演算法公平性與深度 AI 的必然：矯正臨床決策支援中的系統性偏誤

人工智慧融入臨床環境，已從理論承諾轉為結構性必要。然而，隨著醫療機構日益仰賴自動化系統來強化診斷精確度與分流效率，演算法在受控環境中的表現與病患實際預後之間，出現了關鍵斷層。近期湧現的實證證據——從脈搏血氧儀硬體層級的不準確，到專有敗血症模型的架構性失敗——揭示許多現行 AI 導入並非單純中立工具，而是積極延續歷史醫療不公平的參與者。黑人孕產婦健康危機中，死亡率仍為白人族群的三倍，正是這些系統性失敗最令人怵目驚心的指標。本報告由 Veriprajna 提出，主張解決這些落差的關鍵，不在於膚淺套用大型語言模型（LLM）「包裝層」，而在於根本轉向優先生理完整性、人口統計均等與嚴謹外部驗證的深度 AI 解決方案。

信心危機：超越 LLM 包裝層陷阱

當前技術版圖充斥「包裝層」應用——在 OpenAI 的 GPT、Google 的 Gemini 或 Anthropic 的 Claude 等通用公開 API 之上，僅提供薄薄一層使用者介面的軟體。這些工具擅長行政起草與表面層資料摘要，卻根本上無法勝任臨床決策支援所需的高風險、多模態需求。LLM 是依語言機率訓練的統計引擎；它並不具備病態生理學的概念理解，也未本質上紮根於臨床證據的嚴謹約束。¹ 在孕產婦健康或急性敗血症管理情境中，「包裝層」作法引入不可接受的風險，包括幻覺、強化網路尺度偏誤，以及缺乏可解釋性，使模型的「黑箱」本質成為負債而非資產。³

Veriprajna 定位為深度 AI 解決方案提供者，倡議整合即時生理訊號、專家標註資料集與公平感知損失函數的方法論。「現成」模型——例如 Epic 敗血症模型——無法在多元病患族群間泛化，證明以整體族群平均的準確度指標，往往掩蓋了邊緣化亞群中致命的缺陷。⁵ 真正的臨床智慧需要一種架構，能納入硬體感測器、社會經濟健康決定因素（SDOH），以及跨人口統計世代生理變異之間的相互依存。

生理資料完整性：脈搏血氧儀與偏誤的基礎

任何 AI 系統的效能都與其所攝取資料的品質密不可分。在分流與早期預警系統中，脈搏血氧測定是判斷呼吸窘迫與敗血症風險的主要輸入來源。然而，這些裝置的物理機制含有一項早已充分記載、卻經常被忽視的偏誤：黑色素對光的差異吸收。

光學干擾的物理學

脈搏血氧儀透過組織傳輸紅光與紅外光，並測量含氧與去氧血紅素的吸收比。然而，黑色素也會在這些波長上吸收光線。當這些裝置主要在較淺膚色族群上校準時，較深膚色病患額外的吸收常被裝置誤判為較高濃度的含氧血紅素。⁸ 這導致「隱性低血氧症」——一種裝置回報的周邊血氧飽和度（ ）落在正常範圍，而真實動脈血氧飽和度（ ）卻已危險偏低的狀況。

近期發表於《新英格蘭醫學雜誌》（NEJM）與《英國醫學期刊》（BMJ）的發現，凸顯此測量誤差的幅度及其對 AI 驅動分流邏輯的後續影響。研究指出，黑人病患發生隱性低血氧症的可能性近乎白人病患的三倍；此一落差自 1990 年代以來持續存在，卻未見充分的監管介入。⁸

參數	較淺膚色影響	較深膚色影響	來源
平均高估	基準	高出 0.6 至 1.5 個百分點	8
偽陰性率（SpO₂）	1.2% - 26.9%	7.6% - 62.2%	8
隱性低血氧症發生率	基準	頻率約高 3 倍	8
兒科偵測失敗	0% 漏檢	最深膚色漏檢 7%	11

