利用对比学习提升自动胸部X光诊断的公平性
摘要
目的：在放射学领域，探索具体方法或途径以解决和增强模型公平性的研究有限。我们提出的人工智能模型利用监督对比学习来最小化胸部X光（CXR）诊断中的偏差。材料与方法：在这项回顾性研究中，我们在两个数据集上评估了我们提出的方法：包含截至2023年4月20日收集的27,796名患者的77,887张CXR图像的医学影像与数据资源中心（MIDRC）数据集（用于COVID-19诊断），以及包含在1992年至2015年间收集的30,805名患者的112,120张CXR图像的NIH胸部X光（NIH-CXR）数据集。在NIH-CXR数据集中，胸部异常包括肺不张、心脏肥大、积液、浸润、肿块、结节、肺炎、气胸、实变、水肿、肺气肿、纤维化、胸膜增厚或疝气。我们提出的方法利用监督对比学习，通过精心选择的正负样本生成公平的图像嵌入，并针对后续任务进行微调，以减少胸部X光（CXR）诊断中的偏差。我们使用边际AUC差异（ mAUC）评估了这些方法。结果：与基线模型相比，所提出的模型在所有亚组中均显示出偏差的显著降低，配对T检验（p<0.0001）证实了这一点。我们的方法在MIDRC数据集上针对性别、种族和年龄获得的 mAUC分别为0.0116（95% CI, 0.0110-0.0123）、0.2102（95% CI, 0.2087-0.2118）和0.1000（95% CI, 0.0988-0.1011）；在NIH-CXR数据集上，针对性别和年龄获得的 mAUC分别为0.0090（95% CI, 0.0082-0.0097）和0.0512（95% CI, 0.0512-0.0532）。结论：采用监督对比学习可以减轻CXR诊断中的偏差，解决基于深度学习的诊断方法中的公平性和可靠性问题。
引用
@article{arxiv.2401.15111,
title = {Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive Learning},
author = {Mingquan Lin and Tianhao Li and Zhaoyi Sun and Gregory Holste and Ying Ding and Fei Wang and George Shih and Yifan Peng},
journal= {arXiv preprint arXiv:2401.15111},
year = {2024}
}
备注
23 pages, 5 figures