多属性公平医学图像分类中的最坏组等值机会正则化

医疗 AI 的诊断性能在人口统计学群体之间存在系统性差异，但群体 AUC 可能会掩盖临床上重要的差异。在固定的推断时间 operating point 下，某些群体可能表现出过诊断行为，表现为显著的真阳性率和假阳性率，而另一些群体则表现出欠诊断模式，表现为降低的真阳性率和假阳性率。这些相互抵消的倾向可以在 aggregate AUC 中相互掩盖，但在临床决策中产生实质性的不公平。鉴于在 operating point 以及跨多个人口统计学属性方面评估和缓解此类差异的需求，我们提出了一种最坏组等值机会边际正则化器。该正则化器显式针对在推断时的真阳性和假阳性两侧的 subgroup 水平偏差。在每次更新中，该方法识别由显式人口统计学属性（如年龄、性别和种族）定义的具有最极端边际偏差的 subgroup，并施加统一的惩罚，实现跨多个人口统计学轴向的公平优化，而无需显式的交叉人口统计学约束。在两个现实的多标签医学影像数据集上，我们的方法在保持诊断性能的同时，持续减少等值机会和等值机会的公平性差异。