對 AI 分流的連鎖效應

當 AI 分流系統將 作為核心特徵時，便繼承了此硬體層級偏誤。

若演算法設計為在 低於 92% 時觸發「高優先」警示，它將系統性地無法標示真實動脈血氧為 88%、但脈搏血氧儀讀數仍為 93% 的黑人病患。這導致補充氧氣投予的系統性延遲、器官衰竭風險上升，以及更高的住院死亡率。⁹

對 Veriprajna 這類深度 AI 提供者而言，這些資料揭示「乾淨」的電子病歷（EHR）資料只是幻覺。精密模型必須經工程設計，以套用人口統計特定校準偏移，或利用多模態感測器（例如結合血氧測定與心率變異性及呼吸率）來三角定位病患的真實臨床狀態。2024 年范德比大學研究（POSTer-Child）強調，即使在兒科族群中，常見脈搏血氧儀在最深膚色病患中漏檢低血氧達 7%，而在最淺膚色病患中漏檢為零。¹¹ 這顯示現行 FDA 指引——直到近期仍僅要求在十名受試者上測試——根本不足以確保建基於這些感測器之上的 AI 系統安全。¹⁰

急性照護中的預測失敗：Epic 敗血症模型分析

從硬體偏誤過渡到演算法偏誤，在 Epic 敗血症模型（ESM）的廣泛採用中最為明顯。該模型已整合進數百家醫院的電子病歷（EHR），並被行銷為可在臨床辨識前主動偵測敗血症的工具。然而，其部署現實卻以泛化能力差與顯著的種族表現落差為特徵。

泛化落差

開發者內部驗證宣稱曲線下面積（AUC）為 0.76 至 0.83。然而，密西根醫學中心進行的獨立外部驗證顯示表現急遽下滑，AUC 僅為 0.63。⁵ 此一落差說明專有模型常見的「場域特定過度擬合」。當模型在特定病患族群上校準（例如 2013–2015 年三個美國醫療體系）時，面對新機構不同的人口組成、臨床實務與紀錄習慣，往往就會失效。⁵

效能指標	開發者宣稱	外部驗證（密西根）	來源
敏感度（真陽性）	高	33%（漏檢 67% 病例）	6
陽性預測值	不適用	12%（88% 偽警報率）	7
早期偵測優勢	行銷宣稱	6% 病例（罕見早於臨床醫師的警示）	13
警示負擔	可控	高（顯著警示疲勞）	7

種族落差與標籤偏誤問題

ESM 的失敗不僅是敏感度偏低，更是不平等保護的問題。黑人與西班牙裔病患的敗血症發生率近乎白人病患的兩倍，且常以較年輕年齡表現。¹⁴ 然而，研究指出 ESM 在這些群體間呈現不佳的「校準」，往往未能納入邊緣化族群中敗血症特有的生理軌跡。¹⁴

此一失敗的主要驅動因素是「標籤偏誤」。許多敗血症模型以本身即為偏誤人類判斷產物的臨床定義或帳單代碼訓練。若臨床醫師歷史上對黑人病患開立血液培養或辨識敗血症較慢，AI 便學會將「敗血症」與白人病患的資料特徵聯結，實際上對黑人病患的疾病表現變得「視而不見」。¹⁴ 這形成致命回饋迴路：AI 因歷史資料偏誤而漏掉病患，臨床醫師又因過度依賴尚未觸發警示的 AI 而漏掉病患。

孕產婦健康危機：系統性忽視與演算法失敗

或許沒有哪個醫學領域比孕產婦健康更能清楚展示結構性種族主義與技術失敗的交會。美國疾病管制與預防中心（CDC）報告指出，黑人女性的妊娠相關死亡率為每 10 萬活產 50.3——近乎白人女性 14.5 的 3.5 倍。¹⁷ 即使控制教育與收入後，此一落差依然存在，顯示根源在於照護品質與醫療體系的結構性偏誤。¹⁹

加州孕產婦資料中心（MDC）發現

加州透過加州孕產婦品質照護協作組織（CMQCC），長期是孕產婦健康品質改善的領導者。然而，即使在此資料豐富的環境中，AI 早期預警系統（EWS）仍顯示關鍵缺陷。MDC 發現自動化早期預警系統漏檢了黑人病患 40% 的嚴重發病病例。²⁰

