MammoClean：通过数据集和谐化实现乳腿X光片AI的可重复性与公平性
图像与视频处理
2025-11-05 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
开发临床可靠的人工智能(AI)系统用于乳腿X光片受数据质量、元数据标准和不同公共数据集中人群分布的显著异构性的限制。这种异构性引入数据集特定的偏差，严重损害模型的可泛化性，成为临床部署的根本性障碍。我们提出MammoClean，一个用于乳腿X光片数据集标准化与偏差量化的公共框架。MammoClean对病例选择、图像处理(包括后侧和强度校正)进行标准化，并将元数据统一到一致的多视图结构中。我们提供了关于乳腺解剖、影像特征以及公共乳腿X光片数据集的全面综述，以系统性地识别关键偏差来源。将MammoClean应用于三个异构数据集(CBIS-DDSM、TOMPEI-CMMD、VinDr-Mammo)，我们量化了乳腺密度和异常发生率之间的显著分布性偏移。关键在于，我们演示了数据损坏的直接影响：在损坏的数据集上训练的AI模型表现显著下降，与其精心挑选的对手相当。通过使用MammoClean识别并缓解偏差来源，研究人员可以构建统一的多数据集训练语料库，以实现稳健模型的开发，具备优越的跨域泛化能力。MammoClean为乳腿X光片AI开发提供了基本且可重复的管道，促进公平比较，推动创建安全、有效的系统，使其在不同患者人群和临床环境中表现公平。该开源代码可在https://github.com/Minds-R-Lab/MammoClean获取。
引用
@article{arxiv.2511.02400,
title = {MammoClean: Toward Reproducible and Bias-Aware AI in Mammography through Dataset Harmonization},
author = {Yalda Zafari and Hongyi Pan and Gorkem Durak and Ulas Bagci and Essam A. Rashed and Mohamed Mabrok},
journal= {arXiv preprint arXiv:2511.02400},
year = {2025}
}