中国青年学者一作兼通讯，AI读片，登上Nature Biomedical Engineering

背景：医学影像诊断错误在美国每年导致约4万至8万例本可避免的死亡，放射科误诊率高达十分之一。尽管基于深度学习的计算机辅助诊断取得了进展，但其“黑箱”特性使决策过程不可解释，且容易从数据混杂因素中学习虚假相关性。研究目的：宾夕法尼亚大学Tianyu Han等人提出CLEAR（Concept-Level Embeddings for Auditable Radiology），一种基于临床概念的可审计基础模型，旨在通过将影像与放射学报告中的临床概念对齐，实现可解释、可审计的医学影像分析。结论：CLEAR从227,835项研究的报告文本中提取368,294条放射学观察构建概念空间，利用超过87万对影像-报告数据进行对比预训练。该模型在零样本分类和监督探针任务中持续优于现有视觉-语言基础模型，并提供了概念级别的审计能力，能够识别数据集中的混杂因素、进行有针对性的概念干预以提升性能，并构建达到专家水平的可解释概念瓶颈模型。CLEAR代表了医学影像AI从“黑箱”向“白盒”转变的重要一步，为稳健模型审计、安全临床部署和增强的人机协作提供了可行框架。