面向公平且稳健的体积 CT 分类：基于 KL 正则化的组分布鲁棒优化
计算机视觉与模式识别
2026-04-28 v2
摘要
自动从胸部 CT 扫描中进行诊断面临两个在临床部署中持续存在的挑战：跨获取中心的数据分布迁移和不同人口统计亚群之间的性能差异。我们同时解决这两个问题，针对两个互补任务进行验证：任务 1 采用多中心 CT 体积进行二分类 COVID-19 诊断，任务 2 进行四类肺部病理识别并施加性别基准公平性约束。我们的框架结合轻量级 MobileViT-XXS 切片编码器和两层 SliceTransformer 聚合器进行体积推理，并采用 KL 正则化的组分布鲁棒优化（Group DRO）目标进行训练，该目标会自适应地提高表现不佳的获取中心和人口统计亚群的权重。不同于标准 Group DRO，KL 惩罚可防止组权重崩溃，在最坏情况保护和平均性能之间提供稳定的平衡。对于任务 2，我们在性别类别粒度上定义组，直接针对如女性鳞状细胞癌等严重欠代表合成的组合。对于任务 1，我们的最佳配置实现了挑战赛 F1 分数 0.835，超越最佳公开挑战入选项 +5.9。对于任务 2，采用 α=0.5 的 Group DRO 实现了 0.815 的平均性别宏 F1，超越最佳挑战入选项 +11.1pp，并在女性鳞状细胞癌 F1 上提高 +17.4。
引用
@article{arxiv.2603.15941,
title = {Towards Fair and Robust Volumetric CT Classification via KL-Regularised Group Distributionally Robust Optimisation},
author = {Samuel Johnny and Blessed Guda and Goodness Obasi and Aaron Emmanuel and Moise Busogi},
journal= {arXiv preprint arXiv:2603.15941},
year = {2026}
}
备注
CVPR 2026 Medical Imaging & Healthcare Workshop