FAST-CAD：面向非接触性中风诊断的公平性感知框架
机器学习
2026-04-07 v4 人工智能
摘要
中风是一种急性脑血管疾病，及时诊断显著�提高患者生存率。然而，现有自动诊断方法在人口学群体之间存在公平性问题，可能加剧医疗不平等。在本工作中，我们提出 FAST-CAD 框架，将域对抗训练 (DAT) 与群体分布鲁棒优化 (Group-DRO) 结合，用于实现非接触性中风诊断的公平准确性。我们的方法基于域适应和 minimax 公平性理论，提供收敛保证和公平性界限。我们构建覆盖 12 个人口学子群体（按年龄、性别和姿势定义）的多模态数据集。FAST-CAD 使用带有对抗域判别的自监督编码器，学习人口学无关表征，同时 Group-DRO 对最差群体风险进行优化，以确保所有子群体的稳健性能。大量实验表明，我们的方法在保持人口学群体公平性的同时实现了优异诊断性能，且我们的理论分析支持了统一的 DAT + Group-DRO 框架的有效性。这一工作为公平医疗 AI 系统提供了实际进展和理论见解。
引用
@article{arxiv.2511.08887,
title = {FAST-CAD: A Fairness-Aware Framework for Non-Contact Stroke Diagnosis},
author = {Tommy Sha and Zhan Cheng and Haotian Zhai and Xuwei Ding and Junnan Li and Haixiang Tang and Zaoting Sun and Yanchuan Tang and Yongzhe and Yi and Yuan Gao and Anhao Li},
journal= {arXiv preprint arXiv:2511.08887},
year = {2026}
}