嚴重孕產婦發病（SMM）衡量危及生命的併發症——如出血、子癇前症與敗血症——其發生頻率比孕產婦死亡高出 100 倍。²¹ AI 未能標示黑人女性這些病例，往往與「風化」（weathering）效應有關——系統性種族主義所致慢性壓力的生理表現，可導致較高的基準血壓與改變的心血管反應，而 AI 可能將其解讀為該個體的「正常」。²⁰

結果指標	黑人非西班牙裔	白人非西班牙裔	西班牙裔	來源
孕產婦死亡率（每 10 萬）	50.3	14.5	12.4	17
早產率	14.7%	9.4%	10.1%	19
晚期或未接受產前照護	10.4%	4.7%	9.7%	19
產科照護中的不當對待	三分之一	五分之一（平均）	不適用	23

「未能搶救」與經濟必然

落差不僅在於併發症發生率，更在於「未能搶救」。一旦發生嚴重發病，黑人女性死亡的可能性是白人女性的 1.79 倍。²⁴ 這顯示當 AI 系統未能警示，或其警示因內隱偏誤被忽略時，挽救生命介入的窗口對黑人病患關閉得更快。

McKinsey 關於縮小黑人孕產婦健康落差的分析強調，解決這些落差不僅是道德必要，也是經濟必要。為黑人女性恢復健康生命年，可為美國 GDP 增加 $24.4 billion，並節省每年 $385 million 可預防的醫療成本。²⁵ 這需要從被動觀察轉向主動、AI 賦能的介入策略，優先「計算、研究、照護、納入與投資」。²⁵

深度 AI 與 LLM 包裝層：技術批判

生成式 AI 的崛起帶動臨床「聊天機器人」與摘要工具激增。然而，對孕產婦分流或敗血症偵測這類高風險環境而言，這些「包裝層」根本上不足。Veriprajna 主張區分這些機率式語言模型與為臨床效用設計的深度 AI 架構。

統計機率的局限

大型語言模型（LLM）運作於詞語機率，而非臨床邏輯。在醫療環境中，這表現為：

1.​ 臨床不準確：研究發現，當病患特定變數複雜時，LLM 在腎功能不全劑量調整上的準確率僅達 16.7%。²⁶

2.​ 缺乏即時紮根：多數公開 LLM 以靜態資料集訓練，無法存取即時臨床資料庫或更新指引。¹

3.​ 黑箱不透明：LLM 無法提供臨床醫師可驗證的透明推理鏈，而這是歐洲 GDPR 與演進中美國健康法規的要求。²

4.​ 對抗性幻覺：系統可被操控或錯誤轉錄內容，導致捏造的臨床資料被插入病患紀錄。¹

Veriprajna 深度 AI 典範

依 Veriprajna 定義，深度 AI 解決方案必須具備：

●​ 多模態：整合波形資料（EKG／血氧測定）、結構化檢驗與非結構化護理紀錄，而非僅依賴文字輸入。¹³

●​ 專家驗證：使用源自裁定式專家審查的標籤，而非嘈雜的帳單代碼。⁶

●​ 設計即公平感知：在訓練階段實作數學約束，以確保人口統計均等。²⁸

演算法公平性的數學基礎

要從理論走向企業級，我們必須處理偏誤的數學結構。傳統最佳化旨在最小化整個資料集的經驗風險（平均誤差）。這自然偏向多數群體。Veriprajna 實作公平感知損失函數以矯正此點。

公平感知損失函數

一種作法是將「公平懲罰」納入標準損失函數。若 為標準交叉熵損失，公平感知模型會最小化：

其中 為跨受保護群體（例如種族或性別）的差距度量， 為控制整體準確度與群體公平之間權衡的正則化參數。²⁸

最差群體損失最佳化

在許多醫療情境中，我們關注的是最小化最脆弱族群的風險。最差群體損失作法尋求最小化所有人口統計亞群中的最大損失：

其中 為所有亞群的集合（例如黑人非西班牙裔、白人、西班牙裔）。自動化憂鬱偵測研究顯示，雖然此作法可能略微降低整體準確度，卻能顯著改善代表性不足群體的結果——例如常被標準模型誤分類的西班牙裔參與者。³⁰

均等化賠率與人口統計均等

深度 AI 模型亦以超越單純準確度的指標評估。

●​ 人口統計均等：確保正向預測（例如「高風險」）的機率在所有群體間相等： .

