使用机器学习诊断无症状细菌性阴道炎的种族差异

科学领域:

• 医学诊断 医学诊断 医学诊断
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 机器学习 (ML) 模型在医学诊断方面表现有前途,但在不同种族群体中经常表现出性能差异.
• 妇女健康现有的健康差异往往被种族差异加剧,使公平的ML应用至关重要.
• 细菌性阴道炎 (BV) 是一种在已知有种族诊断差异的生殖年龄妇女中普遍存在的疾病.

研究的目的:

• 调查四个ML算法的公平性,用于诊断无症状细菌性阴道炎 (BV).
• 通过使用16S rRNA测序数据,评估跨不同族群的ML模型性能.

主要方法:

• 利用来自亚洲,黑人,西班牙裔和白人女性的16S rRNA测序数据.
• 应用了四个通用机器学习算法用于BV诊断.
• 通过分析跨种族群体的错误阳性和错误阴性率来评估模型的公平性.

主要成果:

• 在诊断BV时,ML模型的性能在各族群之间有很大的差异.
• 模型显示,对于西班牙裔和亚洲女性,假阳性/假阴性率的有效性最低.
• 白人女性队列表现出最高的模特表现,而亚洲女性队列表现最低.

结论:

• 一般的ML模型在BV诊断中表现出种族性能偏差.
• 目前的方法需要加强,以确保基于ML的女性健康诊断的公平性和公平性.
• 解决ML模型中的种族差异对于准确和公平的医疗保健结果至关重要.