通过精细可控合成数据提高放射科 AI 模型的性能、鲁棒性与公平性
计算机视觉与模式识别
2025-08-26 v1 人工智能
摘要
在发展临床可部署的诊断成像深度学习模型时，实现跨不同患者群体的稳健性能和公平性仍是一个挑战。合成数据生成已成为解决数据规模和多样性不足的有前景的策略。我们引入 RoentGen-v2，这是一个基于文本的胸片扩散模型，能够对放射学发现和患者人口统计学属性（包括性别、年龄和种族/民族）进行细粒度控制。RoentGen-v2 是首个能够生成具有人口统计学条件的临床可行图像的模型，促进了由超过 565,000 张图像构成的大型、人口统计学平衡合成数据集的创建。我们使用这个大型合成数据集来评估下游疾病分类模型的最优训练管道。与此前该方法简单组合真实数据和合成数据不同，我们提出了改进的训练策略，即先利用合成数据进行监督预训练，然后在真实数据上进行微调。通过在来自五个机构的超过 137,000 张胸片上的广泛评估，我们证明，合成预训练持续改善模型性能、对离群分布设置的泛化能力以及跨人口统计学子群的公平性。在数据集中，合成预训练比简单组合真实数据和合成数据导致的下游分类模型性能提升高出 6.5%。我们观察到这一性能提升伴随着准确度公平性差距缩减 19.3%。这些结果凸显了合成成像在应对现实数据约束条件下推动公平且通用的医学深度学习的潜力。我们在 https://github.com/StanfordMIMI/RoentGen-v2 开源代码、训练好的模型和合成数据集。
关键词
引用
@article{arxiv.2508.16783,
title = {Improving Performance, Robustness, and Fairness of Radiographic AI Models with Finely-Controllable Synthetic Data},
author = {Stefania L. Moroianu and Christian Bluethgen and Pierre Chambon and Mehdi Cherti and Jean-Benoit Delbrouck and Magdalini Paschali and Brandon Price and Judy Gichoya and Jenia Jitsev and Curtis P. Langlotz and Akshay S. Chaudhari},
journal= {arXiv preprint arXiv:2508.16783},
year = {2025}
}