●​ 均等化賠率：要求真陽性率（敏感度）與偽陽性率（1−特異度）在各群體間皆相等：

.

在敗血症偵測中，達成均等化賠率至關重要。若模型對白人病患敏感度為 80%、對黑人病患僅 40%，實際上就是依種族提供不同層級的照護。¹²

臨床偏誤緩解的架構策略

Veriprajna 深度 AI 解決方案的技術框架採四層作法，以確保模型穩健、公平且可泛化。

第一層：表徵對齊

訓練前，資料集必須接受「隱性分層」檢視。例如，若胸部 X 光模型在某個資料集上訓練，而「可攜式」X 光（通常用於病情較重、臥床病患）在某一人口統計群體中更常見，模型可能學會將可攜設備的存在與疾病聯結，而非實際病理。¹³ 我們利用「對抗去偏」，以輔助模型從主模型內部特徵預測受保護屬性（種族）。若對抗者成功，主模型即受懲罰，迫使其學習對種族「盲目」、對臨床病理「有洞察」的特徵。³⁵

第二層：領域特定微調

不同於使用通才權重的 LLM 包裝層，深度 AI 模型必須在專門臨床語料上微調。就孕產婦健康而言，這包括在加州孕產婦資料中心的產科共病評分系統上訓練——該系統透過調整慢性高血壓與糖尿病等特定共病，以高於一般指標的準確度預測嚴重孕產婦發病。²¹

第三層：多模態訊號融合

為彌合脈搏血氧測定落差，我們的模型不將 視為獨立的真實基準。相反，它們利用「非線性動態的時間回歸」將血氧測定與其他標記融合。若病患心率與乳酸水準上升而 保持穩定，深度 AI 會標示「訊號落差」警示，促使臨床醫師開立金標準動脈血氣（ABG）檢驗。⁹

第四層：外部驗證與持續稽核

模型漂移是醫療照護中的重大風險。隨著臨床協議變更或病患人口結構轉變，模型效能可能退化。Veriprajna 實作「在地驗證」框架，每次部署皆以機構自身資料的回溯稽核起步。我們測量「族群穩定指數」（PSI），量化在地族群與訓練世代的差異，確保模型為其服務的特定社區重新校準。⁷

深度 AI 顧問的角色：策略治理

對醫療高階主管而言，決策不再是是否採用 AI，而是如何在不引入災難性責任或不加劇健康不公平的前提下採用。「Veriprajna 方法」提供企業級 AI 治理框架。

要求透明度與模型卡

AI 供應商必須被要求達到更高的透明度標準。「99% 準確率」的籠統宣稱往往毫無意義。企業應要求：

●​ 亞群效能指標：依年齡、性別與種族詳細拆解敏感度、特異度與陽性預測值（PPV）。⁷

●​ 校準曲線：證明「90% 敗血症機率」確實意味著每 10 名此類病患中有 9 人確有該狀況。⁷

●​ 同儕審查驗證：拒絕供應商白皮書，改採獨立外部研究——如 Wong 等人或 EXAKT 研究團隊所進行者。⁶

實作「人在迴路」監督

AI 應轉型而非取代臨床角色。在孕產婦健康中，這意味著利用 AI 釋放臨床醫師時間，使其專注於主動聆聽與身體評估等高價值活動。³⁸ 然而，法律與倫理要求自動化系統絕不可成為唯一決策者。² 我們倡議「協作智慧」：AI 提供資料驅動的「輕推」，但最終診斷與治療路徑由受過訓練、能辨識並矯正演算法偏誤的人類臨床醫師決定。³

