技术摘要：对比度诱导的类别重叠作为皮肤科 AI 的公平性瓶颈

1. 问题陈述

本文探讨了 AI 辅助皮肤癌分诊中一个关键的公平性瓶颈：对深色皮肤类型的恶性病变进行系统性过度预测的问题。以往的研究通常将性能差异归因于数据稀缺性（即缺乏深色皮肤的训练图像），而本研究认为，该问题在机制和结构上是本质性的。

核心问题是对比度诱导的类别重叠。深色皮肤中的黑色素浓度降低了病变与周围组织之间的光学对比度。由于卷积神经网络（CNN）依赖于这些依赖对比度的特征，因此在深色皮肤上的有效信噪比（SNR）显著下降。这种物理限制导致了一种特定的失效模式：当模型为了避免漏诊而进行高灵敏度校准时，会对深色皮肤进行系统性的过度预测，从而导致不成比例的高假阳性率（低特异性）和不必要的转诊，即使其灵敏度在不同肤色之间保持相当。

此外，本文识别了一个方法论上的混淆因素：在 HAM10000 数据集中，一种特定的良性病变类别（血管病变）在浅色皮肤中过度代表。如果这些病变在二分类过程中被错误标记为阳性，会人为地夸大浅色皮肤与深色皮肤之间表观上的灵敏度/AUC 差距，从而可能掩盖这种差异的真实本质。

2. 研究方法

数据集与预处理

• 数据集： 本研究使用了 HAM10000 数据集（10,015 张皮肤镜图像）。
• 划分方式： 使用基于 lesion_id 的患者级划分以防止数据泄露，最终形成训练集（$n=6,959$）、验证集（$n=1,529$）和锁定测试集（$n=1,527$）。
• 任务定义： 一个转诊分诊任务，其中阳性类包括黑色素瘤、基底细胞癌（BCC）和日光角化病（AKIEC），阴性类包括良性病变（痣、角化症等）。
• 混淆因素修正： 作者修正了一个标签错误，即血管病变（VASC）此前容易被归入阳性类。他们指出，数据集中 62% 的 VASC 图像属于较浅的肤色；将它们误标为阳性会人为降低浅色皮肤的灵敏度。

肤色估计

• 代理指标： 由于 HAM10000 缺乏真实的 Fitzpatrick 肤色标签，作者通过 Otsu 背景分割法，利用 CIE $L^*a^*b^*$ 色彩空间计算**个体类型角（ITA）**来估计肤色。
• 分组： 将肤色分为三类：浅色（ITA > 41°）、中等（10° < ITA ≤ 41°）和深色（ITA ≤ 10°）。研究主要分析使用了高置信度（HC）子集，以最大限度减少代理误差。

信噪比（SNR）框架

作者使用 SNR 框架将物理机制形式化为：
$$SNR(ITA) = \frac{|\mu_{lesion} - \mu_{skin}|}{\sigma_{skin}}$$
像素统计分析显示，从浅色皮肤到深色皮肤，SNR 下降了 5.2 倍。在高斯信号检测模型下，这种下降理论上将贝叶斯最优 AUC 上限从约 0.998 降低到了约 0.709，解释了为什么即使在训练数据平衡的情况下，模型仍然难以应对。

实验设计

研究采用了基于 EfficientNet-B2 主干网络并使用锁定测试集的五变量消融实验：

1. 基准（Baseline）： 标准增强，无 ITA 条件约束。
2. 仅增强（Aug-only）： 加入了针对深色皮肤的特定增强（Mixup、过采样），但没有 ITA 条件约束。
3. 仅肤色（Tone-only）： 标准增强配合 ITA 条件约束（拼接肤色嵌入向量）。
4. 完整版（Full）： 结合了“仅肤色”和“仅增强”的方法。
5. 平衡基准（Balanced Baseline）： 使用等化类别暴露（pos_weight=1.0）作为对照，以隔离类别平衡的效果。

通过 Bootstrap 95% 置信区间和预设的置换检验进行统计显著性评估。

3. 主要结果

稳健的特异性–灵敏度不对称性

在高置信度子集上，研究发现虽然灵敏度在不同肤色间基本持平（浅色：0.813 vs. 深色：0.803），但深色皮肤的特异性显著较低（浅色：0.826 vs. 深色：0.715）。

• 差异： 深色皮肤存在 −11.0 个百分点（pp）的特异性缺失（$p < 0.0002$）。
• 临床影响： 与浅色皮肤患者相比，这意味着每 1,000 名深色皮肤患者中会产生约 89 例额外的过度转诊，这是由过度预测而非漏诊驱动的。

标签混淆

作者证明，朴素分析（将血管病变误标为阳性）会夸大 AUC/灵敏度差距（表现为 −5.5 pp），但基本维持了特异性差距（修正后为 −11.1 pp vs. −11.0 pp）。这证实了特异性缺失是一个稳健的物理信号，而 AUC 差距则部分是由于肤色相关的类别构成所导致的伪影。

消融研究发现

• 肤色条件约束（Tone Conditioning）： 加入 ITA 条件约束提高了深色皮肤的灵敏度（0.871），但未能显著恢复其特异性（0.673）。
• 类别平衡（Class Balancing）： 平衡基准（等化类别暴露）恢复了最多的深色皮肤特异性，将其从 0.668 提升至 0.799。这使特异性差距缩小至 −6.3 pp。
• 结论： 这种不对称性具有混合的因果结构：既包含物理成分（对比度损失），也包含决策规则成分（灵敏度校准），后者可以通过类别平衡和阈值调整来解决，而不仅仅是通过特征约束。

外部验证

向 DDI 数据集（临床摄影）的零样本迁移证实了这一机制。无论标签如何，深色皮肤图像得到的模型置信度分数系统性偏低，表现为在严重的分布偏移下出现分数抑制。

4. 贡献与意义

本文声称有三个主要贡献：

1. 机制视角： 它提供了一个基于 SNR 的诊断框架，解释了为什么色素引起的对比度损失会产生特定的“特异性–灵敏度不对称性”，该框架可应用于其他具有不同组织色素沉着的成像领域。
2. 信号的稳健性： 它证明了特异性缺失是一个真实的临床信号，在经过肤色相关标签混淆的修正后依然存在，从而区分了物理失效模式与分析伪影。
3. 干预策略： 它表明逐肤色类别平衡在恢复深色皮肤特异性方面比肤色条件约束更有效，这表明该问题在很大程度上是可以通过数据处理（通过调整决策规则）来解决的，而不仅仅是纯粹的特征学习局限。

意义

作者认为，皮肤科的公平性审计必须将重点从整体 AUC 转向亚组特异性。由于灵敏度和特异性的差距可能会在 AUC 指标中相互抵消，仅依赖 AUC 会掩盖给深色皮肤人群带来的不成比例的假阳性负担。此外，本文强调了对肤色相关类别构成进行审计的必要性，以确保观察到的差异不是由于数据集标签偏差造成的伪影。

研究结论指出，虽然物理对比度损失是一个硬性约束，但由此产生的过度预测可以通过数据平衡和阈值校准来缓解，这为减少弱势群体转诊负担提供了一条切实可行的路径。