顶刊快迅 NC :利用属性中立框架增强人工智能医疗系统的公平性

正文

请到「今天看啥」查看全文

在这里，该研究引入了属性中立框架，旨在将有偏见的属性与疾病相关信息区分开来，随后将其中和，以改善不同子群体的代表性。

在该框架内，该研究开发了属性中和器 (AttrNzr) 来生成中和数据，人类或机器学习分类器不再能轻易预测受保护的属性。

然后，利用这些数据来训练疾病诊断模型 (DDM)。与其他不公平缓解算法的比较分析表明，AttrNzr 在降低 DDM 的不公平性方面表现出色，同时保持了 DDM 的整体疾病诊断性能。

此外，AttrNzr 支持同时中和多个属性，即使仅在训练阶段应用而不在测试阶段使用，也表现出实用性。

此外，AttrNzr 不会对 DDM 引入额外的约束，而是直接解决不公平的根本原因，提供独立于模型的解决方案。AttrNzr 的结果凸显了以数据为中心、独立于模型的解决方案在 AI 医疗系统中应对公平性挑战的潜力。

与其他不公平缓解算法的比较分析表明，AttrNzr 有效地降低了 DDM 的不公平性，同时保持了其整体疾病诊断性能。

该研究主要贡献有两个方面：

1）探索使用中和数据来缓解人工智能医疗系统的不公平性的有效性，并利用 AttrNzr 实现跨多个属性的 X 射线图像中和；

2）通过直接解决图像级别的不公平问题，提供与模型无关的解决方案，从而无需对每个模型进行单独修改。

该研究使用三个大型公共胸部X光图像数据集：ChestX-ray14 15 、MIMIC-CXR 16 和 CheXpert 17 ，验证了 AttrNzr 对 AI 医疗系统中不公平现象的缓解作用。

数据集的元数据包括性别和年龄属性。在 MIMIC-CXR 数据集中，还提供种族和保险等属性。使用这些数据集训练 AttrNzr 以修改 X 射线图像中的属性强度。

感谢您的阅读，如果您对这项研究感兴趣或想了解更多关于AI在医学中的应用，请继续关注我们，我们会定期分享最新的科研成果和健康资讯。别忘了点赞和转发哦！👍🔄

广告

请到「今天看啥」查看全文