DermDiff：用于减轻皮肤科诊断种族偏见的生成式扩散模型
计算机视觉与模式识别
2025-03-25 v1
摘要
皮肤病，如皮肤癌，是公共卫生的重大问题，早期诊断对于有效治疗至关重要。人工智能 (AI) 算法有潜力在皮肤瘤良恶分层中辅助诊断并提高诊断准确性。然而，现有的皮肤病诊断 AI 模型通常在有限且偏斜的数据集上开发和测试，导致在某些皮肤颜色上表现不佳。为此，我们提出一种新型生成模型，称为 DermDiff，可为皮肤病诊断生成多样且具代表性的皮肤诊断图像数据。利用文本提示和多模态图像-文本学习，DermDiff 提高了在高度不平衡数据集中被低估群体（患者、疾病等）的代表性。我们的广泛实验表明 DermDiff 在保真度和多样性方面均表现出色。进一步的下游评估表明 DermDiff 在减轻皮肤科诊断中的种族偏见方面具有潜力。我们的代码已公开于 https://github.com/Munia03/DermDiff。
引用
@article{arxiv.2503.17536,
title = {DermDiff: Generative Diffusion Model for Mitigating Racial Biases in Dermatology Diagnosis},
author = {Nusrat Munia and Abdullah-Al-Zubaer Imran},
journal= {arXiv preprint arXiv:2503.17536},
year = {2025}
}
备注
Paper presented at ADSMI@MICCAI 2024