面向公平医疗 AI：基于变分自编码器的 3D CT 基础嵌入对抗性去偏
计算机视觉与模式识别
2025-02-10 v1 人工智能
机器学习
摘要
自监督学习已通过从大规模无标签数据集中实现高效和通用特征提取而在医学影像领域取得飞速发展。最近，针对三维 (3D) 计算断层扫描 (CT) 数据开发了自监督基础模型，生成包含 1408 个特征的紧凑且信息丰富的嵌入，在下游任务（如颅内出血检测和肺癌风险预测）方面实现最先进的性能。然而，这些嵌入已被证明会编码年龄、性别和种族等人口统计信息，这对临床应用的公平性构成重大风险。在本工作中，我们提出了一种基于变分自编码器 (VAE) 的对抗性去偏框架，用于将这些嵌入转换为新的潜空间，在该空间中不再编码人口统计信息，同时保持关键下游任务的性能。我们在 NLST 肺癌筛查数据集上对该方法进行了验证，结果表明去偏后的嵌入有效消除了多种编码的人口统计信息，在不损害肺癌风险在 1 年和 2 年时间间隔预测准确性的同时提升了公平性。此外，我们的方法确保嵌入对对抗性偏见攻击具有鲁棒性。这些结果凸显了对抗性去偏技术在确保自监督 3D CT 嵌入在临床应用中的公平性和平等方面的潜力，为其在更广泛的无偏医疗决策中采用铺平了道路。
引用
@article{arxiv.2502.04386,
title = {Towards Fair Medical AI: Adversarial Debiasing of 3D CT Foundation Embeddings},
author = {Guangyao Zheng and Michael A. Jacobs and Vladimir Braverman and Vishwa S. Parekh},
journal= {arXiv preprint arXiv:2502.04386},
year = {2025}
}