基于归纳共形预测的临床决策支持系统公平性优化框架FairICP：实现诊疗点偏倚识别与透明度提升

【编辑推荐】针对AI驱动的临床决策支持系统(CDSS)在医疗实践中存在的已知/未知偏倚引发的公平性争议，研究团队开发了基于归纳共形预测(ICP)的FairICP框架。通过群体特异性校准界定模型能力边界，该方案在心脏MRI、胸部X光及皮肤镜影像数据中平均提升预测精度7.2%，缩小优势/劣势群体间准确率差距2.2%，为诊疗点(Point of Care)的模型不确定性评估提供了可操作性解决方案。

　　

医疗人工智能(AI)领域正面临严峻挑战：临床决策支持系统(CDSS)中潜伏的已知/未知偏倚可能引发诊疗不公平。当这些系统应用于与训练环境不同的临床场景时，常出现令人担忧的亚群体性能差异。现有公平性优化方案往往受限于可扩展性，且群体层面的预测性能均衡难以转化为诊疗点的实质公平。

这项研究创新性地提出FairICP框架——基于归纳共形预测(Inductive Conformal Prediction, ICP)的灵活、经济高效的实施方案。该框架通过群体特异性校准，智能界定模型的"能力边界"，仅保留置信区间内的可靠预测。研究团队在三大医学影像模态(心脏磁共振成像(MRI)、胸部X射线及皮肤镜影像)上展开验证，数据来源涵盖私有及大型公共数据集。

与基线模型相比，FairICP展现出双重优势：整体预测准确率提升7.2%，同时将优势群体与弱势群体间的准确率差距缩小2.2%。这种后处理方法为医疗场景中的AI-CDSS实施与监测提供了关键技术支持，通过诊疗点的模型不确定性可视化，真正促进了不同患者群体间的医疗平等与公平。