随着人工智能在医学影像领域的应用，文本到图像扩散模型如 Stable Diffusion 正逐步用于医学数据合成、教育和共享，但模型在不同人口统计属性上的生成质量存在明显差异，可能加剧医疗资源分配的不公平问题。
为解决这一问题，哈佛大学和纽约大学等机构的研究者提出了 FairDiffusion 方法，通过引入公平贝叶斯扰动机制，缩小群体间的性能差异，并构建了 FairGenMed 数据集，该数据集详细标注了多维敏感属性，有助于提升医学生成模型的公平性和实用性。
实验结果表明，FairDiffusion 方法在整体图像质量和各群体间公平性上均优于现有模型，证明了其在医学影像生成中的有效性和潜力。
