使用内部与后处理方法来去偏深度胸部X光分类器

用于基于图像的筛查与计算机辅助诊断的深度神经网络已在包括胸部X光片在内的多种医学影像模态上达到专家级性能。近来，若干工作指出这些最先进的分类器可能相对于敏感患者属性（如种族或性别）存在偏置，引发了对医疗中算法与基于模型的决策所导致人口统计差异与歧视的日益关注。公平机器学习致力于缓解此类对弱势或边缘群体的偏置，主要集中于表格数据或自然图像。本工作提出两种基于微调与剪枝已训练神经网络的新颖内部处理方法。这些方法简单而有效，可在模型开发与测试时受保护属性未知的设置中事后直接应用。此外，我们比较了应用于去偏深度胸部X光分类器的若干内部与后处理方法。据我们所知，这是首批在胸部X光片上研究去偏方法的工作之一。我们的结果表明，所考虑的方法成功缓解了全连接与卷积神经网络中的偏置，并在多种设置下提供稳定性能。所讨论的方法有助于在具有不同公平性考量与约束的领域部署时实现深度医学图像分类器的群体公平性。