Worst-Group Equalized Odds Regularization for Multi-Attribute Fair Medical Image Classification

Resumen Técnico: Regularización de Igualdad de Oportunidades del Peor Grupo para la Clasificación de Imágenes Médicas Multiatributo

1. Planteamiento del Problema

El artículo aborda el problema crítico de las disparidades sistemáticas de rendimiento en la inteligencia artificial médica entre grupos demográficos (por ejemplo, edad, sexo, raza). Aunque las métricas agregadas como el Área bajo la Curva (AUC) suelen parecer similares entre grupos, pueden ocultar inequidades clínicamente significativas en puntos operativos fijos durante la inferencia. Específicamente, algunos subgrupos pueden exhibir comportamiento de sobrediagnóstico (tasas de verdaderos positivos [TPR] y tasas de falsos positivos [FPR] elevadas), mientras que otros muestran comportamiento de infradiagnóstico (TPR y FPR reducidos). Estas tendencias opuestas pueden cancelarse en las AUC agregadas, oscureciendo disparidades significativas en la toma de decisiones clínicas.

Las estrategias de mitigación existentes enfrentan varias limitaciones:

• Desalineación de Objetivos: Métodos como GDRO, JTT o FairBatch a menudo reponderan muestras o modifican la pérdida de registro (log-loss) para reducir el riesgo predictivo promedio, lo cual puede no capturar disparidades localizadas de subgrupos en puntos operativos específicos.
• Enfoque en un Solo Atributo: La mayoría de los trabajos anteriores abordan la equidad para un único atributo demográfico, dejando las disparidades interseccionales sin abordar o exacerbadas.
• Desafíos Interseccionales: Los enfoques que manejan múltiples atributos a menudo requieren definiciones de subgrupos simplificados para mantener la potencia estadística o luchan con la inestabilidad en el desviado a nivel de representación (por ejemplo, suprimir la información mutua) para subgrupos pequeños.
• Limitaciones del Entorno: Muchos métodos se evalúan en configuraciones simplificadas de clasificación binaria, lo que limita su aplicabilidad a los escenarios multietiqueta comunes en la imagenología clínica.

2. Metodología

Los autores proponen un Regularizador de Margen de Igualdad de Oportunidades (EO) del Peor Grupo, diseñado para entornos realistas de diagnóstico multietiqueta. El método aborda disparidades a nivel de punto operativo utilizando márgenes de logits sin umbrales.

Formulación Central:

• Configuración del Problema: El conjunto de datos consta de entradas $x_i$, etiquetas $y_i$ y atributos demográficos $a_i$ (por ejemplo, edad, sexo, raza). Los subgrupos $g$ se definen mediante pares de valores de atributo.
• Identificación del Peor Grupo: En cada mini-lote, el método identifica dinámicamente los subgrupos de peor rendimiento sin mantener restricciones separadas por atributo:
  • Para los positivos ($y=1$), identifica el subgrupo $g_{min}^{[+]}$ con la probabilidad predicha media más baja (indicando riesgo de infradiagnóstico).
  • Para los negativos ($y=0$), identifica el subgrupo $g_{max}^{[-]}$ con la probabilidad predicha media más alta (indicando riesgo de sobrediagnóstico).
• Definición del Margen de Logits: El objetivo es imponer una separación entre las muestras positivas del peor caso del grupo infradiagnosticado y todas las muestras negativas, y viceversa para el grupo sobrediagnosticado.
  • Idealmente: $\min_{m: y_m=1, g_m=g_{min}^{[+]}} \ell_m > \max_{n: y_n=0} \ell_n$ y $\max_{m: y_m=0, g_m=g_{max}^{[-]}} \ell_m < \min_{n: y_n=1} \ell_n$.
• Relajación Diferenciable: Dado que los operadores min/max estrictos no son diferenciables, los autores los reemplazan con operadores Log-Sum-Exp (LSE). Esto suaviza los extremos, permitiendo que las muestras cercanas al peor caso contribuyan a la penalización, lo cual ayuda a mitigar violaciones interseccionales.
  • $margin_{EO+} = \text{LSE}_{max}(\{\ell_i : y_i=0\}) - \text{LSE}_{min}(\{\ell_i : y_i=1, g_i=g_{min}^{[+]}\})$
  • $margin_{EO-} = \text{LSE}_{max}(\{\ell_i : y_i=0, g_i=g_{max}^{[-]}\}) - \text{LSE}_{min}(\{\ell_i : y_i=1\})$
• Función de Pérdida: Se aplica una pérdida de bisagra (hinge loss) para penalizar solo los márgenes positivos (violaciones):
  • $L_{EO+} = \max(0, margin_{EO+})$
  • $L_{EO-} = \max(0, margin_{EO-})$
  • El objetivo final es $L = L_{base} + \lambda_{EO+}L_{EO+} + \lambda_{EO-}L_{EO-}$, donde $L_{base}$ es la entropía cruzada binaria estándar (o promediada entre clases para multietiqueta).

