DuetFair：用于公平医学图像分割的耦合 intra- 与 inter- 子群鲁棒性
计算机视觉与模式识别
2026-05-12 v1 人工智能
摘要
医学图像分割模型可能在子群之间表现不均。大多数现有公平方法侧重于提高平均子群性能，隐含地将每个子群视为内部均匀。然而，这可能会隐藏子群内部的困难案例，其中高损失样本被子群均值所掩盖。我们称之为 \textbf{子群内部隐藏失效}。为解决此问题，我们提出了 \textbf{DuetFair} 机制，这是一种双轴公平框架，同时考虑子群间适应性和子群内部鲁棒性。基于 DuetFair，我们引入了 \textbf{FairDRO}，该方法将分布感知混合专家 (dMoE) 与子群条件分布鲁棒优化 (DRO) 损失聚合相结合。这种设计允许模型在子群间适应，同时也减少每个子群内部的隐藏失效。我们在三个医学图像分割基准测试上评估 FairDRO，这些基准测试的子群内部异质性程度各不相同。在 Harvard-FairSeg 和 HAM10000 上，FairDRO 在年龄和种族分组方案下均实现了最佳的公平比例性能。在 3D 放疗靶区 cohort 上，FairDRO 在肿瘤分期分组下将最差子群 Dice 提高了 3.5 分（），在机构分组下提高了 4.1 分（），超越了最强的基线。
引用
@article{arxiv.2605.10521,
title = {DuetFair: Coupling Inter- and Intra-Subgroup Robustness for Fair Medical Image Segmentation},
author = {Yiqi Tian and Sangjoon Park and Bo Zeng and Pengfei Jin and Yujin Oh and Quanzheng Li},
journal= {arXiv preprint arXiv:2605.10521},
year = {2026}
}
备注
16 pages, 2 figures