阿尔茨海默病诊断中的性别与性别偏见

临床机器学习（ML）中与性别和性别相关的偏倚可能导致神经退行性疾病中不公平的诊断预测，因为人口学因素可能混杂疾病相关模式。我们开发并评估了用于阿尔茨海默病（AD）分类的性别去偏倚ML模型，以及它们对模型性能、公平性和可解释性的影响。我们分析了来自阿尔茨海默病神经影像学计划的757名个体，他们患有轻度认知障碍（N = 600，269名女性）或AD（N = 157，68名女性）。性别被定义为受保护属性。使用四种监督ML算法，基于人口学、遗传、神经心理学和MRI衍生特征训练分类器。为减轻偏倚，使用了IBM AI Fairness 360框架的方法。在减轻偏倚前后评估公平性和模型性能，并使用LIME和SHAP评估特征归因的变化。偏倚减轻降低了样本偏倚，统计平均差从− 0.017降至0.004。在减轻模型偏倚方面，两个模型展示了分类性能与公平性的良好组合：采用Disparate Impact Remover的逻辑回归将平衡准确率从85.16%提高到88.08%，同时降低了例如均衡几率差（原始 = -0.036，去偏倚 = -0.003），并产生了最多数量的先前被错误分类随后被正确分类的患者。LIME分析显示减轻偏倚后特征归因模式发生变化，包括性别相关变量的贡献更大。在保持良好公平性指标的同时实现最高平衡准确率（88.91%）的模型使用了Adversarial Debiasing。Adversarial Debiasing通过减少受保护属性对模型决策的影响来减轻偏倚。SHAP识别出简易精神状态检查和功能评估问卷的总分是AD的最强预测因子，表明临床相关的疾病相关特征在偏倚减轻后仍然重要。这些发现表明，公平性感知的ML可以在不损害分类性能的情况下减少AD分类中的性别相关偏倚。两个模型的互补优势凸显了根据临床目标定制偏倚减轻策略的价值。整合可解释性可能有助于开发和负责任地部署更透明、更公平的AI系统，用于神经退行性疾病诊断。

中文由 AI 翻译，仅供参考，以原文为准。