开发公平感知的任务分解以提高脊椎融合后并发症预测中的公平性
机器学习
2025-12-02 v1 人工智能
计算机与社会
摘要
临床预测模型中的公平性仍然是一个持久的挑战，尤其是在脊柱融合手术治疗脊柱侧弯时，患者结果显示出显著的异质性。许多现有的公平性方法依赖粗糙的人口学调整或事后纠正，这些方法无法捕捉临床人群的潜在结构，可能无意中强化偏见。我们提出了 FAIR-MTL（Fairness-Aware Multitask Learning），一个旨在提供公平且精细化预测术后并发症严重程度的公平感知多任务学习框架。我们不依赖显式的敏感属性进行模型训练，而是采用数据驱动的子群推断机制。从中提取紧凑的人口学嵌入，并应用 k 均值聚类来发现可能对传统模型影响不均的潜在患者子群。这些推断出的子群标签决定了共享多任务架构中的任务路由。在训练期间，通过逆频率加权来缓解子群不平衡，正则化防止对较小子群的过拟合。应用于四个严重程度水平的术后并发症预测，FAIR-MTL 实现了 0.86 的 AUC 和 75% 的准确率，优于单任务基线，同时显著减少了偏见。对于性别，人口公平性差降至 0.055，平等机会性降至 0.094；对于年龄，这些值分别降至 0.056 和 0.148。通过 SHAP 和 Gini 重要性分析确保了模型可解释性，这些分析持续地突出了如血红蛋白、血清铁和患者体重等临床上有意义的预测因子。我们的发现表明，将无监督子群发现纳入多任务框架，能够实现更公平、更可解释且临床上可操作的手术风险分层预测。
引用
@article{arxiv.2512.00598,
title = {Developing Fairness-Aware Task Decomposition to Improve Equity in Post-Spinal Fusion Complication Prediction},
author = {Yining Yuan and J. Ben Tamo and Wenqi Shi and Yishan Zhong and Micky C. Nnamdi and B. Randall Brenn and Steven W. Hwang and May D. Wang},
journal= {arXiv preprint arXiv:2512.00598},
year = {2025}
}