ترجمه فارسی مقاله در مورد سوگیری‌ها در یک مدل طبقه‌بندی تصویر شبکیه مبتنی بر بیوبانک بریتانیا

چکیده

Recent work has uncovered alarming disparities in the performance of machine learning models in healthcare. In this study, we explore whether such disparities are present in the UK Biobank fundus retinal images by training and evaluating a disease classification model on these images. We assess possible disparities across various population groups and find substantial differences despite strong overall performance of the model. In particular, we discover unfair performance for certain assessment centres, which is surprising given the rigorous data standardisation protocol. We compare how these differences emerge and apply a range of existing bias mitigation methods to each one. A key insight is that each disparity has unique properties and responds differently to the mitigation methods. We also find that these methods are largely unable to enhance fairness, highlighting the need for better bias mitigation methods tailored to the specific type of bias.

چکیده به فارسی (ترجمه ماشینی)

کار اخیر نابرابری های نگران کننده را در عملکرد مدل های یادگیری ماشین در مراقبت های بهداشتی کشف کرده است.در این مطالعه ، ما بررسی می کنیم که آیا چنین نابرابری ها در تصاویر شبکیه Biobank Fundus با آموزش و ارزیابی یک مدل طبقه بندی بیماری در این تصاویر وجود دارد.ما اختلافات احتمالی را در گروه های مختلف جمعیتی ارزیابی می کنیم و با وجود عملکرد کلی قوی مدل ، تفاوت های قابل توجهی پیدا می کنیم.به طور خاص ، ما عملکرد ناعادلانه ای را برای برخی از مراکز ارزیابی کشف می کنیم ، که با توجه به پروتکل استاندارد سازی داده های دقیق ، تعجب آور است.ما مقایسه می کنیم که چگونه این اختلافات پدیدار می شود و طیف وسیعی از روشهای کاهش تعصب موجود را برای هر یک به کار می بریم.یک بینش مهم این است که هر نابرابری دارای خواص منحصر به فردی است و به روشهای کاهش متفاوت پاسخ می دهد.ما همچنین می یابیم که این روشها تا حد زیادی قادر به تقویت انصاف نیستند و نیاز به روشهای کاهش تعصب بهتر متناسب با نوع خاص تعصب را برجسته می کنند.