FairREAD：解耦后重融合人口属性实现公平医学图像分类

本文提出创新框架FairREAD，通过解耦学习与受控重融合机制，在医学图像分类中实现公平性（FATEEO/FATEAUC）与诊断性能（AUC）的平衡。该研究突破传统去偏方法牺牲精度的局限，为AI医疗公平性提供新范式。

　　

亮点

• 我们采用结合正交约束与对抗训练的公平图像编码器，从学习表征中解耦敏感人口属性

• 提出受控重融合机制，以平衡公平性与性能的方式整合人口统计学信息

• 引入亚组特异性阈值调整策略，在保持诊断准确性的同时缓解跨人口群体的性能差异

模型性能

我们的实验结果如表3所示，可观察到以下现象：

FairREAD在除准确率外的所有评估指标上均优于基线方法（其中FCRO方法准确率最高）。性能方面，FairREAD在所有检测疾病的分类中均达到最高AUC值。公平性方面，FairREAD在所有检测方法中始终位列前两名。值得注意的是，FairREAD在FATE_EO和FATE_AUC指标上显著优于其他方法，这证明...

讨论

本文提出新型解耦后重融合（FairREAD）框架，可在不牺牲模型性能的前提下缓解医学图像分类中的不公平现象。为实现这一目标，我们首先训练公平图像编码器，使其在编码输入图像时丢弃与人口属性相关的信息。具体而言，我们结合正交损失与对抗训练，确保所有人口统计信息从图像表征中被有效移除...

结论

FairREAD框架通过解耦学习与创新重融合机制的集成，实现了通过合理利用敏感人口属性来平衡公平性与性能的目标。亚组特异性阈值调整进一步增强了预测的公平性，展现出显著...