公平生存预测：一种基于公平性的生存建模方法
机器学习
2025-10-24 v1 人工智能
摘要
随着机器学习模型越来越多地融入医疗保健，临床数据中嵌入的结构性不平等和社会偏见可能被数据驱动模型放大。 在生存分析中， censoring 和时间动态进一步增加了公平模型开发的复杂性。此外，算法公平方法往往忽视跨群体排序中的差异，例如高风险的黑人患者可能被排序在不经历死亡事件的低风险白人患者之下。此类误排序可能强化生物本质主义，削弱公平护理。我们提出了公平性感知生存建模（FASM），旨在减轻关于时间上跨群体和群内风险排序的算法偏见。以乳腺癌预后为代表性案例，应用 FASM 到 SEER 乳腺癌数据，我们表明 FASM 在保持与公平性 unaware 生存模型相当的辨别性能的同时，显著改善了公平性。时间分层评估表明，FASM 在 10 年的时程内保持稳定的公平性，中期随访的改进最大。我们的做法使得能够开发出在临床决策中优先考虑准确性和公平性的生存模型，推动公平性成为临床护理的核心原则。
引用
@article{arxiv.2510.20629,
title = {Equitable Survival Prediction: A Fairness-Aware Survival Modeling (FASM) Approach},
author = {Mingxuan Liu and Yilin Ning and Haoyuan Wang and Chuan Hong and Matthew Engelhard and Danielle S. Bitterman and William G. La Cava and Nan Liu},
journal= {arXiv preprint arXiv:2510.20629},
year = {2025}
}