20260617:目前有914 页

papers/principled-uncertainty-clinical-ai.md

@@ -0,0 +1,69 @@
+---
+title: "Principled Uncertainty in Clinical AI: Bayesian Modelling and Equity Auditing"
+created: 2026-06-10
+updated: 2026-06-10
+type: paper
+tags: ["bayesian-deep-learning", "uncertainty-quantification", "algorithmic-equity", "clinical-ai", "multimodal-fusion"]
+sources: ["https://arxiv.org/abs/2606.09789"]
+---
+
+# Principled Uncertainty in Clinical AI
+
+**Authors**: Oladimeji Anthonio, Dimeji Abdulsobur Olawuyi, Oloruntoba Ajayi, Temiloluwa Aderemi, Joseph Odamo
+**Venue**: arXiv:2606.09789v1 [cs.CY], 2026
+**Affiliation**: Centre for Algorithmic Health Equity, Ibadan, Nigeria
+
+## 核心问题
+
+临床 AI 系统大量生产确定性预测（点估计），却不提供任何置信度或可靠性度量。这导致两个后果：技术上，模型无法区分高置信场景与分布外输入；公平性上，系统性地对弱势群体的失败完全不可见。
+
+## 方法论贡献
+
+提出了**端到端贝叶斯不确定性建模框架**，将分布表示传播到多模态预测管线的每一个阶段：
+
+1. **模态特定变分编码器**（[[variational-autoencoder|VAE]] 基础）：将 EHR（32维）、医学影像特征（128维）、临床文本嵌入（64维）映射到共享 16 维潜空间
+2. **精度加权晚期融合**（[[precision-weighted-fusion]]）：利用各模态精度 Λ_m = 1/σ²_m 进行加权组合，缺失模态自动排除（log σ² → 10.0）
+3. **分解不确定性输出头**（[[uncertainty-quantification]]）：分离 [[aleatoric-uncertainty]]（Softplus 激活）和 [[epistemic-uncertainty]]（[[mc-dropout]] T 次前向传播方差）
+4. **复合贝叶斯损失**：L_total = L_pred + β_KL·L_KL + β_unc·L_unc
+
+## 关键发现
+
+**校准性能**：ECE = 0.096，缺失影像数据患者不确定性提升 +42.2%
+
+**公平性审计**（核心贡献）——将校准后的不确定性作为算法公平性的形式化度量：
+
+| 子群体轴 | UEG | p 值 | 效应量 r |
+|---------|-----|------|---------|
+| 设施类型（初级/农村 vs 三级） | 15.3% | <0.001 | 0.698 |
+| 社会经济地位（低 vs 高 SES） | 6.8% | <0.001 | 0.617 |
+| 年龄组（老年 vs 成人） | 3.9% | <0.001 | 0.575 |
+| 生物性别 | 0.5% | 0.909 | — |
+
+标准准确率指标无法检测这些差异（农村 85.5% vs 三级 82.6%，仅差 2.9pp），而不确定性差距高达 15.3%。
+
+## 核心论点
+
+**不确定性不是需要最小化的局限，而是需要度量、报告并采取行动的公平性信号。** 高认知不确定性标志着模型训练数据未能充分代表该患者——在数据质量与资源可用性相关的医疗体系中，这反映了历史性健康不平等的部分映射。
+
+## 局限性
+- 合成数据评估（1,000 患者），外部效度有限
+- 固定潜空间维度，未采用层次化潜空间
+- 公平性指标量化差异但未归因到具体原因
+
+## 相关概念
+- [[epistemic-uncertainty|认知不确定性]]
+- [[aleatoric-uncertainty|随机不确定性]]
+- [[uncertainty-quantification|不确定性量化]]
+- [[bayesian-deep-learning|贝叶斯深度学习]]
+- [[expected-calibration-error|预期校准误差]]
+- [[uncertainty-equity-gap|不确定性公平性差距]]
+- [[uncertainty-disparity-ratio|不确定性差异比]]
+- [[precision-weighted-fusion|精度加权融合]]
+- [[mc-dropout|MC Dropout]]
+- [[algorithmic-equity|算法公平性]]
+- [[clinical-ai|临床人工智能]]
+- [[variational-autoencoder|变分自编码器]]
+
+## 来源
+- [arXiv](https://arxiv.org/abs/2606.09789)
+- [原始存档](raw/papers/anthonio-principled-uncertainty-clinical-ai-2026.md)