哈佛大眼公平性:用于公平性学习和公平身份规范化的视网膜神经疾病数据集

科学领域:

• 医学成像医学成像
• 机器学习 机器学习
• 卫生公平性健康公平性

背景情况:

• 有限的公共医疗数据集与成像数据阻碍了机器学习中的公平性.
• 代表性不足的群体面临着更大的健康差异,但缺乏专门的公平研究数据集.
• 玻璃眼不成比例地影响黑人人口,突出需要公平的人工智能工具.

研究的目的:

• 介绍哈佛大眼公平性 (Harvard-GF) 数据集,以促进机器学习中的公平性.
• 提供一个平衡的数据集,包括2D和3D成像,用于跨种族群体的青光眼检测.
• 开发和评估一种新的公平身份规范化 (FIN) 方法,以实现公平的人工智能.

主要方法:

• 策划了3300名受试者的数据集,包括2D和3D视网膜成像数据,以确保种族平衡.
• 开发了公平身份规范化 (FIN) 方法,以在各个身份群体中等同特征的重要性.
• 将FIN与种族,性别和种族公平任务的最新公平方法进行比较.

主要成果:

• 哈佛-GF数据集证明了在青光眼检测中公平学习的实用性.
• 与现有方法相比,拟议的FIN方法在公平性任务中取得了更高的绩效.
• 为灵活地比较公平性指标,建议使用股权规模的绩效指标.

结论:

• 哈佛-GF数据集和FIN方法推动医疗保健中公平的人工智能的发展.
• 公共可访问的数据和方法对于解决机器学习中的健康差异至关重要.
• 医疗成像中的公平学习对于改善代表性不足的人群的结果至关重要.