用于疼痛检测的机器学习算法的性别公平性
计算机视觉与模式识别
2025-06-16 v1 机器学习
摘要
通过机器学习(ML)和深度学习(DL)算法进行自动化疼痛检测在医疗保健领域具有巨大潜力，特别是对于无法自我报告疼痛程度的患者。然而，这些算法在不同人口统计学群体（例如性别）间的准确性和公平性仍缺乏充分研究。本文研究了在 UNBC-McMaster 肩部疼痛表情档案数据库上训练的 ML 和 DL 模型的性别公平性，评估了仅基于参与者面部表情的视觉模态来检测疼痛时各种模型的性能。我们使用一系列性能和公平性指标，将传统的 ML 算法——线性支持向量机(L SVM)和径向基函数 SVM(RBF SVM)——与 DL 方法——卷积神经网络(CNN)和 Vision Transformer(ViT)进行了比较。尽管 ViT 实现了最高的准确率和部分公平性指标，但所有模型都表现出基于性别的偏见。这些发现凸显了准确性与公平性之间持续存在的权衡，强调需要引入公平性感知技术来缓解自动化医疗保健系统中的偏见。
引用
@article{arxiv.2506.11132,
title = {Gender Fairness of Machine Learning Algorithms for Pain Detection},
author = {Dylan Green and Yuting Shang and Jiaee Cheong and Yang Liu and Hatice Gunes},
journal= {arXiv preprint arXiv:2506.11132},
year = {2025}
}
备注
To appear as part of the 2025 19th International Conference on Automatic Face and Gesture Recognition (FG) Workshop Proceedings