FairREAD: 在解缠后重新融合人口统计属性以实现公平医学图像分类
计算机视觉与模式识别
2025-05-27 v2 人工智能
计算机与社会
摘要
深度学习的最新进展在医学成像领域展现出变革性潜力,但由于不同人口统计子群之间的性能差异,公平性问题仍然存在。现有方法通过减弱图像数据中的敏感属性来消除这些偏见;然而,这些属性常携带临床相关信息,其移除可能损害模型性能-这是一个极不理想的结果。为此,我们提出一种新颖、简单且高效的框架FairREAD(重新解缠后重新融合人口统计属性),通过在公平图像表示中重新整合敏感的人口统计属性来减轻不公平性。FairREAD采用正交约束和对抗训练来解缠人口统计信息,并通过受控的重新融合机制保留临床相关细节。此外,子群特定的阈值调整确保不同人口统计群体间的公平性能。在大规模临床X光数据集上的全面评估表明,FairREAD显著降低了不公平性指标,同时保持诊断准确性,为医学图像分类在公平性和性能方面树立了新的基准。
引用
@article{arxiv.2412.16373,
title = {FairREAD: Re-fusing Demographic Attributes after Disentanglement for Fair Medical Image Classification},
author = {Yicheng Gao and Jinkui Hao and Bo Zhou},
journal= {arXiv preprint arXiv:2412.16373},
year = {2025}
}
备注
This work has been submitted to Medical Image Analysis, Elsevier for possible publication