CT图像的鲁棒公平疾病诊断
计算机视觉与模式识别
2026-04-14 v1 机器学习
摘要
从胸部CT图像进行自动诊断的深度学习方法已取得显著进展，但在数据偏斜的情况下训练的模型往往在患者人口统计特征上表现不均。然而，情况甚至比简单的人口统计特征偏差更糟。在临床数据中，类别不平衡和群体欠代表往往同时存在，导致复合失效模式，单靠标准的重新平衡或公平性校正无法解决。我们提出了两个层次的目标，以针对这两个维度的问题。Logit-adjusted交叉熵损失在样本层面运作，通过类别频率移动决策边缘，并具有可证明的一致性保证。条件价值风险（Conditional Value at Risk, CVaR）聚合在群体层面运作，指向当前损失最高的患者群体。我们在公平疾病诊断基准上进行评估，使用在Kinetics-400上预训练的3D ResNet-18，对 CT 体积分为肺腺癌、鳞状细胞癌、COVID-19和Normal 四个组进行分类，包含患者性别注释。在训练集中，肳腺癌样本共84个，其中5个为女性。组合损失实现了性别平均宏F1分数为0.8403，公平性差距为0.0239，显著提升了13.3%的分数，并将人口统计特征差异降低了78%。消融实验表明，单独的每个组件都不够。代码已公开发布于 https://github.com/Purdue-M2/Fair-Disease-Diagnosis。
引用
@article{arxiv.2604.09710,
title = {Robust Fair Disease Diagnosis in CT Images},
author = {Justin Li and Daniel Ding and Asmita Yuki Pritha and Aryana Hou and Xin Wang and Shu Hu},
journal= {arXiv preprint arXiv:2604.09710},
year = {2026}
}
备注
8 pages, 3 figures, 2 tables. Accepted at the 3rd Workshop on New Trends in AI-Generated Media and Security (AIMS) @ CVPR 2026