ملخص تقني: DuetFair و FairDRO لضمان العدالة في تقسيم الصور الطبية

1. بيان المشكلة

غالبًا ما تُظهر نماذج تقسيم الصور الطبية أداءً غير متكافئ عبر مجموعات فرعية مختلفة من المرضى (مثل العرق، أو العمر، أو مرحلة الورم). وبينما تهدف طرق العدالة الحالية إلى تحسين متوسط الأداء عبر هذه المجموعات الفرعية، إلا أنها عادةً ما تعامل كل مجموعة فرعية كوحدة متجانسة داخليًا. هذا النهج يخلق ثغرة يطلق عليها المؤلفون اسم "الفشل الخفي داخل المجموعة الفرعية" (intra-subgroup hidden failure).

في هذا السيناريو، قد تبدو المجموعة الفرعية ذات أداء جيد في المتوسط لأن الحالات الصعبة ذات الخسارة العالية (high-loss cases) داخل تلك المجموعة يتم حجبها بواسطة الحالات الأسهل. وبناءً على ذلك، يفشل النموذج في التحسين لأكثر المرضى صعوبةً ضمن مجموعة ديموغرافية أو سريرية معينة، مما يؤدي إلى تنبؤات غير موثوقة على مستوى المريض حتى عندما تبدو مقاييس مستوى المجموعة مقبولة. يجادل البحث بأن العدالة في التقسيم الطبي تتطلب معالجة محورين متميزين ولكن مترابطين:

1. التباين بين المجموعات الفرعية (Inter-subgroup heterogeneity): التكيف مع الاختلافات التوزيعية بين المجموعات الفرعية.
2. التباين داخل المجموعة الفرعية (Intra-subgroup variation): ضمان المتانة ضد الحالات الصعبة داخل كل مجموعة فرعية.

2. المنهجية: DuetFair و FairDRO

لمعالجة هذين التحديين، يقترح المؤلفون آلية DuetFair، وهي إطار عمل ثنائي المحور، ويجسدونها في FairDRO (التحسين المتين للتوزيع - Fair Distributionally Robust Optimization).

آلية DuetFair

تُصور DuetFair العدالة كمسألة مشتركة تتطلب:

• التكيف بين المجموعات الفرعية: يجب أن يأخذ النموذج في الاعتبار التحولات التوزيعية عبر المجموعات المختلفة.
• المتانة داخل المجموعة الفرعية: يجب أن يحافظ النموذج على الموثوقية للحالات الصعبة داخل كل مجموعة، مما يمنع "غسلها" أو طمسها بواسطة متوسطات المجموعات الفرعية.

تنفيذ FairDRO

تقوم FairDRO بالربط بين مكونين محددين لتحقيق آلية DuetFair:

1. محور المجموعات الفرعية: خليط الخبراء المدرك للتوزيع (dMoE)

   • الهدف: معالجة التباين بين المجموعات الفرعية على مستوى التمثيل.
   • الآلية: بدلاً من الاعتماد فقط على وزن الخسارة، تستخدم FairDRO عمودًا فقريًا مشتركًا مع خليط من الخبراء المشروط بالمجموعة الفرعية. يتم تكييف الميزات المتوسطة لصورة مدخلة $x_i$ وصفة المجموعة $g_i$ عبر مجموع مرجح من تحويلات الخبراء التي تختارها شبكة توجيه (routing network).
   • الأثر: يسمح هذا للنموذج بتعلم تمثيلات ميزات خاصة بكل مجموعة فرعية، مما يقلل من عدم التطابق بين النموذج والمجموعات الفرعية المتنوعة قبل حساب الخسارة.

2. محور داخل المجموعة الفرعية: التحسين المتين المشروط بالمجموعة الفرعية (DRO)

   • الهدف: معالجة التباين داخل المجموعة الفرعية والفشل الخفي.
   • الآلية: بدلاً من تقليل متوسط الخسارة التجريبي داخل المجموعة الفرعية ($R_g$)، تقوم FairDRO بتقليل أسوأ حالة خطر (worst-case risk) داخل مجموعة غموض خاصة بكل مجموعة فرعية.
   • الصيغة: لكل مجموعة فرعية $g$، يتم تعريف الخطر المتين $R_g^{rob}$ كأعلى قيمة متوقعة للخسارة عبر مجموعة توزيعات $Q_g$ قريبة من التوزيع التجريبي $\hat{P}_g$ (مقاسة بتباعد KL).
   • الأثر: يعمل هذا التحسين بشكل طبيعي على رفع وزن العينات ذات الخسارة العالية داخل كل مجموعة فرعية، مما يضمن عدم تجاهل الحالات الصعبة حتى لو كانت المجموعة صغيرة أو غير متجانسة.

دالة الهدف:
تجمع الدالة النهائية هذه المخاطر المتينة الخاصة بكل مجموعة فرعية:
$$\min_{\theta, \phi} L_{FairDRO} = \sum_{g \in \mathcal{G}} w_g R_g^{rob}(\theta, \phi)$$
حيث $w_g$ هو وزن مُطبع (تم ضبطه على $1/|\mathcal{G}|$ في التنفيذ)، مما يضمن التجميع الموحد لمخاطر المجموعات الفرعية دون الحاجة لزيادة الوزن يدويًا لمجموعات معينة.

