基于FAME的公平电子健康记录预测：面向公平性的多模态嵌入
机器学习
2026-03-03 v1 计算与语言
摘要
电子健康记录（EHR）数据包含多种模态——文本、图像和医疗编码——对临床决策至关重要。为处理这些复杂数据，多模态AI（MAI）已成为融合此类信息的强大方法。然而，大多数现有的MAI模型以提升预测性能为目标进行优化，可能加剧患者子群体之间的偏见。虽然已提出针对多模态模型的偏差减少技术，但各模态的独立优势及其在减少偏见和优化性能方面的相互作用仍未被充分探索。在本工作中，我们提出FAME（面向公平性的多模态嵌入），一个根据各模态的公平性贡献显式加权的框架。FAME通过结合损失函数同时优化性能和公平性。我们利用误差分布差异指数（EDDI）来衡量子群体间的公平性，并提出一种符号无关的聚合方法以平衡各子群体的公平性，确保模型结果的公平性。我们在BEHRT和BioClinicalBERT上评估FAME，结合结构化和非结构化EHR数据，并在多个EHR预测任务上展示了其在性能和公平性方面相对于其他基线的有效性。
引用
@article{arxiv.2506.13104,
title = {Equitable Electronic Health Record Prediction with FAME: Fairness-Aware Multimodal Embedding},
author = {Nikkie Hooman and Zhongjie Wu and Eric C. Larson and Mehak Gupta},
journal= {arXiv preprint arXiv:2506.13104},
year = {2026}
}
备注
21 pages, 3 figures