FairDomain：实现跨域医学图像分割与分类的公平性
图像与视频处理
2024-07-22 v2 人工智能
计算机视觉与模式识别
摘要
针对人工智能(AI)中的公平性问题，尤其是医学AI的公平性，对于确保公平的医疗保健结果至关重要。近期的努力已在医学AI中引入新的方法和数据集以提高公平性。然而，在域迁移设置下探讨公平性的问题几乎未被探索，而这在临床中常见不同诊疗机构使用不同的成像技术（例如，不同的视网膜成像模组）进行患者诊断。本文提出了FairDomain，对算法公平性在域迁移下的表现进行系统性研究，采用最先进的域适应(DA)和域泛化(DG)算法，分别用于医学分割和分类任务，以了解偏差如何在不同域之间传递。我们还引入了一种新型可插拔的公平身份注意力(FIA)模块，能够适配各种DA和DG算法，通过基于人口统计属性的自注意力机制调整特征重要性以提高公平性。此外，我们 curated 了第一个以两个配对成像模组为基础、针对同一患者队列在医学分割和分类任务上的公平性数据集，以严格评估域迁移情景下的公平性。排除源域和目标域人口统计分布变化带来的混淆影响后，可更清晰地量化域迁移模型的性能。我们广泛的评估表明，所提出的FIA在所有域迁移设置（即DA和DG）中，针对不同人口统计学特征显著提升了模型性能和公平性，优于现有方法，适用于分割和分类任务。代码和数据可在 https://ophai.hms.harvard.edu/datasets/harvard-fairdomain20k 访问。
引用
@article{arxiv.2407.08813,
title = {FairDomain: Achieving Fairness in Cross-Domain Medical Image Segmentation and Classification},
author = {Yu Tian and Congcong Wen and Min Shi and Muhammad Muneeb Afzal and Hao Huang and Muhammad Osama Khan and Yan Luo and Yi Fang and Mengyu Wang},
journal= {arXiv preprint arXiv:2407.08813},
year = {2024}
}
备注
ECCV 2024; Codes and datasets are available at https://github.com/Harvard-Ophthalmology-AI-Lab/FairDomain