43 lines
1.7 KiB
Markdown
43 lines
1.7 KiB
Markdown
---
|
||
title: "临床人工智能 (Clinical AI)"
|
||
created: 2026-06-10
|
||
updated: 2026-06-10
|
||
type: concept
|
||
tags: ["healthcare", "machine-learning", "medical-ai"]
|
||
sources: ["[[principled-uncertainty-clinical-ai]]"]
|
||
---
|
||
|
||
# 临床人工智能 (Clinical AI)
|
||
|
||
**临床人工智能**是将机器学习系统部署于医疗环境中的交叉领域，涵盖诊断影像、风险分层、治疗规划和患者分诊等应用。
|
||
|
||
## 核心挑战
|
||
|
||
1. **确定性输出的局限**：绝大多数临床 AI 系统输出点估计（如"73% 风险概率"），不提供置信度，无法区分高置信场景与分布外输入
|
||
|
||
2. **校准问题**：现代深度神经网络普遍校准不良（见 [[expected-calibration-error|ECE]]）
|
||
|
||
3. **公平性盲点**：标准准确率指标无法检测系统性偏见
|
||
|
||
## 不确定性在临床 AI 中的双重角色
|
||
|
||
[[principled-uncertainty-clinical-ai|Principled Uncertainty in Clinical AI]] 提出：
|
||
|
||
| 传统观点 | 新观点 |
|
||
|---------|-------|
|
||
| 不确定性 = 模型局限 | 不确定性 = **公平性资源** |
|
||
| 目标：最小化不确定性 | 目标：度量、报告、根据不确定性采取行动 |
|
||
|
||
高 [[epistemic-uncertainty|认知不确定性]] → 模型"知道自己不知道" → 触发人工升级 → 系统性保护弱势患者
|
||
|
||
## 关键技术栈
|
||
- [[bayesian-deep-learning|贝叶斯深度学习]] — 概率建模
|
||
- [[uncertainty-quantification|不确定性量化]] — UQ 方法
|
||
- [[precision-weighted-fusion|多模态融合]] — 处理异构临床数据
|
||
- [[algorithmic-equity|算法公平性]] — 公平性审计
|
||
|
||
## 参考
|
||
- [[principled-uncertainty-clinical-ai|Principled Uncertainty in Clinical AI]]
|
||
- [[algorithmic-equity|算法公平性]]
|
||
- [[uncertainty-quantification|不确定性量化]]
|