基于乳腺DCE-MRI放射组学特征的随机森林模型中的种族偏差研究
机器学习
2023-10-02 v1 人工智能
计算机视觉与模式识别
摘要
近期研究表明，当使用受保护属性不平衡的数据训练时，人工智能（AI）模型会在性能上表现出偏差。迄今为止大多数工作聚焦于深度学习模型，但使用手工特征的传统AI技术也可能易受此类偏差影响。本文中，我们研究了使用放射组学特征训练的随机森林（RF）模型中存在的种族偏差可能性。我们的应用是基于乳腺癌患者动态增强磁共振成像（DCE-MRI）预测肿瘤分子亚型。我们的结果显示，从DCE-MRI数据导出的放射组学特征确实包含可识别种族的信息，并且可以训练RF模型依据这些数据以60-70%的准确率预测白人和黑人种族（取决于所用特征子集）。此外，使用种族不平衡数据训练以预测肿瘤分子亚型的RF模型似乎产生了偏差行为，在训练所用种族的测试数据上表现出更好的性能。
引用
@article{arxiv.2309.17197,
title = {An Investigation Into Race Bias in Random Forest Models Based on Breast DCE-MRI Derived Radiomics Features},
author = {Mohamed Huti and Tiarna Lee and Elinor Sawyer and Andrew P. King},
journal= {arXiv preprint arXiv:2309.17197},
year = {2023}
}
备注
Accepted for publication at the MICCAI Workshop on Fairness of AI in Medical Imaging (FAIMI) 2023