性的程序。候选程序在受限的本地环境中执行，仅返回聚合验证统计数据和特征级SHAP摘要以进行迭代修复和细化；原始图像和患者级输出保留在本地。然后，轻量级随机森林对生成的结构化表示进行操作。在来自 3 家医院的 600 张照片进行留一站点评估时，ScaFE 实现了 81.0% 的站点宏观平衡准确度，比最强基线 BiomedCLIP 超出了 10.0 个百分点。仅用 10% 的开发数据，ScaFE 就保持了 72.0% 的平衡准确度，领先 11.8 分。迭代细化还将可执行程序率从 66.7% 提高到 95.0%，最终功能的 91.7% 经过验证。这些结果表明，LLM 知识可以通过本地和可审核的特征程序而不是直接的 VLM 决策来支持数据高效的跨站点医学图像分类。