Sep, 2022

基于卷积神经网络心脏磁共振分割中种族和性别偏差的系统研究

PDF
TL;DR本文介绍了在医学影像领域应用卷积神经网络进行心脏结构分割的过程中，训练数据集失衡对 CNNs 偏差的影响进行了系统研究，实验结果表明数据失衡会导致 CNNs 对某些人群产生偏见，凸显了在医学健康数据集中需考虑对不同人口群体进行足够的表征的必要性。
computer visiondeep learningdemographic biasmedical imagingconvolutional neural networks
发现论文，激发创造
  • 深度学习模型选择对心脏磁共振分割中性别和种族偏见影响的调查

    研究使用人工智能在医学影像中进行自动化常规任务的过程中，模型选择对主体性别和种族的数据不平衡导致的算法偏见有显著影响，在心脏磁共振图像分割中，我们评估了三种基于卷积神经网络的模型和一种视觉变换器模型，发现其中三种模型存在显著性别偏见，而所有模型都存在种族偏见，然而偏见的严重程度和性质因模型选择而异，凸显了在医学影像任务的公平 AI 分割模型训练中模型选择的重要性。

    Aug, 2023

  • 深度学习基于分割的心脏 MR 图像分析中由于数据不平衡导致的偏差调查

    该研究讨论了使用神经网络建立心脏数据的图像分割模型时，数据库不平衡导致的种族偏见，提出了三种解决方案，并发现 protected group models 的使用最有效。

    Jun, 2021

  • 医学图像分割中的无监督偏差发现

    通过数值实验在合成和真实场景中展示了我们的方法能够在没有真实标签的情况下成功预测公平性问题，这在该领域中是一种新颖且有价值的工具。

    Sep, 2023

  • 面向医学影像人工智能的客观系统偏见评估

    通过一种新的分析框架，我们展示了如何系统性、客观地研究医学图像中的偏见对人工智能模型的影响，并评估偏见缓解策略在性能差异方面的有效性，从而支持开发健壮、负责任的临床人工智能。

    Nov, 2023

  • 研究性别差异对脑年龄预测的影响：利用脑磁共振成像

    利用机器学习模型时，如何处理偏差和公平性对不同人群的模型结果产生的影响是至关重要的。本文研究了在基于脑磁共振图像（MRI）开发机器学习模型时与性别相关的偏差问题，通过使用仅女性、仅男性和平衡数据集进行的脑龄预测实验设计，在多个 MRI 数据集上（Calgary-Campinas 和 CamCAN）对所提出的模型泛化能力进行了评估，并发现了在不同性别子组和数据集上训练的模型在脑龄预测的性能和决策（使用可解释性模型评估）方面存在差异，结果表明在不平衡数据集上训练的模型的泛化能力在性别特定子组之间存在差异，突出了谨慎实验设计在产生公平可靠结果中的关键作用。

    Oct, 2023

  • 基于 CNN 的医学图像分割

    通过使用三维卷积神经网络结构以及针对标注数据稀少、标注实例失衡和三维医学图像处理困难等问题进行改进与优化，本论文应用于医学图像分割领域，实现了在手部和脑部 MRI 图像上的分割与验证。

    Jan, 2017

  • 分析脑龄预测中的种族和性别偏见

    通过对 ResNet-34 模型的综合子群性能分析和特征检查，我们发现在种族和生物性别方面存在偏见，且在特征分布上存在统计学上的显著差异，这表明脑龄预测模型需要进一步分析。

    Sep, 2023

  • 超声心动图中人口统计学生物标记的深度学习发现

    本研究使用卷积神经网络进行深度学习，尝试从两个医疗系统的大型超声心动图数据集中预测患者的年龄、种族和性别，并评估影响因素的变化。结果表明，深度学习模型可以较准确地预测年龄和性别，但未能可靠地预测种族。该研究进一步说明了医疗人工智能中存在的偏见和不公平问题。

    Jul, 2022

  • 场景识别中的数字鸿沟：揭示深度学习系统中的社会经济偏见

    计算机科学场景理解中存在社会经济偏见，建议采用更具包容性和代表性的训练数据集，以减少偏见并确保计算机视觉技术的公平性和更均等的社会受益。

    Jan, 2024

  • 学习无偏见的图像分割：以普通膝关节 X 光片为例

    通过使用深度学习进行膝骨解剖自动分割，发现了深度学习模型中存在的性别和种族偏见，并提出了缓解这些偏见的策略，以确保公平和无偏差的分割结果，促进多样患者群体获得均等准确的诊断和治疗成果的医疗服务。

    Aug, 2023