1. 研究背景与问题

人工智能在医学影像领域的应用（如Stable Diffusion）存在人口统计属性上的生成差异，表现为女性、白人及非西班牙裔样本质量更高，而男性、亚洲人及西班牙裔样本表现欠佳，可能加剧医疗资源分配不公平。

2. 研究创新与贡献

哈佛大学与纽约大学团队提出FairDiffusion方法，通过公平贝叶斯扰动机制自适应调节不同群体损失权重，并设计ES-FID、ES-IS、ES-AUC等新指标量化公平性。同时构建FairGenMed数据集，涵盖多维敏感属性标注的临床眼底图像。

3. 技术核心

• 公平贝叶斯扰动：引入自适应高斯扰动缩小群体误差差距。

• 损失差异量化：定义平均损失差异指导参数更新。

• 贝叶斯优化：采用上置信界（UCB）函数平衡探索与利用。

4. 实验结果

• 定性分析：FairDiffusion生成的弱势群体图像细节更接近真实数据。

• 定量指标：在SLO眼底、皮肤病（HAM10000）和胸部X光（CheXpert）数据上，ES-FID/ES-IS显示群体间差距显著缩小。

• 临床相关性：ES-AUC证明生成图像与文本提示的语义一致性提升，尤其改善弱势群体的诊断特征。

5. 未来方向

扩充数据集规模、丰富敏感属性维度，探索更广泛的公平生成策略，推动AI在医疗影像中的普惠应用。