对乳腺癌病理学报告的生物标志物分类进行算法偏差的评估
Jordan Tschida1, Mayanka Chandrashekar1, Alina Peluso1
1Advanced Computing for Health Sciences, Oak Ridge National Laboratory, Oak Ridge, TN 37830, United States.
JAMIA open
|May 12, 2025
概括
乳腺癌生物标志物分类中的算法偏差使用电子病理学报告进行了评估. 虽然在注册表之间注意到准确度的差异,但该研究发现人口群体之间几乎没有偏见的证据,这表明AI工具可以改善护理.
科学领域:
- 在瘤学瘤学.
- 生物医学信息学 生物医学信息学
- 人工智能的人工智能
背景情况:
- 电子病理学报告是癌症研究的宝贵数据来源.
- 人工智能 (AI) 工具中的算法偏差可以延续健康差异.
- 评估人工智能对乳腺癌生物标志物分类的公平性对于公平的临床护理至关重要.
研究的目的:
- 通过使用电子病理学报告来评估乳腺癌生物标志物的算法偏差.
- 评估各种人口学子组的偏见,包括种族,种族,年龄和社会经济地位.
- 确定深度学习算法在乳腺癌患者生物标志物提取中的公平性.
主要方法:
- 利用了来自六个注册机构的178,121例乳腺癌病例的594,875份电子病理学报告.
- 训练了两个深度学习算法来分类乳腺癌生物标志物 (雌激素受体,孕受体,人体表皮生长因子受体2).
- 使用平衡错误率 (BER),人口平价 (DP),均等赔率 (EOD) 和平等机会 (EOP) 度量来评估偏差.
主要成果:
- 在癌症注册表之间观察到预测准确度 (BER) 的显著差异.
- 通过使用BER (比率<1.25) 检测出没有种族,西班牙裔种族,诊断时的年龄或社会经济地位的显著算法偏差.
- 人口平等 (DP),平等机会 (EOD) 和平等机会 (EOP) 的指标显示偏见的结果微不足道.
结论:
- 虽然注册表特定的准确性各不相同,但人工智能工具在社会人口和种族类别中显示出最小的偏见.
- 采用多种公平度指标对于全面的偏见评估至关重要.
- 临床记录分析的AI工具显示出加速临床试验匹配和改善患者护理的前景.