未來展望：重拾創新敘事

當前「AI 炒作」時代，使許多組織滿足於 LLM 包裝層的便利。然而，來自 CDC、NEJM 與加州孕產婦資料中心的資料嚴正提醒：在醫學中，便利不能以公平為代價。Veriprajna 所倡導的「深度 AI」作法，代表回歸科學嚴謹。

透過處理感測器的硬體局限、矯正歷史資料集中的標籤偏誤，並實作公平感知的數學架構，我們能建立以科技縮小而非擴大死亡落差的醫療體系。此一努力的經濟與社會收益——每年拯救數千名母親與嬰兒——才是下一代人工智慧成功的真正度量。²⁵

Veriprajna 致力於此深度工作哲學，超越 API 呼叫，為真正公平的臨床未來奠基。高保真資料、人口統計覺察與專家驗證的整合，不僅是技術挑戰；它是新的照護標準。

企業臨床 AI 風險緩解摘要

風險類別	包裝層／專有模型弱點	深度 AI／Veriprajna 解決方案
資料偏誤	繼承硬體偏誤（例如血氧測定）	多模態三角定位與感測器特定偏移
標籤偏誤	以偏誤帳單／臨床代碼訓練	專家裁定的真實基準標籤
泛化	場域特定過度擬合；在新族群上失效	在地驗證與族群穩定指數（PSI）稽核
可解釋性	黑箱輸出；高幻覺風險	透明特徵加權與臨床推理鏈
公平性	為多數平均最佳化	最差群體損失與均等化賠率約束
合規	公開 API 缺乏 HIPAA／GDPR 保障	地端或私有雲醫療級架構

總而言之，AI 時代邁向臨床卓越之路，需要拒斥膚淺。正如孕產婦死亡危機與敗血症模型失敗所顯示，利害關係無異於我們最脆弱病患的生命。深度 AI 是同時重視創新與正義的企業級醫療體系唯一可行之路。

參考文獻

1. The dangers of using non-medical LLMs in healthcare communication - Paubox, 於 2026 年 2 月 6 日瀏覽, https://www.paubox.com/blog/the-dangers-of-using-non-medical-llms-in-healthcare-communication

2. LLMs in Healthcare: what's helpful, harmful and what do you need to know? - Cranium, 於 2026 年 2 月 6 日瀏覽, https://www.cranium.eu/llms-in-healthcare-whats-helpful-harmful-and-what-do-you-need-to-know/

3. Challenges and barriers of using large language models (LLM) such as ChatGPT for diagnostic medicine with a focus on digital pathology – a recent scoping review - PMC, 於 2026 年 2 月 6 日瀏覽, https://pmc.ncbi.nlm.nih.gov/articles/PMC10898121/

4. The Limitations of Large Language Models (in Medical Environments). | by Juan Placer Mendoza, 於 2026 年 2 月 6 日瀏覽, https://jpm75.medium.com/the-limitations-of-large-language-models-in-medical-environments-3843054bb042

5. The Epic Sepsis Model Falls Short—The Importance of External Validation - ResearchGate, 於 2026 年 2 月 6 日瀏覽, https://www.researchgate.net/publication/352593220_The_Epic_Sepsis_Model_Falls_Short-The_Importance_of_External_Validation

6. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients - PMC, 於 2026 年 2 月 6 日瀏覽, https://pmc.ncbi.nlm.nih.gov/articles/PMC8218233/

7. Evaluating AI Clinical Decision Support Systems - The Physician AI Handbook, 於 2026 年 2 月 6 日瀏覽, https://physicianaihandbook.com/implementation/evaluation.html

8. The impact of skin tone on performance of pulse oximeters used by ..., 於 2026 年 2 月 6 日瀏覽, https://pmc.ncbi.nlm.nih.gov/articles/PMC12801414/

9. Pulse oximeters overestimate blood oxygen levels in patients with darker skin, 於 2026 年 2 月 6 日瀏覽, https://www.news-medical.net/news/20260114/Pulse-oximeters-overestimate-blood-oxygen-levels-in-patients-with-darker-skin.aspx

10. Racial Bias in Pulse Oximetry Measurement - AI & Digital Health Innovation, 於 2026 年 2 月 6 日瀏覽, https://aidhi.umich.edu/impact-stories-blog/racial-bias-in-pulse-oximetry-measurement

