FairMed-XGB：面向临床人口学公平性的贝叶斯优化多指标框架与可解释性
机器学习
2026-03-17 v1 人工智能
摘要
在临床护理环境中部署的机器学习模型存在人口学偏见，尤其是性别差异，削弱了临床信任和公平护理。本文引入FairMed-XGB，这是一个新型框架，系统性地检测并消除性别驱动的预测偏见，同时保持模型性能和透明度。该框架整合了结合统计差异、Theil指数和Wasserstein距离的公平性感知损失函数，通过贝叶斯搜索联合优化为XGBoost分类器。在源自MIMIC-IV-ED和eICU数据库的七个临床不同队列中进行后消除评估，显示出显著的偏差降低：统计差异降低40至51个百分点（MIMIC-IV-ED）和10至19个百分点（eICU）；Theil指数降至接近零的四至五个数量级；Wasserstein距离降低20至72个百分点。这些收益以AUC-ROC下降不到0.02的可忽略预测准确性损失实现。基于SHAP的可解释性揭示，该框架减弱了对性别代理特征的依赖，为临床医生提供了洞察偏差如何和在何处被纠正的可操作见解。FairMed-XGB为在高风险医疗环境中实现可靠、可解释且伦理合规的临床决策提供了稳健解决方案，为AI在高风险医疗环境中的可信部署铺平了道路。
引用
@article{arxiv.2603.14947,
title = {FairMed-XGB: A Bayesian-Optimised Multi-Metric Framework with Explainability for Demographic Equity in Critical Healthcare Data},
author = {Mitul Goswami and Romit Chatterjee and Arif Ahmed Sekh},
journal= {arXiv preprint arXiv:2603.14947},
year = {2026}
}