评估医学图像重建对下游人工智能公平性与性能的影响
计算机视觉与模式识别
2026-04-14 v1 人工智能
摘要
基于人工智能的图像重建模型正越来越多地部署于临床工作流程中，以从低剂量 X 光或加速 MRI 扫描等噪声数据中提高图像质量。然而，这些模型通常使用像素级指标（如 PSNR）进行评估，导致其对下游诊断性能和公平性的影响尚不明确。我们引入了一个可扩展的评估框架，该框架将重建模型与诊断 AI 模型串联应用，并将其应用于两项任务（分类、分割）、三种重建方法（U-Net、GAN、扩散模型）和两种数据类型（X 光、MRI），以评估重建可能带来的下游影响。我们发现，传统的重建指标与任务性能的关联性较差，即使重建 PSNR 随图像噪声增加而下降，诊断准确性也基本保持稳定。公平性指标表现出更大的变异性，重建有时会放大人口统计学偏差，特别是在患者性别方面。然而，与诊断模型中已存在的固有偏差相比，这种额外偏差的总体幅度是适中的。为了探索潜在的偏差缓解方法，我们将分类文献中的两种策略应用于重建设置，但观察到效果有限。总体而言，我们的发现强调了在整个医学成像工作流程中进行整体性能和公平性评估的重要性，尤其是在生成式重建模型日益普及的情况下。
引用
@article{arxiv.2604.10904,
title = {Evaluating the Impact of Medical Image Reconstruction on Downstream AI Fairness and Performance},
author = {Matteo Wohlrapp and Niklas Bubeck and Daniel Rueckert and William Lotter},
journal= {arXiv preprint arXiv:2604.10904},
year = {2026}
}
备注
Proceedings of the Medical Imaging with Deep Learning (MIDL) Conference 2026