TransFair: 将公平性从眼科疾病分类转移到疾病进展预测
机器学习
2024-12-04 v2 人工智能
计算机视觉与模式识别
计算机与社会
摘要
人工智能在自动疾病分类方面的应用显著降低了医疗成本，提高了服务可及性。然而，这一变革引发了关于 AI 公平性的担忧，这些担忧尤其影响来自贫困人群的患者。最近提出了多种方法和大规模数据集，以解决小组性能差异。虽然这些方法在疾病分类任务中显示出有效性，但在确保疾病进展预测的公平性方面可能不足，这主要是由于用于训练稳健且公平的预测模型的纵向数据较少且人口学特征分布不均。本文介绍 TransFair 以增强眼科疾病进展预测的民族公平性。TransFair 旨在将公平性增强的疾病分类模型转移到疾病进展预测任务中，同时保持公平性。具体而言，我们训练一个公平的 EfficientNet，称为 FairEN，配备公平感注意力机制，使用大量眼科疾病分类数据进行训练。随后，通过知识蒸馏将该公平分类模型适配为公平的进展预测模型，以最小化分类模型和进展预测模型之间的潜在特征距离。我们使用二维 (2D) 和三维 (3D) 眼底图像评估了 FairEN 和 TransFair 在眼科疾病分类和进展预测中的公平性。大量实验和与不考虑公平学习的模型进行比较表明，TransFair 在预测眼科疾病进展方面有效提升了民族公平性。
引用
@article{arxiv.2412.00051,
title = {TransFair: Transferring Fairness from Ocular Disease Classification to Progression Prediction},
author = {Leila Gheisi and Henry Chu and Raju Gottumukkala and Yan Luo and Xingquan Zhu and Mengyu Wang and Min Shi},
journal= {arXiv preprint arXiv:2412.00051},
year = {2024}
}
备注
12 pages