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。

研究表明，在医疗人工智能算法训练中，合成图像的低保真度在某些情况下优于高保真度图像。通过分析胸部X射线图像，确认了保真度与多样性之间的平衡问题，并提出了“病理学家在环路中”的框架，以生成临床可信的合成医学影像。此外，研究评估了图像质量指标，强调需改进医学图像翻译和协调技术的评估标准，以提高机器学习的可解释性和泛化性。

本文讨论了多模态机器学习在医疗人工智能中的应用，特别是医学图像的临床决策支持模型面临的五大挑战：表示、融合、对齐、翻译和协同学习。研究表明，多模态融合模型在疾病诊断和预测方面优于单一模式模型，未来需进一步探索其在临床环境中的转化应用。

本文提出了一个框架，以确保医疗人工智能中合成数据的质量，扩展了公平性和碳足迹等维度。通过提高透明度和降低风险，增强对合成数据的信任，促进医疗AI工具的发展。研究探讨了合成数据在疾病预测和药物开发中的应用，并提出了评估合成数据质量的新标准，强调隐私与实用性之间的平衡。

本文介绍了通过GPT-4生成的多模态指令序列，优化了新模型LLaVA，并在多个数据集上取得优异表现。研究提出了新的数据收集方法和细粒度视觉指令数据集，显著提升了多模态模型的性能。InstructionGPT-4在视觉问答等任务中表现优于原始模型，推动了医疗人工智能的创新。

本文探讨了大型语言模型（LLMs）在医疗领域的应用，提出了 AI Hospital 框架和多模态医疗人工智能方法，验证其在临床决策中的有效性。研究表明，LLMs 可以作为患者中心的临床助手，提高诊断准确性，并通过自动化评估确保临床方案的安全性。NoteChat 框架利用 LLMs 生成医患对话，减轻医生负担，展示了人工智能在医疗中的潜力。

本研究提出了一个新的评估框架，用于评估合成数据生成模型的质量，重点关注隐私保护和实用性。该框架综合考虑算法、自治性和可扩展性，旨在提高合成数据的可信度，促进医疗人工智能的发展。

该研究探讨了模拟内存计算（AIMC）在医疗人工智能中的应用，提升了边缘计算模型的准确性。通过脑肿瘤分析等任务的评估，AIMC展现出优越的鲁棒性和有效的数据处理能力。此外，研究提出的新型深度学习框架MCIAT结合多任务学习和自适应标记微调，显著提高了医学影像的诊断性能。

本研究探讨了基于场景图的胸部医学影像数据集，提出多种方法提升胸部X光和CT图像的分析与生成能力，利用自然语言处理、预训练模型和多模态深度学习框架，显著改善医学图像与报告的对齐和生成效果，推动医疗人工智能的发展。

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。