أثر التحيز الديموغرافي على تصنيف آفات الجلد: دراسة شاملة

في دراسة جديدة، تم التحقيق في تأثير التحيز الديموغرافي على الأداء في تصنيف آفات الجلد باستخدام نماذج قائمة على شبكة ResNet (ResNet-based convolutional models). تركز الدراسة بشكل خاص على تأثيرات التحيز المرتبطة بالجنس والعمر في بيانات التدريب، وذلك من خلال إنشاء مجموعات بيانات ذات خصائص ديموغرافية محكومة باستعمال برمجة خطية (linear programming).

تباينت استراتيجيات التعلم المستخدمة في الدراسة إلى ثلاث طرق: النموذج ذو المهام الواحدة (single-task model)، النموذج متعدد المهام المدعوم (reinforcing multi-task model)، ونموذج التعلم المت adversarial (adversarial learning scheme). أظهرت التحليلات المبنية على الجنس أن مجموعات البيانات الخاصة بكل جنس تعزز الأداء العام للنموذج.

المثير في الامر هو أن إدخال بيانات المرضى الذكور في تدريب النماذج زاد من الأداء لدى الفئات الذكرية، حتى في الحالات التي تسود فيها البيانات الأنثوية. كما ساهمت استراتيجيات التعلم المدعوم والتعلم العدائي في تقليل الفجوات التحيزية في مجموعات البيانات المتوازنة وفي الحالات ذات الأغلبية النسائية. ومع ذلك، حقق هذا النجاح نتائج أقل في المجموعات ذات الأغلبية الذكورية حيث استمرت النماذج في تحقيق أداء أفضل للذكور مقارنة بالإناث.

بخصوص التحليل المرتكز على العمر، أظهرت النتائج أداءً متسقاً عبر النماذج الثلاثة لكن الأداء كان يتراجع مع زيادة العمر. الفئات الشابة حققت دوماً أعلى النتائج بصرف النظر عن توزيع بيانات التدريب. على الرغم من أن التدريب المتوازن يؤدي إلى أفضل النتائج للفئة العمرية الأصغر، إلا أن الأداء انخفض في الفئات الأكبر سناً. وقد لوحظ أن التحيزات المرتبطة بالجنس تنبع أساساً من اختلال التوازن في البيانات، بينما التحيزات العمرية تفضل الفئات الشابة بشكل متسق بغض النظر عن توزيع البيانات.

هذا التنوع في الآليات يتطلب استراتيجيات موجهة لتقليل التحيز. كما كشفت اختبارات التحقق عبر مجموعات بيانات خارجية عن تأثيرات ملحوظة لتغير المجالات على الأداء وأنماط التحيز الديموغرافي.