皮肤病学 AI 中的差异：基于多样化临床图像的评估
图像与视频处理
2022-09-28 v1 计算机视觉与模式识别
机器学习
摘要
超过 30 亿人缺乏皮肤疾病的诊疗资源。AI 诊断工具或可辅助早期皮肤癌检测；然而，大多数模型尚未在多样化肤色或非常见疾病的图像上进行评估。为此，我们整理了 Diverse Dermatology Images（DDI）数据集——首个公开可用的、包含多样化肤色的经病理确认图像数据集。我们表明，最先进的皮肤病学 AI 模型在 DDI 上性能显著下降，其 ROC-AUC 较模型原始结果降低 29%–40%。我们发现，在 DDI 数据集中充分代表的深肤色与非常见疾病导致了性能下滑。此外，我们表明，若无多样化训练数据，最先进的鲁棒训练方法无法纠正这些偏差。我们的发现指出了皮肤病学 AI 中需解决的重要缺陷与偏差，以确保其对多样化患者及所有疾病的可靠应用。
引用
@article{arxiv.2111.08006,
title = {Disparities in Dermatology AI: Assessments Using Diverse Clinical Images},
author = {Roxana Daneshjou and Kailas Vodrahalli and Weixin Liang and Roberto A Novoa and Melissa Jenkins and Veronica Rotemberg and Justin Ko and Susan M Swetter and Elizabeth E Bailey and Olivier Gevaert and Pritam Mukherjee and Michelle Phung and Kiana Yekrang and Bradley Fong and Rachna Sahasrabudhe and James Zou and Albert Chiou},
journal= {arXiv preprint arXiv:2111.08006},
year = {2022}
}
备注
Machine Learning for Health (ML4H) - Extended Abstract