深度学习中超声心动图人口学生物标志物的发现
机器学习
2023-08-31 v1 人工智能
计算机与社会
摘要
深度学习已被证明能够准确评估“隐藏”表型，并从医学影像中预测生物标志物，超越临床医生对医学影像的传统解读。鉴于人工智能(AI)模型的黑箱性质，在将模型应用于医疗健康时应保持谨慎，因为预测任务可能会因疾病与患者群体间人口学差异而走捷径。利用来自两个医疗系统的大型超声心动图数据集，我们测试了是否可以使用深度学习算法从心脏超声图像中预测年龄、种族和性别，并评估不同混杂变量的影响。我们训练了基于视频的卷积神经网络来预测年龄、性别和种族。我们发现深度学习模型能够识别年龄和性别，但无法可靠预测种族。在不考虑各类别间混杂差异的情况下，AI模型预测性别的AUC为0.85(95% CI 0.84 - 0.86)，预测年龄的平均绝对误差为9.12年(95% CI 9.00 - 9.25)，预测种族的AUC在0.63 - 0.71之间。在预测种族时，我们表明调整训练数据中某混杂变量(性别)的比例会显著影响模型AUC(从0.57到0.84)，而在训练性别预测模型时，调整混杂变量(种族)并未实质性改变AUC(0.81 - 0.83)。这表明模型在种族预测上的性能有相当大比例可能来自AI检测到的混杂特征。仍需进一步工作以识别与人口学信息相关的特定影像特征，并更好地理解医学AI中人口学识别的风险，因其可能涉及延续偏见与差异。
引用
@article{arxiv.2207.06421,
title = {Deep Learning Discovery of Demographic Biomarkers in Echocardiography},
author = {Grant Duffy and Shoa L. Clarke and Matthew Christensen and Bryan He and Neal Yuan and Susan Cheng and David Ouyang},
journal= {arXiv preprint arXiv:2207.06421},
year = {2023}
}
备注
2450 words, 2 figure, 3 tables