均等机会
Parent: ai_keywords
均等机会（Equal Opportunity）
核心定义
在人工智能与临床神经科学交叉领域，均等机会指机器学习模型对不同人口学亚组（如性别、种族、年龄、社会经济地位）中阳性类别（即疾病阳性、事件发生）的真阳性率（True Positive Rate, TPR）保持一致，确保模型不因敏感属性而系统性歧视某一群体。该定义源于统计公平性理论，是医疗AI伦理与法规合规的核心指标。
关键技术点
- 公平性度量：均等机会差（Equal Opportunity Difference, EOD）——计算各组TPR之差的绝对值，临床阈通常要求EOD < 0.05，否则需干预。
- 偏见检测：采用分层交叉验证或残余分析，结合D’Agostino-Pearson检验识别TPR差异显著的亚组；常用可视化工具如校准图、ROC曲线分面展示。
- 偏见缓解：三阶段方法——
- 预处理：重采样（SMOTE-NC均衡敏感属性分布）或样本加权（逆倾向得分）。
- 处理中：对抗去偏（引入敏感属性判别器，使编码器无法区分亚组）或正则项惩罚EOD。
- 后处理：为不同亚组设置差异化决策阈值（如通过FROC曲线选取各组的Youden指数最佳点）。
- 临床可解释性：使用SHAP（Shapley加法解释）分解各亚组特征贡献差异，定位驱动偏见的特征（例如：种族对脑卒中量表NIHSS的权重差异）。
- 验证与监控：需在外部多中心队列（如首都医科大学脑血管病联盟数据库）中进行前瞻性验证，并建立实时监测仪表盘，追踪EOD的动态变化。
医学/神经科学应用场景
情景：首都医科大学附属北京天坛医院基于CT灌注成像（CTP）开发脑卒中梗死核心AI预测模型。初期验证发现模型在老年女性患者中的真阳性率明显低于男性（TPR差=0.12，P<0.01），可能导致延误取栓治疗。
解决方案：
- 检测阶段：通过分层Roc分析锁定偏见源于特征“脑血容量CBV”在女性患者中的噪声更大。
- 缓解策略：采用对抗去偏（敏感属性：性别）与后处理阈值调整，使女性组CBV特征被编码器抑制，同时对其阈值从0.35降至0.29。
- 验证结果：在独立验证集（n=1200）中，EOD降至0.03，且女性患者的取栓决策AUC从0.78提升至0.86。该模型已进入天坛医院伦理委员会审批流程，确保公平性符合《医学AI器械注册指导原则》。
