近年來，人工智能模型的公平性問題受到了越來越多的關注，尤其是在醫(yī)學領域，因為醫(yī)學模型的公平性對人們的健康和生命至關重要。高質(zhì)量的醫(yī)學公平性數(shù)據(jù)集對促進公平學習研究非常必要?，F(xiàn)有的醫(yī)學公平性數(shù)據(jù)集都是針對分類任務的，而沒有可用于醫(yī)學分割的公平性數(shù)據(jù)集，但是醫(yī)學分割與分類一樣都是非常重要的醫(yī)學AI任務，在某些場景分割甚至優(yōu)于分類， 因為它能夠提供待臨床醫(yī)生評估的器官異常的詳細空間信息。在本文中，我們提出了第一個用于醫(yī)學分割的公平性數(shù)據(jù)集，名為Harvard-FairSeg，包含10,000個患者樣本。此外，我們提出了一種公平的誤差界限縮放方法，通過使用最新的Segment Anything Model（SAM），以每個身份組的上界誤差為基礎重新加權損失函數(shù)。為了促進公平比較，我們利用了一種新穎的評估公平性在分割任務的標準，叫做equity-scaled segmentation performance。通過全面的實驗，我們證明了我們的方法要么具有優(yōu)越性，要么與最先進的公平學習模型在公平性能上相當。

在這里和大家分享一波我們ICLR 2024中稿的工作 “Harvard FairSeg: A Large-Scale Medical Image Segmentation Dataset for Fairness Learning Using Segment Anything Model with Fair Error-Bound Scaling”

在本次工作中, 我們提出了第一個研究醫(yī)療分割算法的公平性的大型數(shù)據(jù)集 并且提出了方法嘗試提升不同組別的公平性 （讓不同組別的準確率接近）。

文章: https://arxiv.org/pdf/2311.02189 代碼地址: https://github.com/Harvard-Ophthalmology-AI-Lab/Harvard-FairSeg 數(shù)據(jù)集網(wǎng)站： https://ophai.hms.harvard.edu/datasets/harvard-fairseg10k/ 數(shù)據(jù)集下載鏈接: https://drive.google.com/drive/u/1/folders/1tyhEhYHR88gFkVzLkJI4gE1BoOHoHdWZ Harvard-Ophthalmology-AI-Lab 致力于提供高質(zhì)量公平性數(shù)據(jù)集 更多公平性數(shù)據(jù)集 請點擊lab的數(shù)據(jù)集主頁：https://ophai.hms.harvard.edu/datasets/

背景:

隨著人工智能在醫(yī)學影像診斷中的應用日益增多，確保這些深度學習模型的公平性并深入探究在復雜的現(xiàn)實世界情境中可能出現(xiàn)的隱藏偏見變得至關重要。遺憾的是，機器學習模型可能無意中包含了與醫(yī)學圖像相關的敏感屬性（如種族和性別），這可能影響模型區(qū)分異常的能力。這一挑戰(zhàn)促使人們在機器學習和計算機視覺領域進行了大量的努力，以調(diào)查偏見、倡導公平性，并推出新的數(shù)據(jù)集。

截至目前，只有少數(shù)公共公平性數(shù)據(jù)集被提出用于研究公平性分類，主要的是，這些數(shù)據(jù)集中的大多數(shù)都只是表格數(shù)據(jù)，因此不適合開發(fā)需要影像數(shù)據(jù)的公平計算機視覺模型。對計算機視覺公平性的缺失尤其令人關注，特別是考慮到依賴此類數(shù)據(jù)的深度學習模型的影響力日益增強。在醫(yī)學影像領域，只有少數(shù)數(shù)據(jù)集被用于公平學習。然而，這些數(shù)據(jù)集大多沒有專門為公平性建模而設計（目前僅有的醫(yī)療圖像數(shù)據(jù)集我們列在了table 1）。它們通常只包含有限范圍的敏感屬性，如年齡、性別和種族，因此限制了檢查不同人群公平性的范圍。此外，它們也缺乏全面的基準測試框架。更重要的是，盡管這些先前的數(shù)據(jù)集和方法為醫(yī)學分類提供了解決方案，但它們忽視了醫(yī)學分割這一更為關鍵的領域。

