两篇新研究论文探讨了人工智能驱动的医学图像分类中临床安全的关键问题，特别是在处理数据隐私和标签噪声时。第一篇论文研究了机器遗忘技术，发现标准方法可能会无意中增加假阴性率和临床风险。它提出了一种新的方法 SalUn-CRA，通过优先考虑临床风险感知来缓解这一问题。第二篇论文研究了噪声鲁棒学习方法，证明它们在减少错误方面的有效性并不总是能转化为临床安全，因为假阳性和假阴性之间存在不对称成本。这项研究提倡将成本敏感优化纳入鲁棒训练，以更好地使人工智能性能与患者预后保持一致。 AI
影响 强调了在医学影像中评估人工智能模型时，不仅要关注准确性，还要关注临床风险，特别是假阴性。
排序理由 两篇在 arXiv 上发表的关于医学影像中人工智能安全的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.23854v1 Announce Type: new Abstract: The application of Deep Learning in medical diagnosis must balance patient safety with compliance with data protection regulations. Machine Unlearning enables the selective removal of training data from deployed models. However, mos…
arXiv:2604.23875v1 Announce Type: new Abstract: Noisy labels are a pervasive challenge in medical image classification, where annotation errors arise from inter-observer variability and diagnostic ambiguity. Although several noise-robust learning methods have been proposed, their…