通过无监督域适应实现可靠且公平的皮肤病变诊断
计算机视觉与模式识别
2024-04-17 v2 计算机与社会
机器学习
摘要
可靠且公平诊断系统的开发常受标注数据稀缺的制约。为应对此挑战，本文探讨利用无监督域适应（UDA）整合大规模外部数据集以开发可靠分类器的可行性。采用多源 UDA 可同时丰富训练集并弥合因采集协议不同而产生的不同皮肤病变数据集间的域鸿沟。尤其当使用自定义皮肤病变数据集训练、目标域仅含有限标注数据时，UDA 对提升诊断可靠性具实用前景。本研究基于源数据利用方式考察三种 UDA 训练方案：单源、组合源与多源 UDA。结果表明在多源上应用 UDA 对二分类与多分类均有效。实验中观察到多分类任务测试误差与标签偏移间强相关。关键的是，本研究表明即便未直接采用公平性技术，UDA 仍能有效缓解对少数群体的偏倚并增强诊断系统公平性，同时保持优越分类性能。此成功可能归因于多源获取的增加且良好适配的人口统计学信息。
引用
@article{arxiv.2307.03157,
title = {Achieving Reliable and Fair Skin Lesion Diagnosis via Unsupervised Domain Adaptation},
author = {Janet Wang and Yunbei Zhang and Zhengming Ding and Jihun Hamm},
journal= {arXiv preprint arXiv:2307.03157},
year = {2024}
}