神经肿瘤学AI模型公平性量化评估的开源平台构建与验证

《Neuro-Oncology》:115?Assessing and assuring equity for artificial intelligence in neuro-oncology with Fairboard

【字体: 大 中 小 】 时间:2026年10月09日 来源:Neuro-Oncology 13.1

编辑推荐:

   摘要 引言公平性,即群体之间不存在不公平、可避免或可补救的差异,是世界卫生组织的政策准则,但在医学中很少被测量。神经肿瘤学也不例外:其模型由群体层面的数据驱动,对独特的亚群体关注甚少。我们提出了一个开源平台,用于量

  

摘要

引言

公平性,即群体之间不存在不公平、可避免或可补救的差异,是世界卫生组织的政策准则,但在医学中很少被测量。神经肿瘤学也不例外:其模型由群体层面的数据驱动,对独特的亚群体关注甚少。我们提出了一个开源平台,用于量化并改善神经肿瘤学及其他领域的统计模型的公平性。

方法

我们开发了一个基于 Web 的无代码应用程序,用于评估医学研究中模型公平性(包括人工智能),融合了卫生经济学、贝叶斯和频率论统计、神经影像学和机器学习。我们通过对 20 个开源肿瘤分割模型(n = 12,960 次分割)评估 648 名成人胶质瘤患者,展示了其效用,这些研究涵盖了超过 6 年的机器学习研究。

结果

较高的平均 Dice 系数与较低的基尼指数强烈相关,即整体性能较高的模型表现出的整体性能不公平性较低(斯皮尔曼相关系数 = -0.956,所有 p < 0.0001)。然而,综合性能 - 公平性排名表相对于仅性能排名显示了大幅度的排名重排,其中一半的模型位次变动了 4 位或更多,表明公平性评估通常会改变模型选择。20 个模型中有 17 个赋予男性性能优势;仅 3 个显示出轻微的女性优势。年龄效应取决于组织类型:年轻患者在全肿瘤分割上表现更好,但在肿瘤核心和增强肿瘤分割上表现更差。最大的差异来自世界卫生组织 2021 版诊断标准(IDH 突变型星形细胞瘤肿瘤核心 Dice 0.59 与 IDH 野生型胶质母细胞瘤 0.91)以及切除范围,其中在所有组织类别中,全切(GTR)优于次全切(STR)(所有 p < 0.003)。

结论

我们的开源平台可通过网络浏览器部署在任何设备上,使任何用户都能探究模型在不同患者亚组中的公平性益处,使神经肿瘤学处于最大化医疗公平性的领先地位。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号