简单的整体分类器组和交叉公平性和值 (EEC-GIFT):一个公平性意识的机器学习框架,用于使用真实世界的数据来确定肺癌查资格
Piyawan Conahan1, Lary A Robinson2, Trung Le3
1Department of Machine Learning, H. Lee Moffitt Cancer Center and Research Institute, Tampa, FL, United States.
JNCI cancer spectrum
|March 20, 2025
概括
一个新的肺癌查 (LCS) 资格机制,EEC-GIFT*,是使用现实数据开发的. 这种精确的工具显著减少了在确定肺癌查资格方面的种族偏见.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 公共卫生 公共卫生
背景情况:
- 肺癌查 (LCS) 资格标准可以表现出种族偏见.
- 现实世界的数据对于开发公平的医疗保健工具至关重要.
研究的目的:
- 制定一个准确和种族公正的LCS资格机制.
- 为了解决肺癌查获取的差异.
主要方法:
- 使用集团和交叉公平和门 (GIFT) 战略创建了一个以公平意识为基础的机器学习框架.
- 该框架与Easy Ensemble分类器 (EEC) 或物流回归 (LR) 模型集成.
- 性能与2021年USPSTF标准和PLCOM2012模型进行了比较,使用前列腺,肺部,结肠直肠和卵巢 (PLCO) 癌症查试验数据.
主要成果:
- 与2021年USPSTF标准相比,EEC-GIFT*和LR-GIFT*模型表现出更好的灵敏度,但不牺牲特异性.
- 这些模型的预测性能 (曲线下的面积) 与PLCOM2012模型相似.
- EEC-GIFT*模型有效消除了种族偏见 (黑人和白人吸烟者之间的平等机会差异),而其他模型显示出显著的偏见.
结论:
- 通过EEC-GIFT* LCS资格机制,在确定选资格时显著减轻了种族偏见.
- 这种方法保持了高的预测准确性,提供了一个更公平的LCS工具.
