将机器学习中的公平性与公共健康公平相联系

机器学习（ML）已成为公共健康中的关键工具，有潜力改善人群健康、诊断、治疗选择以及卫生系统效率。然而，数据与模型设计中的偏差会导致某些受保护群体的差异并放大医疗中已有的不平等。为应对此挑战，本研究总结了关于 ML 公平性的开创性文献，并给出一个用于识别和缓解数据与模型中偏差的框架。该框架为在典型 ML 流程的不同阶段（如数据处理、模型设计、部署与评估）中纳入公平性提供指导。为说明数据偏差对 ML 模型的影响，我们给出示例展示系统性偏差如何通过模型预测被放大。这些案例研究表明了该框架如何用于防止此类偏差，并凸显了公共健康中公平且平等 ML 模型的必要性。本工作旨在为 ML 在公共健康中的使用提供信息与指导，以朝向对所有人群更合乎伦理且公平的结果。