胸部X射线基础模型适应策略的亚组性能分析

基础模型越来越多地适应下游医学成像任务，但所选择的适应策略对子组公平性的影响仍然知之甚少。我们研究了三种参数高效的适应技术，包括原始 CLS 词元上的线性头、MLP 和多层补丁特征上的注意力池模块，当应用于冷冻 Rad-DINO 胸部 X 射线编码器时，如何影响病理分类性能和子组差异。使用 MIMIC-CXR，我们在保留患病率、人口统计平衡的测试集上评估了跨种族、性别和成像视图亚组的八种病理，并另外探讨了每个适配器编码受保护属性的强度。我们发现注意力池实现了最强的整体判别性能，并对属性（尤其是种族）进行了最强编码，但整体性能的提高并不能始终如一地减少亚组差异。值得注意的是，更强的属性编码并不对应于更大的差异：早期网络层对种族的编码最弱，但产生了最大的子组性能差距。探索不同的注意力池层组合进一步揭示了池化层、属性编码强度和子组公平性之间没有一致的关系。我们的结果表明，更丰富、更具表现力的表示可以提高准确性，同时使公平性影响依赖于任务且不可预测，必须直接针对每个任务进行评估，而不是仅根据编码强度或整体性能来推断。