预处理方法对胸X射线诊断中的人种编码及模型鲁棒性的影响
计算机视觉与模式识别
2026-03-06 v1 机器学习
图像与视频处理
摘要
深度学习模型能够从胸部X射线(CXR)记录中以高准确率识别人种身份，因此广泛担忧模型不小心学习到系统性偏差其诊断预测的因素。此类人种偏差威胁医疗公平性和模型可靠性，因为模型可能系统性地误诊某些人口统计学群体。由于人种捷径扩散性强——非局部且分布在整个CXR记录中——图像预处理方法可能影响人种学习,然而此类方法用于减少偏差的潜力尚未得到充分探索。本文我们研究了包括肺部遮蔽、肺部裁剪和对比度受限自适应直方图均衡(CLAHE)的图像预处理方法。这些方法旨在抑制编码人种信息的伪影线索,同时保持诊断准确性。我们的实验表明,简单基于边界框的肺部裁剪可以有效减少人种捷径学习,同时维持诊断模型性能,绕过了常被假设的公平性-准确性权衡。
引用
@article{arxiv.2603.05157,
title = {The Impact of Preprocessing Methods on Racial Encoding and Model Robustness in CXR Diagnosis},
author = {Dishantkumar Sutariya and Eike Petersen},
journal= {arXiv preprint arXiv:2603.05157},
year = {2026}
}
备注
Preprint accepted for publication at BVM 2026 (https://www.bvm-conf.org/)