评估医学图像重建对下游人工智能公平性和性能的影响

基于人工智能的图像重建模型越来越多地部署在临床工作流程中，以提高低剂量 X 射线或加速 MRI 扫描等噪声数据的图像质量。然而，这些模型通常使用 PSNR 等像素级指标进行评估，因此它们对下游诊断性能和公平性的影响尚不清楚。我们引入了一个可扩展的评估框架，该框架同时应用重建和诊断人工智能模型，并将其应用于两项任务（分类、分割）、三种重建方法（U-Net、GAN、扩散）和两种数据类型（X 射线、MRI），以评估重建的潜在下游影响。我们发现传统的重建指标很难跟踪任务性能，即使重建 PSNR 随着图像噪声的增加而下降，诊断准确性仍基本保持稳定。公平性指标表现出更大的变异性，重建有时会放大人口统计学偏差，特别是在患者性别方面。然而，与诊断模型中已经存在的固有偏差相比，这种额外偏差的总体幅度不大。为了探索潜在的偏差缓解，我们将分类文献中的两种策略应用于重建环境，但观察到效果有限。总体而言，我们的研究结果强调了整个医学成像工作流程中整体性能和公平性评估的重要性，特别是随着生成重建模型的日益部署。