医疗健康中的公平机器学习：综述

医疗数据的数字化加之计算能力的进步，推动了机器学习（ML）在医疗健康领域的应用。然而，这些方法可能延续甚至加剧现有的差异，导致公平性问题，例如不同人口群体间资源分配不均和诊断不准确。解决这些公平性问题对于防止社会不公的进一步固化至关重要。在本综述中，我们分析了机器学习公平性与医疗健康差异的交叉点。我们采用基于分配正义原则的框架，将公平性问题分为两类：平等分配与平等性能。我们从机器学习角度对相关的公平性度量进行批判性回顾，并考察机器学习生命周期各阶段中的偏差及其缓解策略，讨论偏差与其对策之间的关系。本文最后讨论了在确保医疗健康机器学习公平性方面尚未解决的关键挑战，并提出了若干有望开发合乎伦理且公平的医疗机器学习应用的新研究方向。