Fairboard：医療モデルの衡平性（エクイティ）評価のための定量的フレームワーク

概要: 現在では1,000件を超えるFDA認可のAI医療機器が存在するにもかかわらず、（モデル性能が患者のサブグループ間で一様かどうかといった）形式的な衡平性評価は稀である。ここでは、2つの独立したデータセット（n = 11,664件のモデル推論）における648人のグリオーマ患者を対象として、18のオープンソース脳腫瘍セグメンテーションモデルの衡平性を、独立変数（単変量）、ベイズの多変量、空間的、表現（レプレゼンテーション）の各次元に沿って評価する。患者の同一性は、モデルの選択よりも一貫して大きな性能ばらつきを説明することを見出す。さらに、分子診断、腫瘍グレード、切除範囲といった臨床的要因は、モデルのアーキテクチャよりもセグメンテーション精度をより強く予測する。ボクセル単位の空間メタ解析により、神経解剖学的に局在したバイアスを同定し、それらはコンパートメントに特化している一方で、多くの場合モデル間で一貫している。病変マスクと診療・人口統計的特徴からなる高次元の潜在空間内では、モデル性能が有意にクラスタリングし、患者特徴空間がアルゴリズム的脆弱性の軸を含んでいることを示す。新しいモデルほど衡平性が高まる傾向はあるものの、いずれも形式的な公正性保証は提供していない。最後に、医用画像における衡平なモデル監視の障壁を下げる、オープンソースのノーコード・ダッシュボードである Fairboard を公開する。