11. Skin tone may affect accuracy of blood oxygen measurement in children: study - VUMC News, 於 2026 年 2 月 6 日瀏覽, https://news.vumc.org/2025/03/04/skin-tone-may-affect-accuracy-of-blood-oxygen-measurement-in-children-study/

12. Mitigating AI Risks in Healthcare: Why Local Validation Matters - EisnerAmper, 於 2026 年 2 月 6 日瀏覽, https://www.eisneramper.com/insights/blogs/health-care-blog/mitigating-ai-risks-in-healthcare-0625/

13. AI in Diagnostic and Clinical Decision Support - The Public Health AI Handbook, 於 2026 年 2 月 6 日瀏覽, https://publichealthaihandbook.com/applications/clinical.html

14. Full article: Mitigating Bias in Machine Learning Models with Ethics-Based Initiatives: The Case of Sepsis - Taylor & Francis Online, 於 2026 年 2 月 6 日瀏覽, https://www.tandfonline.com/doi/full/10.1080/15265161.2025.2497971

15. Mitigating Bias in Machine Learning Models with Ethics-Based Initiatives: The Case of Sepsis, 於 2026 年 2 月 6 日瀏覽, https://www.tandfonline.com/doi/pdf/10.1080/15265161.2025.2497971

16. Sepsis Prediction Models are Trained on Labels that Diverge from Clinician-Recommended Treatment Times - NIH, 於 2026 年 2 月 6 日瀏覽, https://pmc.ncbi.nlm.nih.gov/articles/PMC12099352/

17. Health E-Stats, February 2025, Maternal Mortality Rates in the United States, 2023 - CDC, 於 2026 年 2 月 6 日瀏覽, https://www.cdc.gov/nchs/data/hestat/maternal-mortality/2023/Estat-maternal-mortality.pdf

18. Health E-Stat 100: Maternal Mortality Rates in the United States, 2023 - CDC, 於 2026 年 2 月 6 日瀏覽, https://www.cdc.gov/nchs/data/hestat/maternal-mortality/2023/maternal-mortality-rates-2023.htm

19. Racial Disparities in Maternal and Infant Health: Current Status and Key Issues | KFF, 於 2026 年 2 月 6 日瀏覽, https://www.kff.org/racial-equity-and-health-policy/racial-disparities-in-maternal-and-infant-health-current-status-and-key-issues/

20. How California is taking on inequity for Black patients during pregnancy, childbirth, 於 2026 年 2 月 6 日瀏覽, https://med.stanford.edu/news/insights/2024/01/california-inequity-black-patients-pregnancy-childbirth.html

21. CA-PAMR Recent Data | California Maternal Quality Care ..., 於 2026 年 2 月 6 日瀏覽, https://www.cmqcc.org/education-research/maternal-mortality-review-ca-pamr/ca-pamr-recent-data

22. CENTERING BLACK MOTHERS IN CALIFORNIA - CDPH, 於 2026 年 2 月 6 日瀏覽, https://www.cdph.ca.gov/Programs/CFH/DMCAH/CDPH%20Document%20Library/Centering-Black-Mothers/Centering-Black-Mothers-Report-2023.pdf

23. Disrespected and Ignored: Black Pregnant Women Demand Congressional Action, 於 2026 年 2 月 6 日瀏覽, https://nationalpartnership.org/disrespected-and-ignored-black-pregnant-women-demand-congressional-action/

24. Racial and Ethnic Disparities in Death Associated With Severe Maternal Morbidity in the United States: Failure to Rescue | Request PDF - ResearchGate, 於 2026 年 2 月 6 日瀏覽, https://www.researchgate.net/publication/350768676_Racial_and_Ethnic_Disparities_in_Death_Associated_With_Severe_Maternal_Morbidity_in_the_United_States_Failure_to_Rescue

25. Black maternal health disparities: reducing mortality rates | McKinsey, 於 2026 年 2 月 6 日瀏覽, https://www.mckinsey.com/institute-for-economic-mobility/our-insights/closing-the-black-maternal-health-gap-healthier-lives-stronger-economies

