FairLogue：临床机器学习模型交叉公平性分析工具包
机器学习
2026-04-07 v1 定量方法
摘要
目标：算法公平性对于实现医疗领域的公平和可信赖机器学习至关重要。大多数公平工具侧重于单轴人口统计学比较，可能忽略影响交叉人口统计学群体的复合性差异。本研究介绍 Fairlogue，一个旨在临床环境中实现交叉公平性评估的工具包，覆盖观察性和反事实情境。方法：Fairlogue 是一个基于 Python 的工具包，包含三个组件：1）扩展人口统计公平性、等于机会和等于机会差异至交叉人口统计学群体的观察性框架；2）评估治疗性情境下公平性的反事实框架；3）评估对交叉人口统计学成员身份干预下公平性的通用反事实框架。该工具包使用来自 All of Us Controlled Tier V8 数据集的电子健康记录数据，在白内障手术预测任务中采用 logistic 回归模型，种族和性别作为受保护属性。结果：观察性分析在模型性能（AUROC = 0.709；准确率 = 0.651）之外识别出显著的交叉公平差异。交叉评估发现超过单轴分析的更大公平差距，包括人口统计公平性差异为 0.20，等于机会真阳性和假阳性率差异分别为 0.33 和 0.15。反事实分析使用置换基准 null 分布产生的不公平性（"u-value"）估计接近零，表明在控制协变量后，观察到的差异与随机一致。结论：Fairlogue 提供了一个集成观察性和反事实方法于临床机器学习工作流程中，用于量化和评估交叉偏差的模块化工具包。
引用
@article{arxiv.2604.04858,
title = {FairLogue: A Toolkit for Intersectional Fairness Analysis in Clinical Machine Learning Models},
author = {Nick Souligne and Vignesh Subbian},
journal= {arXiv preprint arXiv:2604.04858},
year = {2026}
}