Stride-Net：基于解耦表示学习的胸片X光诊断公平性框架
摘要
深度神经网络在胸片分类任务中取得强烈的平均性能，但常在特定人口统计亚组上表现不佳，这引发了关于临床安全性和公平性的严峻 concern。现有去偏方法常在数据集之间 yield inconsistent improvements，或通过降低整体诊断效用来实现公平性，将公平性视为学习表示的后置约束，而非内在属性。本文提出Stride-Net（Sensitive Attribute Resilient Learning via Disentanglement and Learnable Masking with Embedding Alignment），一个面向公平性的框架，学习面向疾病判别且人口统计无关的表示，用于胸片分析。Stride-Net在patch级别运行，使用可学习的stride-based mask选择标签对齐的图像区域，同时通过对抗混淆损失抑制敏感属性信息。为将表示锚定在临床语义中并防止捷径学习，我们进一步通过基于BioBERT的疾病标签嵌入实现语义对齐，通过Group Optimal Transport。我们在MIMIC-CXR和CheXpert基准测试上评估了Stride-Net，涵盖种族及种族-性别交叉亚组。在包括ResNet和Vision Transformer在内的各种架构下，Stride-Net consistently改善了公平性指标，同时保持或提升基线准确度，实现了更优的准确度-公平性权衡。我们的代码已公开：https://github.com/Daraksh/Fairness_StrideNet
引用
@article{arxiv.2602.10875,
title = {Stride-Net: Fairness-Aware Disentangled Representation Learning for Chest X-Ray Diagnosis},
author = {Darakshan Rashid and Raza Imam and Dwarikanath Mahapatra and Brejesh Lall},
journal= {arXiv preprint arXiv:2602.10875},
year = {2026}
}
备注
6 pages, 2 Tables, 3 Figures. Our code is available https://github.com/Daraksh/Fairness_StrideNet