对比式学习提高了病理学中的公平性 人工智能系统 人工智能系统
Shih-Yen Lin1, Pei-Chen Tsai2, Fang-Yi Su2
1Department of Biomedical Informatics, Harvard Medical School, Boston, MA 02115, USA.
Cell reports. Medicine
|December 17, 2025
概括
人工智能在癌症诊断中的偏见被FAIR-Path减少,这是一个新的框架. 这种AI公平性工具显著降低了跨不同患者群体的病理学评估中的绩效差距.
科学领域:
- 医疗人工智能 医疗人工智能
- 计算病理学计算病理学
- 健康 公平 卫生 公平
背景情况:
- 人工智能驱动的病理系统显示出癌症诊断的前景.
- 现有的人工智能模型通常会显示出对代表性不足的人群的偏见,原因是训练数据多样性有限.
研究的目的:
- 引入对病理学的公平意识的人工智能审查 (FAIR-Path) 框架.
- 在基于AI的病理评估系统中减轻人口偏见.
- 解决人工智能驱动的医学诊断中的公平性挑战.
主要方法:
- 利用对比式学习和弱监督机器学习.
- 在20种癌症类型中进行了泛癌AI公平性分析.
- 在15个独立队伍中进行了外部验证.
主要成果:
- 在29.3%的跨种族,性别和年龄组的诊断任务中发现了显著的绩效差异.
- 公平之路减轻了88.5%的发现差异.
- 外部验证表明,绩效差距减少了91.1%.
结论:
- 身体突变发病率的变化有助于人工智能性能差异.
- FAIR-Path提供了一个强大的框架来缓解医疗AI中的偏见.
- 这种方法促进了人工智能驱动的病理学和癌症诊断的公平性.
关键词:
在这里,我们可以看到AIAIAI.算法偏差是一种算法偏差.人工智能的人工智能是人工智能.偏见缓解和减轻偏见的方法癌症的诊断 癌症的诊断相反的学习学习学习.深度学习是一种深度学习.公平的公平的公平.病理学的病理学缺乏监督的学习学习.
