探索与解构交叉性偏见：基于胎儿超声的案例研究
机器学习
2026-05-06 v1 计算机视觉与模式识别
图像与视频处理
摘要
医学人工智能中的偏见常被视为表征问题的范畴。然而，在基于图像的任务中，如胎儿超声，表征充足时仍可能出现性能差异，因为预测准确性高度依赖于图像质量。图像质量受获取条件和操作员专业水平影响，也受患者相关因素（如母亲体脂指数BMI）影响，这些因素可能与敏感人口学特征相关。因此，观察到的差异可能反映了人口学、临床和获取相关因素的综合影响，而不仅仅是数据不平衡，可能掩盖潜在的交互或混杂效应。我们提出了一个结构化框架，用于探索和检测交叉性偏见，结合无监督切片发现、系统因素分析和针对性的交叉性评估。在对9.4万幅胎儿超声图像进行胎儿体重估计的案例研究中，我们分析了基于深度学习模型和临床标准Hadlock（使用生物标志物测量值的回归公式）的偏见。像素间距（PS）——当前获取协议中被视为次优参数的变量——作为性能差异的一致驱动因素，较高的PS与所选亚组中性能提升最高可达24%。由于PS常在高BMI或低妊娠周（GA）情况下被调整，这一效应携带了显著的混杂风险。我们的交叉性分析揭示了部分PS关联信号可由GA解释，而PS相关的改进在BMI不同层面仍然存在，凸显了医学人工智能公平性研究中获取感知和交互感知评估的重要性。
引用
@article{arxiv.2605.02942,
title = {A Framework for Exploring and Disentangling Intersectional Bias: A Case Study in Fetal Ultrasound},
author = {Aya Elgebaly and Joris Fournel and Benjamin Laine Jønch Jurgensen and Kamil Mikolaj and Anders Christensen and Martin Tolsgaard and Claes Ladefoged and Aasa Feragen},
journal= {arXiv preprint arXiv:2605.02942},
year = {2026}
}