26. Navigating the potential and pitfalls of large language models in patient-centered medication guidance and self-decision support - PMC, 於 2026 年 2 月 6 日瀏覽, https://pmc.ncbi.nlm.nih.gov/articles/PMC11798948/

27. AI Horizons Institute: AI In Healthcare Workgroup Introduction - University of Rochester, 於 2026 年 2 月 6 日瀏覽, https://www.rochester.edu/warner/lida/wp-content/uploads/2025/02/AI-Horizons-Healthcare-White-Paper.pdf

28. Bias in AI systems: integrating formal and socio-technical approaches - PMC, 於 2026 年 2 月 6 日瀏覽, https://pmc.ncbi.nlm.nih.gov/articles/PMC12823528/

29. From Lab to Clinic: Addressing Bias and Generalizability in AI Diagnostic Systems, 於 2026 年 2 月 6 日瀏覽, https://journalwjarr.com/sites/default/files/fulltext_pdf/WJARR-2025-4249.pdf

30. Assessing Algorithmic Bias in Language-Based Depression Detection: A Comparison of DNN and LLM Approaches - arXiv, 於 2026 年 2 月 6 日瀏覽, https://arxiv.org/html/2509.25795v1

31. Fair Machine Learning in Healthcare: A Survey | Request PDF - ResearchGate, 於 2026 年 2 月 6 日瀏覽, https://www.researchgate.net/publication/384486736_Fair_Machine_Learning_in_Healthcare_A_Survey

32. Assessing Algorithmic Bias in Language-Based Depression Detection: A Comparison of DNN and LLM Approaches | Request PDF - ResearchGate, 於 2026 年 2 月 6 日瀏覽, https://www.researchgate.net/publication/398470731_Assessing_Algorithmic_Bias_in_Language-Based_Depression_Detection_A_Comparison_of_DNN_and_LLM_Approaches

33. Assessing Algorithmic Bias in Language-Based Depression Detection: A Comparison of DNN and LLM Approaches - arXiv, 於 2026 年 2 月 6 日瀏覽, https://www.arxiv.org/pdf/2509.25795

34. False hope of a single generalisable AI sepsis prediction model: bias and proposed mitigation strategies for improving performance based on a retrospective multisite cohort study - ResearchGate, 於 2026 年 2 月 6 日瀏覽, https://www.researchgate.net/publication/390249394_False_hope_of_a_single_generalisable_AI_sepsis_prediction_model_bias_and_proposed_mitigation_strategies_for_improving_performance_based_on_a_retrospective_multisite_cohort_study

35. A Comprehensive Survey on Bias and Fairness in Gen- erative AI: Legal, Ethical, and Technical Responses - OpenReview, 於 2026 年 2 月 6 日瀏覽, https://openreview.net/pdf/7bd31cd005e56d87b5ed85b266cf1d1ad2693958.pdf

36. Effects of post-training mitigation on classifier performance and... - ResearchGate, 於 2026 年 2 月 6 日瀏覽, https://www.researchgate.net/figure/Effects-of-post-training-mitigation-on-classifier-performance-and-fairness-Different_fig3_382523592

37. ICLR 2025 Papers, 於 2026 年 2 月 6 日瀏覽, https://iclr.cc/virtual/2025/papers.html

38. Principles for Artificial Intelligence (AI) and its application in healthcare | BMA, 於 2026 年 2 月 6 日瀏覽, https://www.bma.org.uk/media/njgfbmnn/bma-principles-for-artificial-intelligence-ai-and-its-application-in-healthcare.pdf

39. Whitepaper for the ITU/WHO Focus Group on Artificial Intelligence for Health, 於 2026 年 2 月 6 日瀏覽, https://www.itu.int/en/ITU-T/focusgroups/ai4h/Documents/FG-AI4H_Whitepaper.pdf

40. Despite high Black maternal death rate, California hospitals ignored training about bias in care - CalMatters, 於 2026 年 2 月 6 日瀏覽, https://calmatters.org/health/2023/10/despite-high-black-maternal-death-rate-california-hospitals-ignored-training-about-bias-in-care/