Mecanismo Clave: El regularizador actúa como una optimización de AUC localizada, fortaleciendo la clasificación de los positivos débiles del subgrupo de peor rendimiento frente a todos los negativos, y viceversa para los negativos, sin requerir ajustes de umbrales posteriores.

3. Contribuciones Clave

1. Regularizador Unificado Multiatributo: Un método que identifica dinámicamente el subgrupo "peor" a través de todos los ejes demográficos (edad, sexo, raza) simultáneamente, evitando la necesidad de restricciones interseccionales explícitas o definiciones de subgrupos simplificados.
2. Penalización Bidireccional: A diferencia de la pérdida de registro estándar que mejora principalmente la AUC mediante reordenamiento, este regularizador bidireccional penaliza explícitamente tanto el sobrediagnóstico (lado FPR) como el infradiagnóstico (lado TPR) en el punto operativo.
3. Optimización del Peor Grupo Diferenciable: El uso de márgenes basados en LSE permite un entrenamiento estable basado en gradientes para la equidad del peor grupo, distribuyendo el flujo de gradientes entre las muestras en lugar de concentrarse en valores atípicos individuales.
4. Aplicabilidad Multietiqueta: El enfoque se valida en entornos realistas de diagnóstico multietiqueta, abordando una brecha en la literatura existente que a menudo se centra en la clasificación binaria.

4. Resultados Experimentales

El método se evaluó en dos conjuntos de datos de imágenes médicas:

• RNFL-OCT: Un conjunto de datos oftalmológico (3.300 imágenes) para la clasificación de glaucoma.
• MIMIC-CXR: Un gran conjunto de datos de radiografías de tórax (82.282 imágenes) con una tarea multietiqueta para Derrame Pleural, Cardiomegalia y Atelectasia.

Rendimiento:

• Métricas de Equidad: El método propuesto logró consistentemente la EOdds más baja (relación del peor al mejor grupo para la disparidad TPR/FPR) y la EOM más alta (Igualdad de Oportunidad entre Múltiples Subclases) en ambos conjuntos de datos y en todos los atributos demográficos (Edad, Raza, Sexo).
  • En RNFL-OCT, redujo la EOdds conjunta a 0.226 (vs. 0.354 para la línea base) y aumentó la EOM conjunta a 0.926.
  • En MIMIC-CXR, redujo la EOdds conjunta a 0.127 (vs. 0.254 para la línea base) y aumentó la EOM conjunta a 0.916.
• Compensación de Precisión: El método logró estas mejoras en equidad con un impacto mínimo en la AUC general.
  • RNFL-OCT: $\Delta AUC = -0.006$.
  • MIMIC-CXR: $\Delta AUC = -0.007$.
• Comparación: En comparación con líneas base como FairBatch, GDRO, JTT, Entrenamiento Adversarial y FaMI, el método propuesto ofreció un equilibrio superior entre equidad y precisión. Otros métodos arrojaron mejoras de paridad más débiles o incurrieron en pérdidas de precisión significativamente mayores (por ejemplo, FaMI mostró $\Delta AUC \approx -0.06$).

Ablación: Los experimentos confirmaron que tanto los componentes de regularización positiva ($L_{EO+}$) como negativa ($L_{EO-}$) son complementarios; habilitar ambos produce las ganancias de equidad más fuertes.

5. Significado y Afirmaciones

El artículo afirma que su enfoque proporciona un mecanismo unificado para abordar la equidad a través de múltiples ejes demográficos sin la sobrecarga computacional o estadística de gestionar restricciones separadas para cada atributo o grupo interseccional. Al apuntar a las discrepancias de puntuación localizadas responsables de los comportamientos de sobrediagnóstico e infradiagnóstico, el método mitiga las disparidades del subgrupo del peor caso mientras preserva el rendimiento diagnóstico.

Los autores enfatizan que, aunque la AUC puede ocultar disparidades clínicamente relevantes en el punto operativo, su regularizador optimiza eficazmente la clasificación en las regiones de puntuación específicas que impulsan las disparidades de TPR y FPR. Esto resulta en un compromiso de equidad-precisión más favorable en comparación con los métodos existentes, lo que lo hace particularmente adecuado para escenarios de imagenología clínica donde las predicciones multietiqueta y la paridad demográfica estricta son críticas.