当大脑模型不是普遍的:在基于MRI的认知预测中对种族偏见的基准测试

科学领域:

• 神经成像和认知神经科学
• 医疗人工智能 医疗人工智能
• 健康 公平 研究 健康 公平 研究

背景情况:

• 预测性神经成像模型为精准医学提供了潜力.
• 跨种族/种族群体的不平等表现可能会加剧健康不平等.
• 由于训练数据不代表性,现有的模型可能会延续偏见.

研究的目的:

• 在预测认知功能的神经成像模型中对种族/种族偏见进行基准测试.
• 评估不同培训策略对模型公平性和准确性的影响.
• 确定神经成像模式和影响预测模型偏差的因素.

主要方法:

• 使用了青少年大脑认知发展 (ABCD) 数据集.
• 从81个MRI表型中预测认知功能的模型中的基准偏差.
• 对比了四种培训策略,包括单个种族,随机抽样和均衡的子样本.

主要成果:

• 在单个种族中训练的模型在这些群体中表现最好.
• 随机抽样模型 (主要是白人) 在白人参与者身上表现更好.
• 平衡的白人和非裔美国人亚样本减少了差异,而没有失去了准确性;结构性MRI显示了最偏差,任务fMRI更公平.

结论:

• 在用于认知预测的神经成像模型中存在普遍的,依赖于模式的种族偏见.
• 培训数据的组成显著塑造了模型的公平性和跨群体的表现.
• 诸如均衡采样和特定模式 (task-fMRI) 等策略可以减轻偏差.