FairBias：融合混合噪声与类别不平衡处理的医学影像诊断偏倚缓解框架

医学影像诊断中，类别不平衡和混合噪声导致深度学习模型存在偏倚和性能下降。研究人员提出FairBias框架，通过类感知样本分离（Class-Aware Sample Separation）、动态类别重加权（Dynamic Class Reweighting）等技术，将多数类与少数类的真阳性率（TPR）差距从15%降至5%，并在CheXpert等数据集上实现AUC>0.95。该研究为AI医疗诊断的公平性与鲁棒性提供了新范式。

　　

在AI驱动的医疗影像诊断领域，一个长期存在的矛盾日益凸显：尽管深度学习模型在理想条件下表现优异，但现实中的类别不平衡（Class Imbalance）和混合噪声（Mixed Noise）问题——包括标签错误（Mis-Labeled）和低质量样本（Low-Quality Samples）——导致模型对少数类（如罕见疾病）的诊断性能显著下降。以CheXpert数据集为例，某些罕见病类的样本占比不足5%，而 Breast MRI/FFDM 数据集中恶性病例的稀缺性进一步加剧了诊断偏倚。更棘手的是，现有方法如QMix虽能处理噪声，却难以同步解决类别不平衡，导致少数类患者的真阳性率（True Positive Rate, TPR）比多数类低15%以上，可能延误治疗时机。

针对这一挑战，深圳大学的研究团队开发了FairBias框架。该研究通过四项核心技术突破：基于高斯混合模型（Gaussian Mixture Model, GMM）的类感知样本分离技术，将数据分为正确标注、高质误标（MHQS）和低质误标（MLQS）三类；动态调整类别权重的偏倚感知损失函数（Bias-Aware Loss）；针对少数类的生成对抗网络（GAN）数据增强；以及融合亚组分析的多任务学习（Multi-Task Learning）。实验表明，在含55% MLQS和20% MHQS的Hep-2数据集上，FairBias的Kappa分数达88.5%，远超QMix等基线模型。

类感知样本分离
通过EM算法优化GMM参数，模型能准确识别不同质量样本。在CheXpert数据集中，该方法将MLQS样本的分离AUC提升至97.6%，为后续处理奠定基础。

动态类别重加权
采用逆类别频率加权策略，调整损失函数中少数类的贡献度。结果显示，乳腺癌MRI数据的Equal Opportunity（EO）差异从12%缩小至3%。

多任务公平性学习
通过联合优化分类任务和亚组预测任务，模型在SOKL数据集上将 Demographic Parity（DP）差异控制在2%以内，显著优于vlm-fairness等对比模型。

噪声鲁棒性验证
在80%高噪声比例下，FairBias仍保持0.92的AUC-PR（Precision-Recall曲线下面积），证明其对标签错误的耐受性。

这项发表于《Neurocomputing》的研究，首次系统性地整合了噪声处理与公平性优化。其临床意义在于：一方面，通过将罕见病类的TPR提升10个百分点，降低了漏诊风险；另一方面，Kappa分数在对称噪声条件下达89.4±2.0，为实时诊断系统提供了可靠性保障。不过，研究者也指出计算复杂度较高的问题——在Breast MRI/FFDM数据集上训练需200 GPU小时，这为后续轻量化改进指明了方向。

从方法论看，FairBias的创新性体现在三方面：其一，GMM与动态加权的协同机制，突破了传统方法对噪声和类别不平衡的孤立处理模式；其二，跨域对比学习（Cross-Domain Contrastive Learning）技术的引入，增强了模型对未见过模态的泛化能力；其三，首次将Equalized Odds（ED）等公平性指标纳入医学影像评估体系。正如通讯作者Saeed Iqbal所述，该框架“不仅填补了SOTA技术的空白，更重新定义了医疗AI的公平性标准”。未来工作将聚焦于降低计算成本，并探索在CT、超声等新模态中的应用潜力。