3D CT 基础嵌入中的人口统计学可预测性研究
计算机视觉与模式识别
2024-12-03 v1 人工智能
新兴技术
机器学习
摘要
近期，自监督基础模型成功扩展到编码三维（3D）CT 图像，在多个下游任务中表现优异，如颅内出血检测和肺癌风险预测。然而，由于自监督模型从复杂数据分布中学习，关于这些嵌入是否捕获人口统计学信息（如年龄、性别或种族）的疑问日益突出。我们采用包含3D CT 图像和人口统计学数据的全国肺部筛查试验（NLST）数据集，对多种分类器（softmax 回归、线性回归、线性支持向量机、随机森林和决策树）进行评估，以预测图像中患者的性别、种族和年龄。我们的结果表明，嵌入有效地编码了年龄和性别信息，线性回归模型在年龄预测中实现均方根误差（RMSE）为3.8年，softmax 回归模型在性别分类中达到0.998的AUC。种族预测效果较差，AUC为0.878。这一发现表明，有必要深入探讨自监督学习框架中编码的细节信息，以帮助确保医疗 AI 的公平性、负责任性和患者隐私保护。
引用
@article{arxiv.2412.00110,
title = {Demographic Predictability in 3D CT Foundation Embeddings},
author = {Guangyao Zheng and Michael A. Jacobs and Vishwa S. Parekh},
journal= {arXiv preprint arXiv:2412.00110},
year = {2024}
}
备注
submitted to Radiology Cardiothoracic Imaging