公平意识的子集选择,以促进皮肤癌检测中的公平
Yehuda Perry1, Abdulaziz A Almuzaini2, Adewole S Adamson3
1Department of Library and Information Science, Rutgers University, New Brunswick, NJ 08901, United States.
概括
一个新的以数据为中心的框架FAIR-SCAN通过战略性选择培训数据来改进皮肤癌检测的人工智能 (AI). 这种方法提高了所有肤色的准确性和公平性,解决了人工智能诊断中的偏见.
科学领域:
- 人工智能在医学中的应用
- 皮肤病学 皮肤病学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 皮肤癌是一种普遍存在的恶性瘤,人工智能显示出早期检测的希望.
- 目前的AI模型表现出性能差异,特别是在较暗的皮肤色调 (菲茨帕特里克型V和VI) 上表现不佳.
- 现有的公平性方法主要集中在算法调整上,经常忽视关键的数据质量和表示问题.
研究的目的:
- 引入FAIR-SCAN (通过基于排名的皮肤癌检测子集选择来实现公平性和准确性),这是一个新的以数据为中心的框架.
- 为了提高AI驱动的皮肤癌检测模型的公平性和准确性.
- 在AI诊断工具中解决不同肤色的性能差异.
主要方法:
- FAIR-SCAN采用以数据为中心的框架,使用以边际贡献评分 (MCS) 估计为指导的子集选择.
- 数据点的排名是基于它们对模型准确性和公平性的贡献.
- 为训练人工智能模型选择一个最佳的数据子集,在多样性皮肤病图像 (DDI) 和Fitzpatrick 17K数据集上进行评估.
主要成果:
- 在各种皮肤色调中,FAIR-SCAN在准确性,真实阳性率和假阳性率方面取得了更好的平衡.
- 该方法实现了这一改进,同时将培训数据集大小减少了50%.
- 在提升股权资本方面,FAIR-SCAN的表现优于现有的以算法为中心的公平性方法.
结论:
- 战略性数据选择对于减轻人工智能驱动的诊断偏差至关重要.
- FAIR-SCAN以数据为中心的方法显著提高了皮肤癌检测的精度和公平性.
- 该框架支持开发可靠和临床部署的AI系统用于皮肤癌诊断.
