FERI：一种基于多任务学习的公平性实现算法及其在公平器官移植中的应用
机器学习
2024-08-28 v2 人工智能
摘要
肝移植常面临由年龄组、性别和种族/民族等敏感属性所定义子群体间的公平性挑战。用于结局预测的机器学习模型可能引入额外偏差。因此，我们提出多任务学习中通过均衡改善率实现公平性（FERI）算法，用于对肝移植患者移植物失功风险进行公平预测。FERI 通过平衡学习率并防止训练过程中子群体主导来约束子群体损失。结果表明，FERI 保持了高预测精度，其 AUROC 与 AUPRC 与基线模型相当。更重要的是，FERI 展现出在不牺牲精度的前提下改善公平性的能力。具体而言，在性别方面，FERI 将人口均等差异降低了 71.74%；在年龄组方面，将均等几率差异降低了 40.46%。因此，FERI 算法推进了医疗领域中公平性感知的预测建模，并为公平医疗系统提供了宝贵工具。
引用
@article{arxiv.2310.13820,
title = {FERI: A Multitask-based Fairness Achieving Algorithm with Applications to Fair Organ Transplantation},
author = {Can Li and Dejian Lai and Xiaoqian Jiang and Kai Zhang},
journal= {arXiv preprint arXiv:2310.13820},
year = {2024}
}
备注
First Prize Student Award Paper, American Medical Informatics Association 2024 Informatics Summit