FairDisCo: 利用去相关对比学习实现更公平的皮肤科人工智能

ECCVAug, 2022

FairDisCo: 利用去相关对比学习实现更公平的皮肤科人工智能

FairDisCo: Fairer AI in Dermatology via Disentanglement Contrastive Learning

Siyi Du, Ben Hers, Nourhan Bayasi, Ghassan Hamarneh, Rafeef Garbi

TL;DR本文介绍了一种基于深度学习的公平皮肤病诊断框架 FairDisCo，通过对比学习和删除敏感属性等方法，有效解决了现有模型对较暗皮肤图像的低准确度问题。在两个新的皮肤数据集 Fitzpatrick17k 和 Diverse Dermatology Images 上的评估表明，FairDisCo 在公平性和性能方面的表现均优于其他三种公平性方法。

Abstract

deep learning models have achieved great success in automating skin lesion diagnosis. However, the ethnic disparity in these models' predictions, where lesions on darker skin types are usually underrepresented an

deep learning skin lesion diagnosis fairdisco ethnic disparity fairness

发现论文，激发创造

无需人口统计实现皮肤疾病诊断的公平性

在医学图像诊断中，公平性变得越来越重要。本文提出了一种方法，在测试阶段实现对敏感属性的公平预测，而无需在训练过程中使用此类信息，并通过增强模型特征和规范特征的纠缠关系来提高公平性和准确性。实验结果表明，在两个皮肤病数据集中，该方法能够提高分类的公平性。

Jan, 2024

EdgeMixup: 改进皮肤病分类和分割的公平性

该篇论文通过使用 EdgeMixup 数据预处理算法实现了对深度学习模型在诊断皮肤病方面存在的模型偏差进行纠正，并对 Lyme，Tinea Corporis 和 Herpes Zoster 等病变诊断模型的性能进行了比较和分析，其中 EdgeMixup 在减少光之间和暗之间皮肤样本分类准确率差距方面显示出显著的表现优势。

Feb, 2022

多样、筛选的临床图像集上皮肤科 AI 性能的差异

本文提出了困扰全球 30 亿人的皮肤科医疗问题，探讨了如何在多样化皮肤色调和非常见病例的图像中应用人工智能技术，并发现当前的皮肤科 AI 算法存在严重的算法偏差，导致对较暗的肤色和非常见疾病的正确率远低于轻皮肤色调和常见疾病，并进一步探讨了训练皮肤科 AI 模型所使用的基于视觉的人工标签的缺陷与局限性。

Mar, 2022

利用对抗训练和深度迁移学习进行黑色素瘤检测

本文介绍了一种基于对抗训练和迁移学习的皮肤病变图像自动分类的两阶段框架。通过学习数据分布的内类别映射和利用图像翻译技术，我们能够在缺乏表征病变的样本中生成人工制造的少数不平衡训练样本。实验证明，所提出的方法优于几种标准的基线方法，并具备能够达到皮肤科医师专家水平的基于上下文的病变评估方法。

Apr, 2020

通过对抗学习估计和提高公平性

为了保证医疗人工智能系统的公平性和对负责任，我们提出了一种对抗性多任务训练策略来同时减轻和检测基于深度学习的医学图像分析系统中的偏见。实验表明我们提出的方法具有较高的有效性。

Mar, 2021

CIRCLe：用于皮肤病变无偏分类的颜色不变表示学习

本论文提出了一种基于 CIRCLe 的深度表示学习算法，通过添加正则化损失函数实现在皮肤类型不同的图像表现出相似的潜在表示，从而提高皮损分类的公平性，并在 16k + 张图像上进行了评估和消融研究，证明了其在使用分类准确性，对浅色与深色人群的平等机会差异和标准化准确性范围（一种新的公平性评估方法）上优于现有技术水平的表现。

Aug, 2022

基于偏倚和去偏倚的方法实现公平知识传递，用于公平皮肤分析

基于深度学习模型的皮肤疾病诊断中，为了解决公平性问题且不损害预测准确性，我们提出了一种基于两个偏倚的教师模型的方法，通过权重损失函数进行偏倚与去偏倚的训练，提高了模型的准确度和公平性。

May, 2024

DDI-CoCo：一份用于理解机器辅助皮肤病检测中色彩对比效果的数据集

通过研究肤色对皮肤疾病检测性能的影响以及肤色差异与病变区域之间的色差对恶性检测的作用，我们提出了一种量化色差分数的方法并应用于多种皮肤疾病数据集。观察到高和低色差差异组之间的性能差距，这一差异在各种图像分类模型中一致存在，从而验证了我们的假设。此外，我们还研究了肤色和色差效应之间的相互作用，并提出色差可能是肤色性能偏差的另一个原因。我们的工作为改善皮肤疾病检测提供了一个补充角度。

Jan, 2024

FEDD -- 公平、高效和多样化的基于扩散的病变分割与恶性分类

通过公正、高效和多样化的基于扩散的皮损分割和恶性分类方法，实现了对多种皮肤黑色素疾病的准确识别和分类，并且通过线性示踪技术在多种皮肤色调和罕见疾病情况下表现出最新技术水平，大大提高了恶性分类的准确性。

Jul, 2023

利用视觉语言驱动的图像增强提高公平性

本文提出了一种方法，通过学习语义空间中可解释和有意义的路径来减轻深度学习区分模型中的相关性，以提高公平性。通过编辑受保护特征（如年龄和肤色），将这些路径应用于增强图像，从而改善给定数据集的公平性。

Nov, 2023