皮肤病学数据集中肤色估计及其对分类性能的影响
计算机视觉与模式识别
2019-10-30 v1 计算机与社会
机器学习
摘要
计算机视觉与深度学习的近期进展推动了自动化皮肤图像分析的突破。特别是，皮肤癌分类模型已取得高于专业皮肤科医生的性能。然而，尚无研究评估机器学习模型在不同肤色人群中的性能一致性。本文提出一种在基准皮肤病数据集上估计肤色并探究模型性能是否依赖于该度量的方法。具体而言，我们使用个体类型学角（individual typology angle, ITA）来近似数据集中的肤色。我们考察ITA值的分布以更好理解两个基准数据集中的肤色代表性：1）ISIC 2018挑战赛数据集，一组用于皮肤癌检测的皮镜皮肤病变图像；2）SD-198数据集，一组涵盖多种皮肤病的临床图像。为估计ITA，我们首先开发分割模型以隔离非病变皮肤区域。我们发现两个数据集中大部分数据的ITA值介于34.5°与48°之间，对应较浅肤色，且与这些数据集中深色皮肤人群代表性不足一致。我们还发现机器学习模型性能与ITA值之间无可测量的相关性，尽管仍需更全面的数据以进一步验证。
引用
@article{arxiv.1910.13268,
title = {Estimating Skin Tone and Effects on Classification Performance in Dermatology Datasets},
author = {Newton M. Kinyanjui and Timothy Odonga and Celia Cintas and Noel C. F. Codella and Rameswar Panda and Prasanna Sattigeri and Kush R. Varshney},
journal= {arXiv preprint arXiv:1910.13268},
year = {2019}
}
备注
NeurIPS 2019 Workshop on Fair ML for Health