Harvard Glaucoma Fairness: A Retinal Nerve Disease Dataset for Fairness Learning and Fair Identity Normalization

要約

機械学習の公平性は社会の幸福にとって重要ですが、限られた公開データセットがその進歩を妨げています。
現在、公平性学習用の画像データを備えた専用の公的医療データセットは利用できませんが、少数派はより多くの健康問題に苦しんでいます。
このギャップに対処するために、緑内障検出のための 2D と 3D の両方の画像データとバランスのとれた人種グループを備えた網膜神経疾患データセットである Harvard Glaucoma Fairness (Harvard-GF) を紹介します。
緑内障は世界的に不可逆的な失明の主な原因であり、黒人の緑内障罹患率は他の人種に比べて2倍となっています。
また、異なるアイデンティティ グループ間で特徴の重要性を均等化するための公平なアイデンティティ正規化 (FIN) アプローチも提案します。
当社の FIN アプローチは、2D および 3D 画像データを使用した人種と性別の両方の公平性タスクにおいて優れたパフォーマンスを発揮するさまざまな最先端の公平性学習方法と比較され、公平性学習における当社のデータセット Harvard-GF の有用性が実証されています。
異なるモデル間の公平性の比較を容易にするために、公平性の観点からあらゆる種類のパフォーマンス指標を比較するために柔軟に使用できる、株式スケールのパフォーマンス尺度を提案します。
データセットとコードは、それぞれ https://doi.org/10.7910/DVN/A4XMO1 と https://github.com/luoyan407/Harvard-GF 経由で公開されています。

要約(オリジナル)

Fairness in machine learning is important for societal well-being, but limited public datasets hinder its progress. Currently, no dedicated public medical datasets with imaging data for fairness learning are available, though minority groups suffer from more health issues. To address this gap, we introduce Harvard Glaucoma Fairness (Harvard-GF), a retinal nerve disease dataset with both 2D and 3D imaging data and balanced racial groups for glaucoma detection. Glaucoma is the leading cause of irreversible blindness globally with Blacks having doubled glaucoma prevalence than other races. We also propose a fair identity normalization (FIN) approach to equalize the feature importance between different identity groups. Our FIN approach is compared with various the-state-of-the-arts fairness learning methods with superior performance in both racial and gender fairness tasks with 2D and 3D imaging data, which demonstrate the utilities of our dataset Harvard-GF for fairness learning. To facilitate fairness comparisons between different models, we propose an equity-scaled performance measure, which can be flexibly used to compare all kinds of performance metrics in the context of fairness. The dataset and code are publicly accessible via https://doi.org/10.7910/DVN/A4XMO1 and https://github.com/luoyan407/Harvard-GF, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google