3. المساهمات الرئيسية

• تحديد الفشل الخفي داخل المجموعة الفرعية: حدد البحث أن متوسط أداء المجموعات الفرعية يحجب الأخطاء الشديدة على مستوى المريض، مما استدعى نهجًا ثنائي المحور.
• آلية DuetFair: إطار مفاهيمي يفصل صراحةً بين التكيف بين المجموعات والمتانة داخل المجموعات ويربط بينهما.
• خوارزمية FairDRO: تنفيذ ملموس يجمع بين dMoE لتعلم التمثيل و DRO المشروط بالمجموعة الفرعية لتجميع الخسارة. يسمح هذا التصميم للنموذج بالتكيف عبر المجموعات مع إعطاء الأولوية للعينات الصعبة داخل كل مجموعة.
• التقييم الشامل: التقييم عبر ثلاثة معايير تغطي السمات الديموغرافية، والسريرية، والمؤسسية.

4. النتائج التجريبية

قيم المؤلفون FairDRO على ثلاثة مجموعات بيانات: Harvard-FairSeg (صور قاع العين، تعتمد على العرق)، HAM10000 (آفات الجلد، تعتمد على العمر)، ومجموعة بيانات العلاج الإشعاعي ثلاثية الأبعاد (تصوير مقطعي للبروستاتا، تعتمد على مرحلة T والمؤسسة).

• Harvard-FairSeg (العرق): حققت FairDRO أفضل أداء من حيث مقياس العدالة (ES-Dice و ES-IoU). لقد حسنت بشكل كبير قيم Dice و IoU للمجموعة الأضعف (الآسيوية) مقارنة بالنماذج القوية مثل dMoE و Prompt-GDRO، مع الحفاظ على أداء متوسط مماثل.
• HAM10000 (العمر): استعادت FairDRO الأداء للمجموعة الأقلية (العمر $\ge$ 80)، محققة تحسنًا في Dice و IoU مقارنة بـ dMoE. ومع ذلك، أشار المؤلفون إلى أنه نظرًا لأن الفجوة القائمة على العمر كانت أساسًا بين المجموعات (inter-group)، فإن المكسب الهام من المتانة داخل المجموعة (intra-group) كان أقل مقارنة بالإعدادات الأخرى.
• مجموعة بيانات العلاج الإشعاعي ثلاثية الأبعاد:
  • مرحلة الورم (T1-T4): أظهرت FairDRO التحسينات الأكثر دراماتيكية هنا. لقد حسنت بشكل كبير أسوأ قيمة Dice للمجموعات النادرة (T1 و T4) وقللت من تشتت درجات Dice لكل مريض داخل كل مرحلة. أظهر التحليل النوعي أن FairDRO صححت أخطاء التمدد الزائد أو نقص التحديد المنهجي التي ظهرت في النماذج المرجعية.
  • المؤسسة: في سيناريو نشر واقعي يتضمن تحول البيانات عبر المستشفيات، كانت FairDRO هي الطريقة الوحيدة التي استطاعت استعادة أداء الموقع الأضعف (مستشفى غانغنام سيفيرانس) بشكل جوهري، مما قلل الفجوة في الأداء بين أفضل وأسوأ المؤسسات مع الحفاظ على الأداء في الموقع المصدر.

5. الأهمية والادعاءات

يزعم البحث أن FairDRO تقدم نهجًا أكثر شمولية للعدالة من خلال الاعتراف بأن متوسطات المجموعات الفرعية يمكن أن تكون مضللة. ومن خلال الربط بين تعلم التمثيل (للتعامل مع اختلافات المجموعات) والتحسين المتين (للتعامل مع الصعوبة داخل المجموعة)، تضمن FairDRO ما يلي:

1. لا تضحي النماذج بأداء المجموعات الأقلية من أجل الدقة المتوسطة.
2. الحالات الصعبة داخل أي مجموعة فرعية (سواء كانت أغلبية أو أقلية) لا يتم حجبها بواسطة متوسط المجموعة.

يذكر المؤلفون أن FairDRO تحقق أقوى مكاسبها في الإعدادات التي تتسم بـ تباين كبير على مستوى المريض داخل المجموعات الفرعية (كما في مجموعة بيانات العلاج الإشعفي)، حيث تفشل الطرق القياسية المعتمدة على مستوى المجموعة في معالجة "الإخفاقات الخفية". كما يقرون بتواضع أن عندما تفسر تسميات المجموعات الفرعية معظم تباين الأداء بالفعل (كما في نتائج HAM10000 القائمة على العمر)، فإن القيمة المضافة للمتانة داخل المجموعة تكون أقل بروزًا، لكن الطريقة تظل تنافسية.

في النهاية، يضع هذا العمل DuetFair و FairDRO كخطوات نحو أنظمة ذكاء اصطناعي سريرية توفر رعاية عادلة، مما يضمن امتداد فوائد الذكاء الاصطناዊ لجميع المرضى، بما في ذلك أولئك الذين يعانون من حالات صعبة أو نادرة ضمن أي مجموعة ديموغرافية أو سريرية.