[論文レビュー] FairSeg: A Large-Scale Medical Image Segmentation Dataset for Fairness Learning Using Segment Anything Model with Fair Error-Bound Scaling

Yu‐Shi Tian, Min Shi+4 more|arXiv (Cornell University)|Nov 3, 2023

Climate Change and Health Impacts被引用数 5

ひとこと要約

本稿は、公平性学習のための最初の大規模医療画像セグメンテーションデータセットであるHarvard-FairSegを紹介する。このデータセットは、10,000枚のスロープスフィンガス画像に、視神経乳頭および杯領域のアノテーションを含む。本稿では、各アイデンティティグループの上界誤差に基づいてトレーニング損失を再重み付けするfair error-bound scaling (FEBS)損失を提案し、Segment Anything Model (SAM)およびTransUNetバックボーンを用いたセグメンテーションモデルにおける公平性を向上させる。FEBSは、人種、民族、性別、言語グループにわたる公平性スケールドDiceスコアにおいて、最先端の性能を達成した。

ABSTRACT

Fairness in artificial intelligence models has gained significantly more attention in recent years, especially in the area of medicine, as fairness in medical models is critical to people's well-being and lives. High-quality medical fairness datasets are needed to promote fairness learning research. Existing medical fairness datasets are all for classification tasks, and no fairness datasets are available for medical segmentation, while medical segmentation is an equally important clinical task as classifications, which can provide detailed spatial information on organ abnormalities ready to be assessed by clinicians. In this paper, we propose the first fairness dataset for medical segmentation named Harvard-FairSeg with 10,000 subject samples. In addition, we propose a fair error-bound scaling approach to reweight the loss function with the upper error-bound in each identity group, using the segment anything model (SAM). We anticipate that the segmentation performance equity can be improved by explicitly tackling the hard cases with high training errors in each identity group. To facilitate fair comparisons, we utilize a novel equity-scaled segmentation performance metric to compare segmentation metrics in the context of fairness, such as the equity-scaled Dice coefficient. Through comprehensive experiments, we demonstrate that our fair error-bound scaling approach either has superior or comparable fairness performance to the state-of-the-art fairness learning models. The dataset and code are publicly accessible via https://ophai.hms.harvard.edu/datasets/harvard-fairseg10k.

研究の動機と目的

• 公平性評価およびバイアス除去を目的として明示的に設計された、大規模かつ公開可能な医療セグメンテーションデータセットの不足に対処すること。
• 下位パフォーマンスを示すデモグラフィックグループにおける困難なサンプルに焦点を当て、トレーニング中にそれらを優先する、新しい公平性に配慮した損失関数であるfair error-bound scaling (FEBS)を考案すること。
• 感受性属性ごとのパフォーマンスの公平性を測るため、平均パフォーマンスだけでなく、グループ間のパフォーマンス格差を評価できる新しい公平性スケールド評価指標（例：公平性スケールドDice係数）を導入すること。
• 人種、民族、性別、言語といった多様なデモグラフィックグループにおける医療セグメンテーションタスクの公平性パフォーマンスをベンチマークすること。
• FEBSが全体のパフォーマンスを損なわせることなく、特に黒人やヒスパニック系など代表が不足しているグループにおいても公平性を向上させることを実証すること。

提案手法

• Harvard-FairSegデータセットは、視神経乳頭および杯領域のピクセル単位のアノテーションを有する10,000枚のSLO眼底画像から構成され、人種、民族、性別、言語といった多様なデモグラフィック属性を含むようにキュレートされた。
• 提案されたfair error-bound scaling (FEBS)損失は、各アイデンティティグループの上界誤差に基づいて交差エントロピー損失を動的に再重み付けし、パフォーマンスが低いグループの困難なサンプルを優先的に学習する。
• FEBSは、各グループの最大トレーニング誤差が全体の損失関数に与える寄与度をバランスさせるために、γ重み付きスケーリング要因（実験では1.0に設定）を用いる。
• 本手法は、SAMed（微調整済みSAM）およびTransUNetの2つのセグメンテーションバックボーンを用いて適用され、アーキテクチャ間の比較が可能になっている。
• 公平性の評価を可能にするために、平均パフォーマンスだけでなく、デモグラフィックグループ間のパフォーマンス格差を測る新しい公平性スケールド指標（例：ES-Dice）が導入された。
• 実験では、標準的なトレーニングプロトコルを用いた：SAMedは130エポック、TransUNetは300エポック、バッチサイズ42、各モデルに応じた学習率チューニングを実施した。

実験結果

リサーチクエスチョン

• RQ1 大規模かつ多様性に富んだ医療セグメンテーションデータセットを構築し、医療AI分野における公平性研究を支援できるか？
• RQ2 提案されたfair error-bound scaling (FEBS)損失は、全体のパフォーマンスを劣化させることなく、セグメンテーションモデルの公平性を向上させることができるか？
• RQ3 感受性属性にわたる公平性スケールド指標において、FEBSはGroupDRO や ADV などの既存の公平性ベースラインと比較して優れているか？
• RQ4 FEBSは、視神経乳頭および杯セグメンテーションにおいて、黒人、ヒスパニック系、アジア系、白人などのデモグラフィックグループ間のパフォーマンス格差をどの程度低減できるか？
• RQ5 標準的な指標よりも、ES-Dice などの公平性スケールド指標が、医療セグメンテーションにおける公平性の評価に意味のある指標を提供できるか？

主な発見

• FEBSは、アイデンティティグループとして民族を用いた場合、SAMedを用いた杯セグメンテーションタスクで、最高の公平性スケールドDice（ES-Dice: 0.8550）および公平性スケールドIoU（ES-IoU: 0.7667）を達成し、GroupDRO や ADV を上回った。
• 縁（Rim）セグメンテーションタスクにおいて、FEBSは人種を感受性属性として評価した際、すべての手法の中で最高のES-Dice（0.7529）およびES-IoU（0.6451）を記録し、ADV や GroupDRO をも凌駕した。
• 民族について、ヒスパニック系と非ヒスパニック系グループ間のパフォーマンス格差がFEBSによって顕著に縮小され、ベースラインモデル比でES-Diceが最大0.012向上した。
• 性別や言語を含むすべての感受性属性において、FEBSベースのモデルはES-DiceおよびES-IoUの観点で、ベースラインおよび他の公平性手法を一貫して上回った。
• FEBSを用いたTransUNetベースのモデルは、ADV や GroupDRO を用いたモデルよりも高い公平性スケールド指標を達成し、FEBSの有効性がSAM以外のバックボーンに対しても成立することを示した。
• 言語グループは、民族に次いでパフォーマンス格差が大きかったが、FEBSベースのTransUNetモデルは、杯セグメンテーションで最高の公平性スコア（ES-Dice: 0.7515、ES-IoU: 0.6754）を記録し、言語的多様性に対しても高いロバストネスを示した。