چگونه داده های حساس بر انصاف و دقت در مدل های هوش مصنوعی پزشکی تأثیر می گذارد

جدول پیوندها

1. چکیده و مقدمه

2. کار مرتبط

3. روش ها

   3.1 انصاف با جمع مثبت

   3.2 کاربرد

4. آزمایش ها

   4.1 نتایج اولیه

   4.2 انصاف با جمع مثبت

5. نتیجه گیری و مراجع

3.2 کاربرد

برای عملی کردن این مفهوم انصاف و نشان دادن تفاوت با انصاف گروهی سنتی، ما سه مدل را که از ویژگی‌های حساس برای یک مدل پایه استفاده می‌کنند، مقایسه می‌کنیم. نحوه استفاده از ویژگی های حساس توسط مدل بر عادلانه بودن و عملکرد مدل تاثیر دارد [3,39,41,11]. بنابراین، ما از مدل‌هایی استفاده می‌کنیم که به صراحت شامل ویژگی‌های حساس هستند، یا برعکس، هر گونه رمزگذاری جمعیتی را از داده‌های ورودی حذف می‌کنیم.

این چهار مدل در مورد یک مشکل طبقه بندی چند برچسبی یافته ها در رادیوگرافی قفسه سینه (CXR) آموزش دیده اند. در تمام تنظیمات، یک Densenet-121 [13] ستون فقرات استفاده شده است که به طور تجربی تعیین شده است تا بهترین عملکرد را برای این مشکل ارائه دهد. معماری های مدل دقیق در شکل 2 نشان داده شده و در زیر توضیح داده شده است:

– M1: یک طبقه‌بندی پایه با استفاده از تصاویر به عنوان ورودی و آموزش دیده برای پیش‌بینی یافته‌های CXR هدفمند مرتبط با مجموعه داده ما. این مدل شامل یک ستون فقرات برای استخراج ویژگی‌های تصویر و یک شاخه یافتن متشکل از یک لایه کاملاً متصل و از دست دادن آنتروپی متقاطع باینری برای هر یافته است.

–…