通过样本难度去相关实现年龄相关混杂效应的稳健缓解

医学图像分类中的年龄依赖性能差异常因年龄作为混杂变量导致成因，即年龄与疾病发生率相关联。实际情况下，差异可能在疾病发生率较高的年龄段导致过度诊断，在疾病发生率较低的年龄段导致欠诊断，随着年龄分布的训练-测试迁移，差异可能加剧。传统的缓解方法通过强制年龄不变性来缓解混杂效应，但可能抑制年龄中编码的诊断相关信息。我们因此提出一种稳健框架，通过针对性地消除与年龄相关的虚假趋势来缓解年龄依赖混杂效应，而非强制实现不变性。随后，我们在热身阶段对样本难度进行建模，并以标签为条件进行年龄依赖趋势的刻画。我们采用鲁棒的Huber加权亲和权重，将年龄从主导年龄难度趋势中去相关，从而削弱由混杂效应驱动的捷径，同时保留临床上有意义的非线性年龄信息。我们进一步引入年龄覆盖得分，通过小批量年龄方差来缩放去相关惩罚，以确保在年龄多样性有限时的优化稳定性。在两个放射学数据集上，我们的方法在最小化AUC影响的同时显著降低了年龄依赖的真阳性和假阳性差异，并在增加的训练-测试年龄分布迁移下保持稳健性。