交差性バイアスを探究し切り分けるためのフレームワーク：胎児超音波のケーススタディ

要旨: 医療AIにおけるバイアスは、しばしば表現（レプレゼンテーション）の問題として捉えられます。しかしながら、胎児超音波のような画像ベースの課題では、表現が十分であっても、性能の差は生じ得ます。予測精度は画像品質に強く依存するためです。画像品質は、取得条件やオペレーターの熟練度によって形成されるだけでなく、母体の体格指数（BMI）などの患者依存の要因によっても左右されます。これらの要因は、感受性の高い人口統計学的特徴と相関する可能性があります。その結果、観測される格差は、データの不均衡だけでなく、人口統計学的・臨床的・取得に関連する要因が複合的に影響した結果を反映している場合があり、根底にある相互作用や交絡の影響を見えにくくすることがあります。私たちは、非監督のスライス発見、因子ごとの体系的分析、対象を絞った交差（intersectional）評価を組み合わせることで、交差バイアスを探索・検出するための構造化された枠組みを提案します。胎児体重推定のための94{,}000枚超の超音波画像を用いた事例研究では、最先端の深層学習（DL）モデルと、計測生体情報を用いる回帰式である臨床標準のHadlockにおいて、バイアスを分析します。ピクセル間隔（PS）――現在の取得プロトコルでは不適切と考えられ得るパラメータ――が、性能差の一貫した駆動要因として浮上し、より高いPSは、両モデルの選定されたサブグループにおいて最大24 ext%の改善と関連していました。PSは高BMIまたは妊娠週数（GA）が低い場合に適応されることが多いため、この効果は実質的な交絡リスクを伴います。私たちの交差分析により、PSに関連するシグナルの一部はGAによって説明される一方で、PSに基づく改善はBMIの層を超えて持続していることが明らかになりました。これは、医療AIの公平性研究において、取得を意識した評価および相互作用を意識した評価の重要性を示しています。