然而，為公平學習創(chuàng)建這樣一個新的大型數(shù)據(jù)集面臨著多重挑戰(zhàn)。首先，缺乏大規(guī)模、高質(zhì)量的醫(yī)學數(shù)據(jù)以及手工像素級注釋，這些都需要大量勞動力和時間來收集和標注。其次，現(xiàn)有提升公平性的方法主要是為醫(yī)學分類設計的，當適應分割任務時，其性能仍然存疑。同樣不確定的是，分割任務中存在的不公平是否可以通過算法有效地緩解。最后，評估醫(yī)學分割模型公平性的評判標準 （evaluation metric）仍然難以捉摸。此外，將現(xiàn)有為分類設計的公平性指標適應到分割任務上也可能存在挑戰(zhàn)。

為了解決這些挑戰(zhàn)，我們提出了第一個大規(guī)模醫(yī)學分割領域的公平性數(shù)據(jù)集， Harvard-FairSeg。該數(shù)據(jù)集旨在用于研究公平性的cup-disc segmentation，從SLO眼底圖像中診斷青光眼，如圖1所示。青光眼是全球不可逆盲目的主要原因之一，在40-80歲年齡段的患病率為3.54%，大約影響了8000萬人。盡管其重要性，早期青光眼通常無癥狀，這強調(diào)了及時進行專業(yè)檢查的必要性。對cup-disc的準確分割對于醫(yī)療專業(yè)人員早期診斷青光眼至關重要。值得注意的是，與其他群體相比，黑人患青光眼的風險加倍，然而這一人群的分割準確率通常最低。這激勵我們整理一個數(shù)據(jù)集，以研究分割公平性問題我們提出的Harvard-FairSeg數(shù)據(jù)集的亮點如下：（1）醫(yī)學分割領域第一個公平性學習數(shù)據(jù)集。該數(shù)據(jù)集提供了SLO眼底成像數(shù)據(jù)的cup-disc分割；

（2）該數(shù)據(jù)集配備了從現(xiàn)實醫(yī)院臨床情景中收集的六種敏感屬性，用于研究公平性學習問題；

（3）我們在我們提出的新數(shù)據(jù)集上評估了多個SOTA公平性學習算法，并使用包括Dice和IoU在內(nèi)的多種分割性能指標進行了評估。

如何獲得大量的高質(zhì)量分割標注：

本研究中測試的對象來自于一家大型學術眼科醫(yī)院，時間跨度為2010年至2021年。本研究將發(fā)布三種類型的數(shù)據(jù)：（1）SLO眼底掃描圖像；（2）患者人口統(tǒng)計信息 包含了六種不同的屬性；（3）由OCT機器自動標注以及由專業(yè)醫(yī)療從業(yè)者手工評級的像素級標注如何獲得大量高質(zhì)量分割標注一直是醫(yī)療分割的很重要分體。

我們新穎的通過把 cup 和disc區(qū)域的像素標注首先從OCT機器獲得，其中disc邊界在3D OCT中被分割為Bruch’s膜開口，由OCT制造商軟件實現(xiàn)，cup邊界被檢測為內(nèi)限膜（ILM）與導致最小表面積的平面之間的交叉點和disc邊界在平面上的交叉點。大致上，cup邊界可以被認為是ILM上最靠近視盤邊界的位置，即被定義為Bruch’s膜開口。由于Bruch’s膜開口和內(nèi)限膜與背景之間的高對比度，它們很容易被分割。因此因為OCT制造商軟件利用了3D信息，利用oct機器對cup和disc的分割通常是可靠的。相比之下，眼底照片上的2Dcup和disc分割可能因包括衰減的成像信號和血管阻塞等各種因素而具有挑戰(zhàn)性。然而，由于OCT機器相當昂貴且在初級保健中較少見，因此我們提議將這些注釋從3D OCT遷移到2D SLO眼底圖片，以在初級保健領域的早期青光眼篩查中產(chǎn)生更廣泛的影響。具體來說，我們首先使用NiftyReg工具將SLO眼底圖像與OCT衍生的眼底圖像（OCT眼底）對齊隨后，將NiftyReg的仿射度量應用于OCT眼底圖像的cup-disc掩碼，使其與SLO眼底圖像對齊。這一過程有效地產(chǎn)生了大量高質(zhì)量的SLO眼底掩碼注釋，避免了勞動密集型的手工像素標注過程。值得注意的是，這種medical registration的操作在現(xiàn)實世界場景中展示了相當高的精確度，我們的經(jīng)驗觀察表明，medical registration成功率大約為80%。在這一自動化過程之后，生成的掩碼經(jīng)過嚴格審查，并由五名醫(yī)學專業(yè)人員小組手動評級，以確保cup-disc區(qū)域的精確標注，并排除位置錯誤的cup或disc掩碼和registration失敗的情況。

