增强医疗预测建模中的多属性公平性
机器学习
2025-01-24 v1 计算机与社会
摘要
人工智能（AI）系统在医疗领域展现出巨大的潜力，以改善患者预后。然而，若未妥善考虑公平性，AI系统也可能延续或加剧现存的健康不平等。尽管已提出诸多公平性增强技术，但大多数仅聚焦于单一敏感属性，忽略了针对一种属性优化公平性可能对其他敏感属性公平性产生的广泛影响。本文引入一种新方法，用于医疗AI中的多属性公平性优化，同时关注多个人口学属性的公平性。我们的方法采用两阶段策略：首先优化预测性能，随后微调以实现多个敏感属性的公平性。我们采用两种策略实现：顺序式和同步式。实验结果表明，我们的方法在保持高预测准确率的同时，显著降低了多个属性的 Equalized Odds Disparity（EOD）。值得注意的是，我们发现单属性公平方法可能无意中增加非目标属性的不平等，而同步的多属性优化则在所有属性上实现更均衡的公平性改进。这些发现凸显了在医疗AI中采用全面公平策略的重要性，并为该领域的未来研究提供了有前景的方向。
关键词
引用
@article{arxiv.2501.13219,
title = {Enhancing Multi-Attribute Fairness in Healthcare Predictive Modeling},
author = {Xiaoyang Wang and Christopher C. Yang},
journal= {arXiv preprint arXiv:2501.13219},
year = {2025}
}
备注
Accepted to the 13th IEEE International Conference on Healthcare Informatics (IEEE ICHI 2025)