公平FedMed:与FairLoRARA进行联合医学成像中的基准组公平性

科学领域:

• 医疗人工智能 医疗人工智能
• 机器学习 机器学习
• 医疗保健信息学 医疗保健信息学

背景情况:

• 医疗保健的公平性至关重要,因为不平等的获得影响了患者的结果.
• 联合学习 (FL) 提供保护隐私的协作培训,但在数据异质性和公平性方面存在困难,特别是在医疗应用中.
• 现有的FL模型通常在医疗图像方面表现不佳,忽视了人口统计学公平性.

研究的目的:

• 建立第一个医疗FL公平性的实验基准.
• 介绍FairFedMed,一个用于研究医疗FL的群体公平性的新型数据集.
• 提议FairLoRA,一个以公平意识为基础的FL框架,以提高模型性能和公平性.

主要方法:

• 开发了FairFedMed,一个包含眼科和胸部成像数据的数据集,包括用于公平性评估的人口特征.
• 在FairFedMed.Med上评估了六种代表性的FL方法.
• 提出了FairLoRA,一个使用基于SVD的低级近似方法的框架,用于对公平意识的FL.

主要成果:

• 公平的FedMed支持模拟和现实世界FL跨不同的医疗模式和人口统计.
• 在FairFedMed数据集上,FairLoRA在医学图像分类方面取得了最先进的表现.
• 在不同的人口群体中,FairLoRA在公平性方面取得了显著的改善.

结论:

• FairFedMed是促进医疗FL公平性的关键基准.
• FairLoRA有效地解决了医疗FL的公平性和绩效挑战.
• 提出的方法和数据集为医疗保健中更公平的人工智能铺平了道路.