Harvard青光眼公平性数据集：用于公平性学习与公平身份归一化的视网膜神经疾病数据集
计算机视觉与模式识别
2024-03-12 v3
摘要
机器学习中的公平性（也称作 equity）对社会福祉十分重要，但有限的公开数据集阻碍了其进展。目前虽少数群体承受更多健康问题，却尚无专用的带影像数据的公开医疗数据集用于公平性学习。为弥补这一空白，我们推出Harvard青光眼公平性（Harvard-GF）数据集，这是一个包含2D与3D影像数据且种族群体均衡的视网膜神经疾病数据集，用于青光眼检测。青光眼是全球不可逆失明的主因，黑人群体的青光眼患病率为其他种族的两倍。我们还提出一种公平身份归一化（FIN）方法，以均衡不同身份群体间的特征重要性。我们的FIN方法与多种最先进的公平性学习方法进行比较，在种族、性别和族裔公平性任务中利用2D与3D影像数据均展现出更优性能，这证明了我们的Harvard-GF数据集对公平性学习的效用。为促进不同模型间的公平性比较，我们提出一种公平缩放性能指标，可灵活用于公平性背景下各类性能度量的比较。数据集与代码可通过 \url{https://ophai.hms.harvard.edu/datasets/harvard-glaucoma-fairness-3300-samples/} 公开获取。
引用
@article{arxiv.2306.09264,
title = {Harvard Glaucoma Fairness: A Retinal Nerve Disease Dataset for Fairness Learning and Fair Identity Normalization},
author = {Yan Luo and Yu Tian and Min Shi and Louis R. Pasquale and Lucy Q. Shen and Nazlee Zebardast and Tobias Elze and Mengyu Wang},
journal= {arXiv preprint arXiv:2306.09264},
year = {2024}
}
备注
Accepted in IEEE Transactions on Medical Imaging