从皮肤组织学图像预测患者自报种族
计算机视觉与模式识别
2025-07-31 v2 计算工程、金融与科学
摘要
人工智能(AI)已在计算病理学(CPath)中取得成功，用于疾病检测、生物标志物分类和预后预测。然而,其学习非意图人口学偏差的潜力，特别是与健康社会决定因素相关的偏差,尚未得到充分研究。本研究探讨深度学习模型是否能够从数字化皮肤组织学切片预测自报种族，并识别潜在的形态学捷径。我们使用具有种族多样性人群的多中心数据集，应用注意力机制来揭示与种族相关的形态学特征。经过对三个数据整理策略进行评估以控制混杂因素后，最终实验显示，白人和黑人人群在预测性能上保持较高水平(AUC: 0.799, 0.762)，而整体性能下降至0.663。注意力分析揭示，表皮是关键的预测特征，当这些区域被移除时，性能显著下降。这些发现突显了在病理学中确保AI部署公平性的重要性，需谨慎的数据整理和偏差缓解。代码可在 https://github.com/sinai-computational-pathology/CPath_SAIF 获取。
引用
@article{arxiv.2507.21912,
title = {Predict Patient Self-reported Race from Skin Histological Images},
author = {Shengjia Chen and Ruchika Verma and Kevin Clare and Jannes Jegminat and Eugenia Alleva and Kuan-lin Huang and Brandon Veremis and Thomas Fuchs and Gabriele Campanella},
journal= {arXiv preprint arXiv:2507.21912},
year = {2025}
}
备注
Accepted to the MICCAI Workshop on Fairness of AI in Medical Imaging (FAIMI), 2025