神经元发生率重新分配以实现医学图像分类的公平性
计算机视觉与模式识别
2026-05-20 v1 机器学习
摘要
医学图像分类的深度学习模型在不同人口学属性(如年龄、性别、种族)下的子群性能存在差异。我们识别了这些差异背后的潜在表征机制：在迁移学习模型中，正预测下dominant penultimate-layer 激活通道同时由疾病阳性样本和特权人口学群体(男性、年长患者)共激活，导致过度诊断；而在负预测下，dominant 通道则由劣势群体(女性、年轻患者)共激活，导致系统性过度诊断。为此，我们提出了神经元发生率重新分配(NIR)，一种轻量级正则化方法，对预测概率加权的均值激活在penultimate-layer神经元之间的方差进行惩罚，无需训练时使用人口学标签。在HAM10000数据集上，TPR差异在年龄组间从10.81%降至0.93%，在性别间从12.04%降至0.74%，AUC提升仅0.51分。在Harvard OCT-RNFL数据集上，NIR将种族的FPR差异从15.68%降至10.66%，年龄的FPR差异从12.69%降至1.80%，表明在完全penultimate层分布潜在疾病证据是提高医学AI人口学公平性的原则且有效的策略。
引用
@article{arxiv.2605.19393,
title = {Neuron Incidence Redistribution for Fairness in Medical Image Classification},
author = {Abin Shoby and Lyle John Palmer and Nikhil Cherian Kurian},
journal= {arXiv preprint arXiv:2605.19393},
year = {2026}
}
备注
4 Pages, 1 Figure