PulseAugur
中
实时 09:52:37
English(EN) Beyond Predictive Fairness: Quantifying Attribution Consistency Across Demographic Groups in Diabetic Retinopathy Screening

新指标量化医学AI公平性中的解释一致性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一个名为解释一致性得分（ECS）的新指标来评估医学影像模型的公平性。该得分基于Jensen-Shannon散度，量化了不同人口统计学群体之间归因图的相似程度。在一项涉及糖尿病视网膜病变筛查的案例研究中，ECS显示，尽管不同族裔群体的预测性能存在差异，但解释一致性保持较高水平，并且与这些性能差异没有显著关联。研究结果表明，在评估模型公平性时，解释一致性提供了比预测性能更具补充性的视角。 AI

影响 引入了一个新指标，以更好地评估医学AI的公平性，可能带来更公平的诊断工具。

排序理由 学术论文，引入用于AI公平性评估的新指标。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新指标量化医学AI公平性中的解释一致性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Kerol Djoumessi, Philipp Berens ·

    超越预测公平性：量化糖尿病视网膜病变筛查中跨人口统计学群体的归因一致性

    arXiv:2608.18759v1 Announce Type: cross Abstract: Fairness in medical imaging is commonly evaluated through subgroup performance metrics, yet it remains unclear whether models rely on consistent visual evidence across demographic groups. This work introduces the Explanation Consi…

相关实体

相关话题