ScaFE：利用LLM生成临床特征程序实现数据高效的疤痕分类

ScaFE是一种数据高效的疤痕分类方法，利用LLM生成临床特征程序，将临床知识转化为确定性可执行程序，而非直接让模型诊断图像。在600张来自三家医院的图像上，其留一站点评估平衡准确率达81.0%，比最强基线BiomedCLIP高10个百分点；仅用10%开发数据时仍保持72.0%的准确率。

传统端到端图像模型依赖大量标注数据，且托管VLM可能违反本地数据治理要求。ScaFE通过本地执行特征程序，兼顾数据隐私与可复现性，同时显著提升数据效率和小样本性能，为医疗影像分析提供了新范式。

ScaFE利用LLM检索临床证据并合成测量视觉可评估疤痕属性的特征程序。候选程序在受限本地环境运行，仅返回聚合统计和特征级SHAP摘要，避免原始图像外泄。轻量级随机森林基于结构化特征分类，迭代修复提高程序可执行率与特征证据覆盖率。

对医疗影像产品，ScaFE可减少对大规模标注数据的依赖，降低数据准备成本；本地执行满足数据治理要求，适合医院内部部署。其可审计的特征程序有助于临床决策的可解释性，但当前产品适用范围可能限于疤痕分类，需验证其他领域泛化。

• 开发基于ScaFE的疤痕分类模块，嵌入现有临床影像系统，提供本地化推理与可解释特征报告。
• 将ScaFE框架迁移至其他皮肤病变分类任务，验证其数据高效性。
• 利用LLM特征程序生成能力，构建用户自定义特征提取工具，支持临床研究者快速构建模型。
• 集成SHAP特征归因，提供模型决策解释功能，满足医疗合规要求。

• ScaFE在不同临床场景下的泛化能力尚未验证，如医院数量增加或图像采集条件变化。
• LLM生成特征程序的可维护性与更新机制未说明。
• 轻量级随机森林的可解释性与临床可接受度未验证。
• 实际部署中本地环境运行特征程序的计算资源要求未明确。