在多模态临床预测中发现并消除交叉性偏见
人工智能
2024-12-03 v1
摘要
使用电子健康记录(EHR)进行的自动化临床决策存在偏见，导致患者护理和治疗结果之间出现显著差异。传统方法主要关注单一属性的偏差缓解策略，忽略了由各种人口统计学交叉属性(如种族、性别、族裔等)组成的交叉性子群。由于这些子群在分布和偏差模式上差异较大，将单属性的缓解策略应用于交叉性子群将在统计上失去意义。EHR的多模态特性——数据来自各种来源，如文本、时间序列、表格、事件和图像的组合——增加了另一层复杂性，因为对少数族裔的影响可能在不同模态之间波动。在本文中，我们通过来源于大型多模态数据集MIMIC-Eye1和MIMIC-IV ED，提出在交叉性子群水平上进行偏差缓解。我们对数据集进行下游任务和偏差评估，通过从多模态来源学习统一的文本表示，利用预训练临床语言模型(MedBERT、Clinical BERT和Clinical BioBERT)的强大能力。我们的发现表明，所提出的子群特定偏差缓解在不同数据集、子群和嵌入表示之间都具有鲁棒性，有效地解决了多模态环境中的交叉性偏见。
引用
@article{arxiv.2412.00606,
title = {Fairness at Every Intersection: Uncovering and Mitigating Intersectional Biases in Multimodal Clinical Predictions},
author = {Resmi Ramachandranpillai and Kishore Sampath and Ayaazuddin Mohammad and Malihe Alikhani},
journal= {arXiv preprint arXiv:2412.00606},
year = {2024}
}