检查超声分割任务中的模型公平性

随着机器学习和深度学习（DL）的快速发展，研究人员越来越多地采用基于学习的算法来缓解各种医学任务和应用中的诊断挑战。尽管诊断精度的提升引人注目，但一些研究人员发现了一个令人担忧的趋势：他们的模型在不同敏感属性划分的子组中表现出有偏的性能。这种偏差不仅侵犯了患者的权利，还可能导致改变生活的后果。在本文中，我们使用两个超声数据集检查了一系列 DL 分割模型，旨在评估这些特定任务中模型不公平性的存在。我们的研究结果表明，即使是先进的 DL 算法在超声分割任务中也表现出不公平的行为。这些结果作为一个重要的警告，强调了在将模型部署到现实场景之前进行仔细评估的必要性。这样的评估对于确保伦理考虑和减轻对患者结果产生不利影响的风险至关重要。