超越人口统计学: 医学影像中基于外观隐藏族群的公平性优化

医学影像分析模型可能在患者子群之间表现出差异，这威胁临床安全和公平性。现有方法通常通过针对仅在隔离下考虑的可见人口统计学属性（如性别或年龄）优化准确性和公平性指标。这种策略不仅忽略了可能揭示模型错误和不公平性更深层来源的潜在更有信息的隐性分层，也无法在同时考虑多个人口统计学属性时实现规模化，因为导致每个子群训练数据稀疏。为此，我们提出了标签无关的隐藏族群公平性（LHCF）训练范式，其不通过针对可见人口统计学属性优化公平性，而是针对从图像外观中发现的潜在子population进行优化。通过将图像聚类为K个基于外观的族群并对其应用公平性优化，LHCF揭示了潜在的模型错误来源，避免了多人口统计学属性组合导致的稀疏性，在单一和多个人口统计学属性上均显著降低了差异。我们在我们提出的公平性基准（HIDFairBench）上展示了LHCF在单一和多个人口统计学属性上实现了超越现有方法的公平性结果，尽管从未在训练中使用人口统计学标签。我们的结果将隐藏族群公平性定位为可信赖医学影像分析中一种实用、可扩展且稳健的替代方案。