人工智能(AI)在通过临床决策支持系统(CDSSs)支持临床决策方面展现出巨大潜力。然而，尽管实验结果令人鼓舞，大多数AI解决方案仍局限于原型阶段，未能在真实医疗环境中获得持续应用。这一差距主要是由于未解决的工程挑战，包括与异构基础设施（如电子健康记录(EHRs)和远程医疗平台）的集成、处理噪声和不断演变的数据、确保在操作条件下的稳健性，以及系统的长期维护。此外，高风险的临床环境要求透明度、可追溯性以及符合监管标准，这进一步复杂化了部署过程。可解释人工智能(XAI)、多模态学习和隐私保护技术的最新进展提供了新的机会，但需要更加强调软件工程原则，才能将这些进展转化为可靠、可投入生产使用的系统。
本研究专题旨在解决AI原型开发与其在真实临床决策支持系统中可靠部署之间的关键差距。虽然机器学习的进展导致了越来越精确的模型，但由于与系统设计、可扩展性、稳健性、生命周期管理和实际验证相关的挑战，这些模型在运营医疗环境中的集成仍然有限。本计划的目标是促进明确解决这些软件工程挑战的贡献，推动不仅准确而且可部署、可维护和可信的AI驱动CDSSs发展。我们旨在鼓励开发工程方法论、系统架构和评估策略，使AI能够持续集成到临床工作流程中。特别强调那些提供来自真实部署的实证证据、记录工程权衡以及报告在高风险临床环境中构建和操作AI系统的经验教训的贡献。
本研究专题专注于高风险临床决策支持的AI系统的软件工程，特别关注这些系统的整个生命周期，从设计和开发到在真实环境中的部署、验证和维护。我们欢迎明确解决工程方面的贡献，例如AI赋能的CDSSs的系统架构、与临床基础设施的集成、稳健性和容错性、监控和维护策略，以及自适应模型的生命周期管理。提交的内容应清晰阐述其工程贡献，包括方法、工件、框架或可重复的实践。
相关主题包括但不限于：
- AI在临床工作流程中的系统设计和集成；
- 在真实环境中的验证框架和基准测试；
- 嵌入到操作系统中的可解释性技术；
- 在部署环境中的持续、联邦或自适应学习；
- 数据工程和多模态数据集成管道；
- AI驱动的临床系统中的安全性、稳健性和合规性；
- 决策支持工具中的人机交互和可用性。
我们特别鼓励提供真实部署的实证验证和见解的案例研究、系统论文、评估框架和经验报告。贡献应超越算法性能，展示实际影响、可重复性或可转移的工程知识。纯粹理论性或以模型为中心而与部署和系统级考虑无明确相关性的工作不在本专题范围内。
【全文结束】
