本研究提出了FedIDA框架，以解决医疗领域人工智能中的公平性问题。该框架结合公平性感知正则化与组条件超采样，提升了多敏感属性下的公平性，同时保持了联邦学习的收敛性。实证结果表明，FedIDA在竞争性预测性能的同时显著提高了模型的公平性。

本研究探讨医疗人工智能中事后解释的价值，认为其能提升用户理解和临床准确性，帮助医生解读AI决策，具有重要意义。

本研究提出了一种通用的偏差检测框架（G-AUDIT），旨在解决医疗人工智能中的数据集偏差问题。该框架通过分析任务级注释与数据属性的关系，自动量化学习偏差，识别传统方法忽视的细微偏差，从而提升模型的可靠性与安全性。

医疗人工智能的发展依赖于高质量的数据集，涵盖疾病诊断、药物研发和个性化医疗等领域。本文整理了10个医学数据集，包括中医药、医学问答和推理，旨在帮助研究人员了解数据资源的特点与应用。

2012年，谢伟迪从通信领域转向计算机视觉，专注于医疗人工智能。他认为通用医疗AI系统能够整合多模态数据，促进疾病诊断。团队利用网络爬虫收集医学数据，构建多模态模型，强调知识驱动的重要性，未来将关注临床需求和基因组学研究。

本文探讨了医疗人工智能中的可解释性问题，强调高置信度预警对医生的重要性。研究表明，AI系统在心电图分析中优于人类医生，并提出了改善AI与用户互动的建议。同时，讨论了AI应用中的偏见问题及其解决方案，以提高医学领域的沟通准确性和研究透明度。

本文探讨了机器学习分类器在决策过程中的公平性问题，强调随机分类器集合的潜在好处，如保证公平性和改善准确性-公平性权衡。研究分析了不同算法在群体公平性上的表现差异，并提出了“正和公平”概念，以促进医疗人工智能中的公平性应用。

机器学习在医疗人工智能系统中的应用已经转向深度学习模型。多模态人工智能面临表示、融合、对齐、翻译和协同学习等五大挑战。本文调查了解决这些挑战的方法，并讨论了未来发展方向。

通过综合文献回顾和团队经验，提出了一个概念性框架，以保证合成数据在医疗人工智能应用中的质量，并扩展了质量维度，包括公平性和碳足迹，并提出了支持实际应用所必需的阶段，以加速可信任的医疗人工智能工具的发展和推广，促进患者受益。

机器学习在医疗人工智能系统中的应用已转向深度学习模型。多模态人工智能面临表示、融合、对齐、翻译和协同学习等五大挑战。本文调查了解决这些挑战的方法，并讨论了未来发展方向。

总结了知识图谱在医疗人工智能中的作用和应用，包括药物发现和制药研究等领域。强调了知识图谱在提高人工智能系统可解释性方面的重要性，并提出了未来的研究挑战和发展方向。

机器学习在医疗人工智能系统中的应用正向深度学习模型转变。多模态数据集成面临表示、融合、对齐、翻译和协同学习等五大挑战，近期的方法正在解决这些挑战。未来应进一步研究临床模型及其在临床环境中的转化方向。

该综述介绍了知识图谱在医疗人工智能中的应用，特别是在药物发现和制药研究方面。知识图谱整合多样化信息源，增强了人工智能系统的可解释性。强调了在医疗领域运用具有知识注入的学习方法的重要性。

欧洲议会议会研究服务总局发布医疗人工智能风险报告，提出14个功能要求以降低风险并遵守未来的欧盟监管框架。