提高基于图像的计算机辅助诊断中的模型公平性

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 医学成像中的深度学习模型可以延续和放大人类偏见,导致诊断差异.
• 目前对改善医疗图像分类深度学习公平性的研究是有限的.

研究的目的:

• 开发和评估一种算法,以减少基于深度学习的医学图像分类中的偏见.
• 提高个人和交叉子组的公平性,同时保持整体模型性能.

主要方法:

• 提出了一个算法,利用边际对对等机会来缓解偏差.
• 在四个不同的任务中使用四个独立的大规模队伍评估算法.

主要成果:

• 在各子组的公平性方面取得了显著的改善,对对公平性差异减少了35%以上.
• 与基线模型相比,保持了高整体性能,曲线下的面积 (AUC) 变化通常在1%以内.

结论:

• 拟议的算法有效地减少了医疗图像分类的深度学习模型中的偏差.
• 这种方法提高了人工智能驱动的计算机辅助诊断系统的公平性和可靠性.