چگونه سوگیری در هوش مصنوعی پزشکی بر تشخیص ها در گروه های مختلف تأثیر می گذارد

  1. چکیده و مقدمه

  2. کار مرتبط

  3. روش ها

    3.1 انصاف با جمع مثبت

    3.2 کاربرد

  4. آزمایشات

    4.1 نتایج اولیه

    4.2 انصاف با جمع مثبت

  5. نتیجه گیری و مراجع

سوگیری معمولا در برنامه های کاربردی تجزیه و تحلیل تصویر پزشکی شناسایی می شود [38,40]. به عنوان مثال [6]، یک CNN آموزش دیده بر روی MRI مغز منجر به تفاوت معنی داری بین قومیت ها شد. سید کلانتری و همکاران [32] مشاهده کردند که اقلیت ها نرخ های بالاتری از تشخیص نادرست الگوریتمی دریافت کردند. زونگ و همکاران [40] الگوریتم‌های کاهش تعصب در تنظیمات و تنظیمات خارج از توزیع را ارزیابی کردند. آزمایش‌ها وجود گسترده سوگیری را در طبقه‌بندی‌کننده‌های تصویربرداری پزشکی مبتنی بر هوش مصنوعی نشان دادند و هیچ یک از الگوریتم‌های کاهش تعصب قادر به جلوگیری از آن نبودند.

تعاریف مختلفی از انصاف استفاده می شود:

انصاف فردی [25] مستلزم آن است که افراد مشابه باید به طور مساوی رفتار شوند و بنابراین پیش بینی های مشابهی داشته باشند. به عنوان مثال، یک مدل باید تشخیص قابل مقایسه در دو تصویر مشابه اشعه ایکس داشته باشد.

انصاف گروهی نیاز به عملکرد برابر در زیر گروه های تقسیم شده بر اساس ویژگی های حساس (به عنوان مثال، نژاد، جنس، و سن). معیارهای رایج عدالت گروهی برابری جمعیتی است [8]، شانس مساوی [12] و برابری یا کفایت نرخ پیش بینی کننده [21].

انصاف حداقلی [5] به دنبال تضمین این است که بدترین …

Source link