技术摘要：通过样本难度去相关实现年龄依赖性混淆效应的稳健缓解

1. 问题陈述

在医学图像分类中，深度神经网络往往依赖“捷径”——即患者年龄等现成的线索——而非学习真正的病理标志物。年龄作为一个混淆因子，因为它既与成像形态（输入外观）相关，也与疾病患病率（标签分布）相关。这导致了系统性的、依赖年龄的性能差异：

• 过度诊断：在疾病患病率较高的年龄组中，假阳性率（FPR）更高。
• 诊断不足：在疾病患病率较低的年龄组中，真阳性率（TPR）更低。

这些差异因年龄上的训练 - 测试分布偏移而加剧。传统的缓解策略通常强制严格的年龄不变性（例如，从特征空间中移除年龄或将其离散化）。然而，作者认为严格的不变性是不可取的，因为年龄也编码了具有临床意义的变异。目标是在不丢弃具有诊断相关性的年龄信息的前提下，抑制虚假的年龄关联捷径。

2. 方法论

所提出的框架通过针对虚假的年龄 - 难度趋势而非强制完全的统计独立性，来干预训练动态。该方法通过以下阶段进行：

2.1 经验观察与预热

在一个 epoch 的预热阶段之后，作者分析了样本难度（由梯度幅度 $g_i$ 量化，等同于绝对预测误差 $|p_i - y_i|$）与患者年龄之间的关系。

• 观察：在给定标签（$y$）的条件下，年龄与难度之间存在强烈的线性依赖关系。
  • 对于阳性病例（$y=1$），来自老年患者的样本比来自年轻患者的样本“更容易”（$g_i$ 更低）。
  • 对于阴性病例（$y=0$），来自老年患者的样本比来自年轻患者的样本“更难”（$g_i$ 更高）。
• 推论：模型过度依赖年龄作为预测捷径，导致了观察到的 TPR/FPR 差异。

2.2 加权斜率惩罚（去相关）

该方法不强制不变性，而是惩罚归一化年龄（$z_i$）与样本难度（$g_i$）之间线性关系的斜率。

• 模型：$g_i \approx \alpha_{y_i} + \beta_{y_i} z_i$，其中 $\beta_{y_i}$ 代表每个类别的年龄 - 难度斜率。
• 目标：在每个小批量内最小化平方斜率估计值 $\hat{\beta}_y^2$。这在不移除非线性年龄信息的情况下，压平了主导的年龄相关斜率。
• 通过 Huber 权重实现的稳健性：由于标注噪声和临床变异性，直接惩罚是不稳定的。作者使用**加权普通最小二乘法（WOLS）**来估计斜率。
  • 趋势亲和性：权重（$w_i$）源自预热阶段后执行的一次 Huber 回归拟合。
  • 与主导趋势一致的样本获得全额权重；离群值（显著偏离趋势的样本）则被降低权重。这防止了去相关惩罚破坏优化过程或惩罚高信息量的样本。

2.3 年龄覆盖度调制

为了确保在小批量内年龄多样性有限时的稳定性，引入了年龄覆盖度分数（$C$）。

• 定义：$C$ 是小批量中归一化年龄值的归一化方差。
• 机制：去相关惩罚按 $C$ 进行缩放。如果一个小批量缺乏年龄多样性（低方差），则惩罚会被减弱。
• 益处：这确保了模型仅在批次中存在足够的趋势证据时才降低年龄 - 难度斜率，从而提高了对年龄不平衡和训练 - 测试偏移的稳健性。

2.4 总损失函数

最终目标将标准的二元交叉熵（$L_{BCE}$）与覆盖度感知的斜率惩罚相结合：
$$L_{total} = L_{BCE} + \lambda \sum_{y \in \{0,1\}} C_y L_{slope,y}$$
其中 $L_{slope,y} = \hat{\beta}_y^2$。

3. 实验设置

• 数据集：两个表现出强烈年龄相关不公平性的放射学基准：
  1. CheXpert 胸腔积液（CXP PE）。
  2. MIMIC 心脏肥大（MIMIC Car）。
• 分布偏移：实验利用基于年龄的指数采样方案来创建训练 - 测试偏移。训练集偏向年轻人群，而测试集偏向老年群体（由强度参数 $\gamma \in \{0, 4, 8\}$ 控制）。
• 基线：与经验风险最小化（ERM）、重采样批次、对抗训练（Adv）、Just-Train-Twice（JTT）和 GroupDRO 进行比较。
• 指标：
  • 公平性：$\Delta Sep_{10}$，衡量每十年年龄的 TPR/FPR 相对变化（越低越好）。
  • 准确性：AUC（曲线下面积）。

4. 关键结果

• 公平性改进：所提出的方法在两个数据集的所有偏移强度（$\gamma$）下均实现了最低的 $\Delta Sep_{10}$。
  • 在 MIMIC（Car）上，与 ERM 相比，它将平均 $\Delta Sep_{10}$ 降低了约 35%（20.82% 对比 32.26%）。
  • 在 CXP（PE）上，与 ERM 相比，它将平均 $\Delta Sep_{10}$ 降低了约 56%（7.82% 对比 17.90%）。
• 对偏移的稳健性：与对抗训练不同（后者在高偏移强度下显著退化，在 MIMIC 上从 21.73% 恶化至 32.22%），所提出的方法保持稳定（从 17.69% 至 23.48%）。
• 准确性权衡：该方法实现了最有利的公平性 - 准确性权衡。它在最小化 AUC 下降的同时保持了最低的 $\Delta Sep_{10}$（例如，在 CXP 上相比 ERM 仅下降 0.15%），而其他基线则造成了显著的性能损失（例如，JTT 在 CXP 上下降了约 3.6%）。
• 消融研究：移除“趋势亲和性”（Huber 权重）或“覆盖度分数”中的任一项都会导致公平性下降和 AUC 轻微降低，证实了这两个组件的必要性。

5. 意义与主张

该论文声称其框架为医学成像中的年龄依赖性混淆提供了一种稳健的缓解策略。其主要意义在于：

1. 选择性缓解：它成功抑制了虚假的线性年龄 - 难度捷径，同时不强制严格的年龄不变性，从而保留了具有临床意义的非线性年龄信息。
2. 偏移下的稳定性：通过利用“单斜率”策略和覆盖度感知调制，即使测试人群的年龄分布和疾病患病率与训练人群显著不同，该方法依然有效。
3. 实际功效：它在最小化对整体诊断准确性（AUC）影响的同时，减少了依赖年龄的 TPR/FPR 差异（过度诊断和诊断不足），解决了医学 AI 中系统性偏差的一个关键来源。