胸部 X 光基础模型中的偏倚风险
人工智能在医学影像应用中取得了专家级性能。然而,研究发现目前的视觉语言基础模型在胸部 X 射线诊断中普遍存在算法公平性问题,导致偏见对待历史上被边缘化的群体,并延迟特定人群的重要医疗护理,严重加剧现有的护理差异,对公平医疗保障带来挑战。
Feb, 2024
人工智能在医学影像学中逼近人类水平的表现,但其是否在不同人群中造成不公平的预测是一个关键问题。本研究对医学影像学中人工智能使用人口统计学编码的程度进行了深入调查,发现在新的测试环境中,较少编码人口统计属性的模型往往表现出更好的公平性。我们的研究为医学影像学模型在超出初始训练环境中保持性能和公平性提供了最佳实践。
Dec, 2023
本文讨论了大规模预训练模型,即基础模型,用于分析医学图像的机遇、应用和未来方向。具体而言,我们说明了医学基础模型的 “光谱”,从一般的视觉模型、模态特异性模型到器官 / 任务特异性模型,强调它们的挑战、机会和应用,以此来提高医学图像分析的准确性和效率,从而促进更加精确的诊断和治疗决策。
Jun, 2023
使用自监督训练的 RayDINO 和小型任务特定适配器达到了最先进的结果,改善了对未见过的人群的泛化能力,同时减轻了偏见,展示了基础模型的真正潜力:多功能性和健壮性。
May, 2024
通过聚合多个公共数据集并从专家注释中积累知识,我们开发了 Ark 框架,在医学成像领域实现了优越且稳健的性能以及超越专有模型的表现,这拥有重要影响力,以促进开放科学并推动深度学习民主化。
Oct, 2023
通过基于内容的图像检索(CBIR)系统中使用视觉基础模型作为功能强大且多用途的成品特征提取器,我们在包含 160 种病理学的 4 种模式的 160 万个二维放射学图像的综合数据集上进行基准测试,从而确定弱监督模型在性能上超越专门化模型,达到了 0.594 的 P@1,而且无需精调。研究还探讨了在获取病理学和解剖结构方面的挑战,表明准确获取病理学特征更加困难。尽管存在这些挑战,我们的研究强调了基础模型在放射学的 CBIR 中的巨大潜力,提出了向不需要特定调整的多用途医学图像检索系统的转变。
Mar, 2024
本文提出了使用生成对抗网络(GAN)的框架,用于可视化两个人口统计子组别之间最不同的特征,从而解决由于胸部 X 射线数据集包含与受保护人口统计属性(如种族和性别)强相关的视觉特征而引发的公平性问题,因为这些因素可能被下游算法用于临床预测。
Apr, 2023
本研究研究了深度学习应用于胸部 X 光片的自动诊断疾病方面存在的问题,提出了针对偏斜类别的解决方案,并通过简单的迁移学习方法进行了验证。
Sep, 2020