基于多示例学习的急性髓系白血病亚型分类中年龄与性别偏差研究
计算机视觉与模式识别
2023-08-25 v1 图像与视频处理
摘要
急性髓系白血病（AML）亚型的准确分类对临床决策和患者照护至关重要。在本研究中，我们探究基于多示例学习（MIL）架构的AML亚型分类中潜在存在的年龄与性别偏差。为此，我们使用训练集中不同性别不平衡程度并排除特定年龄组来训练多个MIL模型。为评估性别偏差，我们在男性和女性测试集上评估模型性能；对于年龄偏差，模型在训练数据中代表性不足的年龄组上进行测试。我们发现性别和年龄偏差对AML亚型分类模型性能有显著影响。具体而言，我们观察女性更易受性别不平衡数据集影响，且某些年龄组（如患有RUNX1::RUNX1T1遗传亚型的72至86岁患者）受训练数据中年龄偏差影响显著。因此，确保训练数据的包容性对于生成可靠且公平的AML遗传亚型分类结果至关重要，最终惠及多元患者群体。
引用
@article{arxiv.2308.12675,
title = {A Study of Age and Sex Bias in Multiple Instance Learning based Classification of Acute Myeloid Leukemia Subtypes},
author = {Ario Sadafi and Matthias Hehr and Nassir Navab and Carsten Marr},
journal= {arXiv preprint arXiv:2308.12675},
year = {2023}
}
备注
Accepted for publication at workshop on Fairness of AI in Medical Imaging in International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2023)