ECCV 2024｜FairDomain：实现跨域医学图像分割和分类中的公平性

主要观点总结

本文聚焦于人工智能（尤其是医疗AI）中的公平性问题，介绍了FairDomain研究，该研究是首个系统性探索域转移下算法公平性的研究。文章提出了Fair Identity Attention（FIA）模块，以提高域适应和域泛化算法的公平性。同时，文章还公开了一个关注公平性的跨域数据集。

关键观点总结

关键观点1: 首次系统性探索医学影像领域在域转移下的算法公平性。

本文旨在解决在域转移背景下算法公平性问题，特别是在医疗AI领域，确保公平的医疗结果。通过多个域适应和域泛化算法进行广泛实验，评估这些算法在不同人口统计属性下的公平性和准确性。

关键观点2: 引入Fair Identity Attention（FIA）模块。

为了提高算法的公平性，本文提出了一种即插即用的Fair Identity Attention（FIA）模块。该模块通过利用自注意力机制，根据人口统计属性调整特征重要性，以促进公平性。它能够无缝集成到各种域适应和域泛化策略中。

关键观点3: 公开关注公平性的跨域数据集。

为了评估算法在域转移场景下的公平性，本文整理并公开了第一个关注公平性的跨域数据集。该数据集包含同一患者群体的两种配对成像图片，以排除人口统计分布变化对模型公平性的混淆影响，精确评估域转移对模型公平性的影响。

免责声明