EdgeMixup：改善皮肤疾病分类与分割的公平性
计算机视觉与模式识别
2022-03-01 v1 人工智能
摘要
皮肤病变可能是多种感染性疾病及其他疾病的早期指标。使用深度学习（DL）模型诊断皮肤病变在辅助临床医生对患者进行预筛查方面具有巨大潜力。然而，这些模型常学到训练数据中固有的偏差，从而导致在诊断浅色和/或深色肤色人群时存在性能差距。据我们所知，在识别乃至减少皮肤疾病分类与分割中的模型偏差方面，已有工作有限。本文中，我们考察 DL 公平性，并展示了针对包括莱姆病、体癣和带状疱疹在内的特定疾病，相较于浅色肤色个体，深色肤色子群体在分类与分割模型中存在偏差。随后，我们提出一种新颖的预处理、数据改变方法，称为 EdgeMixup，通过输入皮肤病变图像与相应预测边缘检测掩模的线性组合并结合色彩饱和度改变，来改善模型公平性。在皮肤疾病分类任务中，EdgeMixup 优于对抗方法等复杂得多的竞争方法，在浅色与深色肤色样本间准确率差距上实现了 10.99% 的缩减，并使代表性不足子群体的性能提升 8.4%。
引用
@article{arxiv.2202.13883,
title = {EdgeMixup: Improving Fairness for Skin Disease Classification and Segmentation},
author = {Haolin Yuan and Armin Hadzic and William Paul and Daniella Villegas de Flores and Philip Mathew and John Aucott and Yinzhi Cao and Philippe Burlina},
journal= {arXiv preprint arXiv:2202.13883},
year = {2022}
}