通过包括公平性考虑和利用生成对抗网络等先进技术，我们提出了一种新颖且专业的方法来解决医疗领域合成数据生成的局限性，为医疗应用中更可靠和无偏的预测铺平了道路。

Apr, 2024

本研究提出一种通过预处理算法识别和删除偏差样本以生成更公平的合成数据的管道，可以有效地克服许多挑战，并在某些情况下提高性能。

Oct, 2022

本研究提出了一种基于软件工程原理的人工智能框架，用于在保证医疗保健公平的同时识别和缓解数据和模型中的偏见和歧视，通过案例研究表明数据中的系统性偏见会导致模型预测中的偏差增大，并提出了机器学习方法来预防这种偏见。未来的研究目标是在实际的临床环境中测试和验证所提出的 ML 框架，以评估其在促进健康公平方面的影响。

May, 2023

这篇综述论文概述了高科技医疗领域中人工智能系统的算法公正性问题，阐述了当前临床工作流程中算法偏见（如图像采集，基因变异，内观者标记变异性等）导致的不公平医疗差距并探讨了联邦学习、分离和模型解释等新兴技术在 AI-SaMD 发展中的作用。

Oct, 2021

医学领域中人工智能（AI）的道德整合需要解决公平性这个高度依赖上下文的概念。本文通过详细的证据缺口分析，系统地指出了医疗数据和 AI 公平解决方案中存在的一些缺陷。我们强调了在许多医学领域中 AI 公平研究的稀缺性。此外，我们分析还凸显了对群体公平的重要依赖，旨在从宏观医疗系统的角度确保人口统计群体之间的平等；相比之下，对于更精细化程度上的个人公平性常常被忽视了。为了填补这些间隙，我们的综述为医疗和 AI 研究社区提出了可操作的策略。除了在医疗中应用现有的 AI 公平方法，我们进一步强调了将医疗专业人员纳入其中，以完善 AI 公平概念和方法，以确保 AI 在医疗领域中具有上下文相关性和道德健全性。

May, 2024

本文介绍了一种通用的基准测试框架，以评估生成对抗网络等方法合成的医疗数据的实用性和隐私度量，并发现在共享用于电子健康记录的合成数据时存在实用性和隐私度量的折中。

Aug, 2022

在保健医疗的高风险领域中，确保预测模型的公平性至关重要。我们提出了一种针对电子健康记录（EHRs）的公平感知临床预测的通用框架 FairEHR-CLP，它通过对比学习的方式在两个阶段操作，利用患者人口统计学、纵向数据和临床记录。这一框架在多个 EHR 数据集和任务上进行了广泛实验，证明了其在公平性和效用方面相对于竞争性基线模型的有效性。它是确保预测性保健模型准确性和公平性的一个进步。

Feb, 2024

本研究旨在建立使用合成数据训练的模型在偏见和公平之间的权衡，并研究了合成数据生成技术的变体，包括差分隐私生成方案，通过实验表明，合成数据训练的模型存在不同程度的偏差影响，且生成的特征不相关的技术表现良好。该研究有助于数据科学实践者理解合成数据的使用中的偏见。

May, 2021

为保障公平，研发 AI 工具在高风险应用（如医疗保健领域）中十分重要。本文提出了一种基于联邦学习的、适用于医疗领域的综合方法，通过对抗性去偏倚和公平聚合等技术明确减弱模型的偏见，且在多种实验中证明了该方法的有效性。

May, 2023

为了保证医疗人工智能系统的公平性和对负责任，我们提出了一种对抗性多任务训练策略来同时减轻和检测基于深度学习的医学图像分析系统中的偏见。实验表明我们提出的方法具有较高的有效性。

Mar, 2021