ScaFE: Data-Efficient Scar Classification with LLM-Generated Clinical Feature Programs
ScaFE (Scar Feature Engineering) 是一种数据高效的疤痕分类方法，利用 LLM 生成可执行的临床特征程序，在本地受限环境中运行，仅返回聚合统计和特征级 SHAP 摘要。在来自三家医院的 600 张照片上，通过留一站点评估，ScaFE 实现了 81.0% 的站点宏平均准确率。
Development
- First ReportScaFE: Data-Efficient Scar Classification with LLM-Generated Clinical Feature ProgramsarXiv cs.LG
- Current AssessmentScaFE 展示了 LLM 在医疗影像分析中的新范式：不是直接处理图像，而是生成可解释的特征程序。这符合医疗行业对可审计性和数据隐私的严格要求，可能推动更多医疗 AI 采用类似方法。可验证的下一信号是：是否有更多医疗影像研究采用特征程序生成方法，以及监管机构是否认可这种可解释性。Agent Pulse · analysis
ScaFE 是一种数据高效的疤痕分类方法，通过将 LLM 的临床知识转化为确定性、可执行的特征程序，而非直接让模型诊断图像。该方法使用支持网络的 LLM 检索临床证据并合成程序，测量视觉上可评估的疤痕属性。候选程序在受限的本地环境中执行，仅返回聚合验证统计和特征级 SHAP 摘要，原始图像和患者级输出保持本地化。轻量级随机森林对结构化表示进行分类。在来自三家医院的 600 张照片上，通过留一站点评估，ScaFE 实现了 81.0% 的站点宏平均准确率。
ScaFE 的核心技术洞察是：将 LLM 从端到端图像分类器转变为特征程序生成器，通过受限本地执行和仅返回聚合统计，解决了数据治理和可审计性问题。这种方法将临床知识编码为可解释的特征，减少了对大量标注数据的依赖。可验证的下一信号是：该方法能否在更多临床数据集上复现，以及特征程序的可解释性是否有助于临床验证。
ScaFE 展示了 LLM 在医疗影像分析中的新范式：不是直接处理图像，而是生成可解释的特征程序。这符合医疗行业对可审计性和数据隐私的严格要求，可能推动更多医疗 AI 采用类似方法。可验证的下一信号是：是否有更多医疗影像研究采用特征程序生成方法，以及监管机构是否认可这种可解释性。
ScaFE 为医疗 AI 公司提供了一种数据高效且符合隐私法规的解决方案，降低了标注成本并满足数据治理要求。其可解释性有助于临床采用和监管审批。可验证的下一信号是：是否有商业产品采用 ScaFE 或类似方法，以及其临床部署效果。
未来，ScaFE 可能扩展到其他医学影像分类任务，并可能结合多模态 LLM 生成更复杂的特征程序。随着 LLM 能力的提升，特征程序的质量和覆盖范围可能增加，进一步减少对标注数据的需求。可验证的下一信号是：ScaFE 是否在更大规模或更多样化的数据集上得到验证。