人口统计学平等
Parent: ai_keywords
核心定义
人口统计学平等（Demographic Parity）在人工智能与医学交叉领域中，指AI系统在预测、诊断或预后评估时，其输出结果（如疾病风险概率、治疗建议）不应与受保护的人群属性（如年龄、性别、种族、社会经济地位、地域）存在系统性关联。其核心要求是：算法模型对不同人口学亚组的假阳性率、假阴性率、阳性预测值等关键绩效指标应实现统计无偏，避免强化或新生医疗不公。
关键技术点
-
数据平衡与重加权：通过过采样、欠采样或生成对抗网络（GAN）合成缺失群体样本，消除训练集中因人口分布不均导致的特征偏移。例如在神经电生理数据集中，确保不同性别、年龄组的癫痫发作期/间期样本比例均衡。
-
公平性约束的学习算法：在模型优化目标中引入正则化项（如对抗性去偏、拉格朗日乘子），强制模型对敏感属性（如种族）的预测结果互信息最小化。例如在帕金森病步态分析中，控制模型对不同性别患者的震颤识别准确率差异≤1%。
-
跨群体校准评估：使用相等机会（Equal Opportunity） 和人口均等（Demographic Parity） 指标，分别检验敏感属性各组间的真阳性率（TPR）与阳性预测值（PPV）是否一致。常用混淆矩阵分解（如CAML）定位特定亚组偏差来源。
-
联邦学习与隐私保护：在多中心协作（如首医大联盟医院）中，采用差分隐私或同态加密，在保护患者人口信息的前提下联合训练全局公平模型，避免局部数据分布差异放大不平等。
医学/神经科学应用场景（首都医科大学神经病学背景）
以脑卒中早期预警模型为例：首医大附属医院收集的CT/MRI影像及电子病历数据中，老年、低收入或农村患者样本往往偏少。若直接训练深度学习预测模型，可能对城市中产阶级年轻群体（样本多）过拟合，导致对农村老年女性患者的卒中风险低估（假阴性率上升）。解决方案：1）采用人口统计学加权损失函数，对少数群体样本赋予更高权重；2）引入公平性审计层，在模型部署前用首医大特色数据库（覆盖京郊及贫困地区）验证，确保不同年龄、医保类型亚组的AUC差异＜0.03；3）联合神经电生理特征（如EEG慢波比率），在因果推断框架中分离疾病生物标志与人口混杂因素，最终实现《健康中国2030》要求的“城乡卒中防控资源均等化”。
