በሕክምና AI ሞዴሎች ውስጥ ሚስጥራዊነት ያለው መረጃ ፍትሃዊነትን እና ትክክለኛነትን እንዴት እንደሚጎዳ

የአገናኞች ሰንጠረዥ

1. አጭር እና መግቢያ

2. ተዛማጅ ሥራ

3. ዘዴዎች

   3.1 አወንታዊ ድምር ፍትሃዊነት

   3.2 ማመልከቻ

4. ሙከራዎች

   4.1 የመጀመሪያ ውጤቶች

   4.2 አዎንታዊ ድምር ፍትሃዊነት

5. መደምደሚያ እና ማጣቀሻዎች

3.2 ማመልከቻ

ይህንን የፍትሃዊነት አስተሳሰብ በተግባር ለማዋል እና ከባህላዊ የቡድን ፍትሃዊነት ጋር ያለውን ልዩነት ለማሳየት፣ ሚስጥራዊነት ያላቸውን ባህሪያት የሚጠቀሙ ሶስት ሞዴሎችን ከመነሻ ሞዴል ጋር እናነፃፅራለን። ሚስጥራዊነት ያላቸው ባህሪያት በአምሳያው ጥቅም ላይ የሚውሉበት መንገድ በአምሳያው ፍትሃዊነት እና አፈፃፀም ላይ ተፅእኖ እንዳለው ይታወቃል [3,39,41,11]. ስለዚህ፣ ሚስጥራዊነት ያላቸውን ባህሪያት በግልፅ የሚያካትቱ ሞዴሎችን እንጠቀማለን፣ ወይም በተቃራኒው ማንኛውንም የስነ-ሕዝብ ኢንኮዲንግ ከግቤት ውሂቡ እናስወግዳለን።

አራቱ ሞዴሎች በደረት ራዲዮግራፊ (CXR) ግኝቶች ላይ ባለ ብዙ መለያ ምደባ ችግር ላይ የሰለጠኑ ናቸው። በሁሉም ቅንጅቶች ውስጥ፣ ለዚህ ችግር የተሻለውን አፈጻጸም ለመስጠት በተጨባጭ ተወስኖ የነበረው የDensenet-121 [13] የጀርባ አጥንት ጥቅም ላይ ይውላል። ትክክለኛው የሞዴል አርክቴክቶች በስእል 2 ይታያሉ እና ከዚህ በታች ተብራርተዋል-

– M1 ፡ ምስሎቹን እንደ ግብአት በመጠቀም የመነሻ ክላሲፋየር እና ከመረጃ ቋታችን ጋር የተገናኙትን የታለሙ የCXR ግኝቶችን ለመተንበይ የሰለጠነ። ሞዴሉ የምስሉን ገፅታዎች ለማውጣት የጀርባ አጥንት እና ሙሉ በሙሉ የተገናኘ ንብርብር እና ለእያንዳንዱ ግኝት ሁለትዮሽ መስቀል ኢንትሮፒ ኪሳራን ያካተተ የግኝት ቅርንጫፍን ያካትታል።

- M2 : ሁለቱንም ምስሎች እና የዘር ባህሪያትን እንደ ግብአት በመጠቀም ክላሲፋየር። የዘር መረጃ የሚመጣው በምድብ ተለዋዋጭ መልክ ነው, እሱም ወደ አንድ-ትኩስ ቬክተር እንለውጣለን እና ወደ ሙሉ ተያያዥነት ያለው ንብርብር እንመግባለን. ቅርንጫፉን ለማግኘት ከማስተላለፋችን በፊት ባህሪያቱን ሙሉ በሙሉ ከተገናኘው ንብርብር እና የምስሉ ባህሪያት ጋር እናገናኛለን። ሞዴሉ ከጫፍ እስከ ጫፍ የሰለጠነ ነው።

– M3 ፡ ምስሎቹን እንደ ግብአት ብቻ የሚጠቀም፣ ግን የምስል ግኝቶችን እና የዘር ቡድኑን ለመተንበይ የሰለጠነ (ማለትም ይህ ሞዴል በምስሎቹ ላይ ያሉትን የዘር ኢንኮዲንግ ለመበዝበዝ ያለመ)። ለዚህ ሞዴል ሁለቱን ተግባራት ለማመቻቸት የኪሳራ ተግባርን በማስተካከል የመነሻ ክላሲፋየር የመጨረሻውን ንብርብር እናስተካክላለን-የ CXR ግኝቶች እና የዘር ቡድን። የብዝሃ-ክፍል ኪሳራን ተግባራዊ ለማድረግ የዘር መረጃን ወደ አንድ-ትኩስ ኢንኮድ ቬክተር እንለውጣለን። የሩጫ ምድብ ቅርንጫፍ ሙሉ በሙሉ ከተገናኘ ንብርብር እና ከመስቀል ኢንትሮፒ ኪሳራ ተግባር የተሰራ ነው። የመጨረሻው ኪሳራ ኪሳራን በማግኘት እና በክብደት መቀነስ λ ውድድርን በማከል ይሰላል።

– M4 : ምስሎቹን እንደ ግብአት የሚጠቀም፣ የምስል ግኝቶችን ለመተንበይ የሰለጠነ፣ በምስሉ ላይ የተቀመጡትን የዘር መረጃዎችን መጠቀምን እየቀነሰ ነው። ለዚህ ሞዴል፣ በ[28] ላይ የተገለጸውን ቀስ በቀስ የመቀየሪያ ዘዴን እንተገብራለን። ከሩጫው ቅርንጫፍ በፊት ቀስ በቀስ የተገላቢጦሽ ንብርብር እንተገብራለን.