FairVision：通过公平身份缩放实现公平的眼病筛查深度学习
计算机视觉与模式识别
2024-04-15 v3
摘要
由于人工智能在医疗领域对人类福祉的直接影响，其公平性至关重要。尽管 2D 医学影像公平性取得了进展，但 3D 模型的公平性仍未被充分探索，受限于 3D 公平性数据集规模较小。由于 3D 成像在临床护理最先进（SOTA）水平中优于 2D 成像，理解这些 3D 模型的公平性十分关键。为填补这一研究空白，我们针对跨多个受保护属性的 3D 医学影像模型的公平性开展了首项综合性研究。我们的调查涵盖 2D 和 3D 模型，并在三种常见眼病上评估了五种架构的公平性，揭示了跨种族、性别和族裔的显著偏差。为缓解这些偏差，我们提出了一种新颖的公平身份缩放（FIS）方法，该方法在整体性能和公平性上均有所提升，优于多种 SOTA 公平性方法。此外，我们发布了 Harvard-FairVision，这是首个包含 30,000 名受试者、兼具 2D 与 3D 影像数据及六种人口身份属性的大规模医学公平性数据集。Harvard-FairVision 为影响全球约 3.8 亿人的三种主要眼病提供标签，可作为 2D 和 3D 公平性学习的宝贵资源。我们的代码和数据集公开于 \url{https://ophai.hms.harvard.edu/datasets/harvard-fairvision30k}。
引用
@article{arxiv.2310.02492,
title = {FairVision: Equitable Deep Learning for Eye Disease Screening via Fair Identity Scaling},
author = {Yan Luo and Muhammad Osama Khan and Yu Tian and Min Shi and Zehao Dou and Tobias Elze and Yi Fang and Mengyu Wang},
journal= {arXiv preprint arXiv:2310.02492},
year = {2024}
}