數(shù)據(jù)特征：我們的Harvard-FairSeg數(shù)據(jù)集包含來自10,000名受試者的10,000個樣本。我們將數(shù)據(jù)分為包含8,000個樣本的訓練集和包含2,000個樣本的測試集。數(shù)據(jù)集的平均年齡為60.3 ± 16.5歲。在該數(shù)據(jù)集中，包含了六個敏感屬性，用于深入的公平性學習研究，這些屬性包括年齡、性別、種族、民族、首選語言和婚姻狀況。在種族人口統(tǒng)計學上，數(shù)據(jù)集包括來自三個主要群體的樣本：亞洲人，有919個樣本；黑人，有1,473個樣本；白人，有7,608個樣本。在性別方面，女性占受試者的58.5%，其余為男性。民族分布以90.6%的非西班牙裔，3.7%的西班牙裔和5.7%的未說明。在首選語言方面，92.4%的受試者首選英語，1.5%首選西班牙語，1%首選其他語言，5.1%未確定。從婚姻狀況的角度來看，57.7%的人已婚或有伴侶，27.1%是單身，6.8%經(jīng)歷過離婚，0.8%法律上分居，5.2%是喪偶，2.4%未說明。

我們的提升公平性的方法Fair Error-Bound Scaling：

我們假設獲得較小整體Dice損失的樣本組意味著模型對該特定組的樣本學習得更好，因此，這些樣本組需要較小的權重。相反，整體Dice損失較大的樣本組（即難處理的案例）可能導致更差的泛化能力并引起更多的算法偏差，這需要為這些樣本組分配較大的學習權重。因此，我們提出了一種新的公平誤差界限縮放方法，用于在訓練過程中縮放不同人群組之間的Dice損失。我們首先定義預測像素得分和真實目標之間的標準Dice損失表示為：

為了確保在不同屬性組之間的公平性，我們使用一種新穎的公平誤差界限縮放機制來增強上述Dice損失。損失函數(shù)：

通過用這些屬性權重調(diào)節(jié)預測像素得分，這種損失確保不同屬性組在模型訓練過程中平衡地貢獻于損失函數(shù)，從而促進公平性。

用于評估公平分割準確性的metric：傳統(tǒng)的分割度量如Dice和IoU提供了對分割性能的洞察，但可能無法有效捕捉不同群體間的公平性?？紤]到這一點，我們的目標是提出一種新的metric，既包括分割的準確性，也包括在不同群體間的公平性。這就產(chǎn)生了一個全面的視角，確保模型既準確又公平。

為了納入群體公平性，我們需要單獨評估群體的準確性。我們首先定義一個分割度量準確率差異?，如下所示：

這里，?度量了每個群體的準確性與總體準確性的總體偏差。當所有群體達到類似的分割準確性時，它接近零。

當我們考慮不同群體間的公平性時，我們需要計算總體分割準確性與每個人口統(tǒng)計群體內(nèi)的準確性之間的相對差異?；谶@個，我們定義了Equity-Scaled Segmentation Performance（ESSP）度量，如下所定義：

這種公式確保ESSP始終小于或等于I。隨著?減?。ū硎救后w間的分割性能平等），ESSP趨于傳統(tǒng)分割metric。相反，較高的?表示群體間分割性能的更大差異，導致較低的ESSP得分。這種方法允許我們評估分割模型不僅在準確性（通過Dice、IoU等metric）上，而且在不同群體間的公平性上。這使得ESSP評分函數(shù)成為確保醫(yī)學成像任務中分割準確性和公平性的關鍵指標。這種metric可以和傳統(tǒng)的dice IoU拼到一起 成為ES-Dice和ES-IoU.

實驗:

我們選擇了兩個分割網(wǎng)絡作為backbone 。其中，我們選擇了最近推出的分割大模型 Segment Anything Model (SAM) 來實驗SOTA的分割準確性，另一個backbone我們選擇了TransUNet。

我們也利用了其他分割的metric例如 HD95 ASD 和NSD進行測試，下面是在種族上的結(jié)果：