机器学习中亚群有效性：针对心尿膜数据
机器学习
2025-12-02 v1 其他统计学
摘要
心尿膜数据集可用于训练深度学习模型，以自动化解释心脏超声，从而扩大准确读取诊断性图像的可及性。然而，患者的性别、性取向、种族和民族在这些数据集中报告不足，亚群特定的预测性能也未被评估。这些报告不足引发了关于亚群有效性的担忧，必须在模型部署之前进行研究和解决。本文我们表明，当前公开的心尿膜数据集无法消除亚群有效性的担忧。我们改进了两个数据集（TMED-2 和 MIMIC-IV-ECHO）的社会人口学报告。分析六个公开数据集后发现，未对性别多样化患者进行考虑，且许多种族和民族组的患者数量不足。我们进一步对两个已发布的主动脉狭窄检测模型在 TMED-2 上的进行探索性亚群分析。我们发现对于性别、种族和民族亚群，缺乏亚群有效性的证据。我们的发现表明，针对 underrepresented 亚群需要更多数据、改进的人口学报告以及面向亚群的分析，以证明未来工作中的亚群有效性。
引用
@article{arxiv.2512.00976,
title = {Subgroup Validity in Machine Learning for Echocardiogram Data},
author = {Cynthia Feeney and Shane Williams and Benjamin S. Wessler and Michael C. Hughes},
journal= {arXiv preprint arXiv:2512.00976},
year = {2025}
}