CIPHER：医疗保健公平性和稳健性的因果干预途径

用于医学诊断的深度学习模型经常在敏感亚组（例如种族、性别）之间表现出巨大的性能差异，即使平均准确度很高。虽然生成数据增强提供了缓解这种情况的途径，但现有策略并不理想；它们通常仅解决敏感属性和图像特征之间的一两个依赖关系通道。我们通过结构因果模型将医学图像形成过程形式化，揭示敏感属性实际上通过四种不同的途径影响图像内容——这是先前作品忽略的结构复杂性。基于这一见解，我们引入了 CIPHER（医疗保健公平和稳健的因果干预路径），这是一个旨在系统地干预所有四个因果路径的框架。为了实现这一目标，CIPHER 利用配备了无分类器指导和空文本反转的扩散主干。这种技术设计能够忠实地重建患者特定的解剖结构，同时允许精确、可编辑地合成打破敏感依赖链所​​需的反事实。我们使用胸部 X 射线和皮肤镜检查基准测试了标准和移位数据分布的 CIPHER。通过采用多途径干预策略，与疾病条件综合基线相比，我们的模型将最差组的差异平均减少了 35.8%，同时还提高了总体诊断准确性