ECCV2024 | 哈佛团队开发FairDomain，实现跨域医学图像分割和分类中的公平性
内容提要
本文提出了FairDomain，首次系统性研究算法在域转移下的公平性。通过自注意力机制调整特征重要性，提高各种算法的公平性。同时，公开了第一个关注公平性的domain-shift数据集。广泛评估表明，FIA在所有域转移任务中显著增强了模型的公平性和性能。
延伸解读
域转移下的公平性挑战
文章指出，现有公平性研究多假设训练和测试数据分布一致，但实际医疗中不同机构常使用不同成像技术，导致域转移。这种转移会放大与性别、种族等人口统计属性相关的偏见，使源域和目标域间的群体表现差异显著加剧。因此，仅关注准确性的域适应和泛化方法不足以保证公平，需专门设计公平性导向的算法。
FIA模块的即插即用设计
Fair Identity Attention（FIA）模块通过自注意力机制，根据人口统计属性调整特征重要性，以提升模型公平性。其架构允许无缝集成到现有域适应和泛化网络中，无需大幅修改底层结构。这种模块化特性使研究人员能便捷地将公平性考量融入模型，在分割和分类任务中同时改善准确性和公平性。
配对数据集与ESP指标的价值
文章公开了首个关注公平性的域转移数据集，包含同一患者群体的两种配对成像方式（En face和SLO），排除了源域和目标域间人口分布差异的混淆影响，使域转移对公平性的影响得以精确量化。同时，提出的公平性缩放性能（ESP）指标统一评估模型性能和公平性，有助于全面衡量算法在跨域场景下的表现。
Q&A
FairDomain的主要贡献是什么？
FairDomain首次系统性研究了医学影像中域转移下的算法公平性，并引入了公平身份注意力模块以提高模型的公平性和性能。
公平身份注意力（FIA）模块是如何工作的？
FIA模块通过自注意力机制，根据人口统计属性调整特征重要性，从而提高域适应和泛化算法的公平性。
FairDomain使用了什么样的数据集？
FairDomain公开了第一个关注公平性的domain-shift数据集，包含同一患者群体的两种配对成像方式，用于医学分割和分类任务。
在医学影像领域，域适应和域泛化技术的重要性是什么？
域适应和域泛化技术对于处理不同医疗机构和患者群体的变异性至关重要，确保模型在不同域中保持公平性和准确性。
FairDomain如何评估模型的公平性和性能？
FairDomain使用新颖的公平性缩放性能（ESP）指标来评估模型在分割和分类任务中的性能和公平性。
为什么在医学影像中关注公平性问题至关重要？
关注公平性问题是实现公平医疗的关键，因为算法偏见可能会影响不同人口群体的医疗结果。
