面向跨子群可靠诊断的患者条件化自适应偏移
计算机视觉与模式识别
2026-01-21 v1
摘要
由于疾病患病率、影像表现和临床风险特征的异质性，用于医学诊断的 AI 模型在不同患者群体中常表现出不均衡的性能。现有的算法公平性方法通常试图通过抑制敏感属性来减少此类差异。然而，在医疗场景中，这些属性往往携带重要的诊断信息，去除它们可能会降低准确性和可靠性，尤其是在高风险应用中。相比之下，临床决策在解释诊断证据时会明确纳入患者背景，这为子群感知模型指明了一种不同的设计方向。在本文中，我们引入了 HyperAdapt，这是一种患者条件化自适应框架，能够在维持共享诊断模型的同时提升子群可靠性。年龄和性别等临床相关属性被编码为紧凑的嵌入，并用于条件化一个超网络式模块，该模块为共享骨干网络的选定层生成小的残差调制参数。这种设计既保留了骨干网络学到的通用医学知识，又能实现反映患者特定变异性的针对性调整。为确保效率和鲁棒性，自适应过程通过低秩和瓶颈参数化进行约束，从而限制了模型复杂度和计算开销。在多个公共医学影像基准上的实验表明，所提方法在不牺牲整体准确率的情况下，持续提升了子群级别的性能。在 PAD-UFES-20 数据集上，我们的方法在召回率上比最强竞争基线高出 4.1%，在 F1 分数上高出 4.4%，且在代表性不足的患者群体中观察到更大的提升。
引用
@article{arxiv.2601.13094,
title = {Patient-Conditioned Adaptive Offsets for Reliable Diagnosis across Subgroups},
author = {Gelei Xu and Yuying Duan and Jun Xia and Ruining Deng and Wei Jin and Yiyu Shi},
journal= {arXiv preprint arXiv:2601.13094},
year = {2026}
}