A Survey on Trustworthiness in Foundation Models for Medical Image Analysis

基于医学影像的基础模型的快速发展，代表着提高诊断准确性和个性化治疗的重大飞跃。然而，在医疗保健领域部署基础模型需要对其可信度进行严格的检查，包括隐私、鲁棒性、可靠性、可解释性和公平性。目前，有关医学影像基础模型的调查文献体系存在相当大的空白，特别是在可信度方面。此外，有关基础模型可信度的现有调查未能涵盖其在医学影像领域内的具体变化和应用。本调查论文重点评估了基于医学影像的主要应用领域中基础模型的当前研究，包括分割、医学报告生成、医学问答（Q&A）和疾病诊断，并在其手稿中讨论了可信度问题。我们探讨了使医学图像分析的基础模型可信度面临的复杂挑战，以及每个应用程序相关的问题，并总结了当前的关注点和增强可信度的策略。此外，我们探讨了这些模型在革新患者护理方面的未来前景。我们的分析强调了在医学图像分析中推进可信度AI的必要性，倡导在确保医疗保健的道德和公平性的同时促进创新的平衡方法。

本文旨在探讨基础模型在医学影像领域的应用，重点关注分割、报告生成、问答和疾病诊断等方面的可信度问题。目前在医学影像领域中，基础模型应用的可信度问题仍存在很大的研究空白。

本文主要研究基础模型在医学影像领域的可信度问题，包括隐私、鲁棒性、可靠性、可解释性和公平性。文章总结了当前的问题和策略，并探讨了这些模型在革命性地改变患者护理方面的未来前景。

本文重点关注基础模型在医学影像领域的可信度问题，探讨了与每个应用相关的复杂挑战，并总结了当前的问题和策略。文章提出了在确保医疗保健的道德和公平性的同时促进创新的平衡方法。实验设计了多个医学影像应用场景，使用了多个数据集，并提供了一些开源代码。

在医学影像领域，最近的相关研究包括：《使用深度学习进行医学图像分割的综述》、《医学图像分割的深度学习方法：现状和未来》、《基于深度学习的医学影像分割：现状和未来趋势》等。