医学影像中人口统计学不变模型与表示是否公平？

医学影像模型已被证明在其潜在表示中编码了患者人口统计学信息（如年龄、种族和性别），引发了对其潜在歧视性的担忧。在此，我们探讨要求模型不编码人口统计学属性是否可取。我们指出，边际与类条件表示不变性分别蕴含人口统计学奇偶性与均等几率的标准群体公平概念。然而此外，它们要求匹配风险分布，从而可能将重要的群体差异均等化掉。直接强制传统公平概念则并不带来这些强约束。而且，表示不变模型仍可能在推导预测时考虑人口统计学属性，意味着不平等对待——事实上，实现表示不变性可能需要这样做。理论上，这可利用（个体）公平的反事实概念或不变性来防止。但我们提醒，针对人口统计学属性恰当定义医学图像反事实充满挑战。最后，我们认为若编码人口统计学属性能够实现不依赖于‘种族’与‘性别’等社会建构的任务特异性人口统计学特征编码，则甚至可能有利。我们得出结论：人口统计学不变表示在医学影像中既非公平的必要条件也非充分条件。模型可能需要编码人口统计学属性，这进一步迫切要求对各患者群体预测性能进行全面模型公平性评估。