使用修剪学习提升皮肤 lesion 分类公平性
计算机视觉与模式识别
2025-09-03 v1 人工智能
计算机与社会
机器学习
摘要
近期深度学习技术显著提高了皮肤 lesion 分类模型的准确度，支持医疗诊断并推动公平医疗。然而，关于皮肤颜色潜在偏差的担忧仍然存在，这可能影响诊断结果。由于难以对皮肤色度进行分类、计算需求高以及客观验证公平性复杂，确保公平性颇具挑战。为此，我们提出一种针对皮肤 lesion 分类的公平算法，克服了在不同皮肤色度上实现诊断公平性的挑战。通过计算VGG 网络卷积层中特征图的偏度以及 Vision Transformer 的 patch 和 head，我们的方法减少了与皮肤色度相关的不必要通道，专注于 lesion 区域。该方法降低了计算成本，同时消除了偏见，不必依赖传统统计方法。它可能在保持公平性的同时减少模型大小，使其更适用于实际应用。
引用
@article{arxiv.2509.00745,
title = {Enhancing Fairness in Skin Lesion Classification for Medical Diagnosis Using Prune Learning},
author = {Kuniko Paxton and Koorosh Aslansefat and Dhavalkumar Thakker and Yiannis Papadopoulos and Tanaya Maslekar},
journal= {arXiv preprint arXiv:2509.00745},
year = {2025}
}