arXiv cs.AI· Giovanni dos Santos Franco, Felipe Mahlow, Ellison Fernando Cardoso, Jos\'e Adenaldo Santos Bittencourt, Felipe Fanchini·· 13 小时前AI 评分18
量子机器学习医疗影像公平性审计：DDI 与 CheXpert 上的敏感亚组评估
Responsible Quantum Machine Learning for Medical Imaging: A Fairness Audit Across Sensitive Subgroups
AI 导读
一项实证公平性审计对比了经典与量子分类器在医疗影像上的亚组表现：在 DDI 皮肤病变数据（敏感属性为 Fitzpatrick 皮肤类型）和 CheXpert 衍生胸片数据（敏感属性为年龄组）上。
正文 · AI 翻译
摘要：量子机器学习（QML）在医学分类中的应用日益受到探索，但其在子群感知公平性标准下的表现仍缺乏研究。我们对用于医学影像的经典分类器和量子分类器进行了实证公平性审计，假设 QML 并非天然公平。评估了两种场景：DDI 上的皮肤病变（敏感属性：Fitzpatrick 皮肤类型）和基于 CheXpert 数据的胸部 X 光片（敏感属性：年龄组）。使用 ResNet-18 嵌入，我们在基线和三种缓解设置下训练 SVM、MLP、QSVM 和 QCNN：可微均衡几率（EO）正则化、梯度反转学习（GRL）以及两者结合。基础模型（PanDerm、EVA-X）作为外部参考。量子分类器可能达到有竞争力的总体性能，但仍表现出子群差异。由于较小的子群 AUC 差距可能源于最佳组性能下降而非最差组改善，每种缓解方法还针对相对于其基线的预设非劣效性边界进行了测试。在此标准下，若干差异最小的配置，尤其是 DDI 上采用 GRL 的 QCNN，由于全局判别能力损失而不具备临床可接受性。在 DDI 上，采用 GRL+EO 的 QSVM 表现最佳，在性能/公平性权衡上接近 PanDerm；在 CheXpert 上，采用 GRL 的 QCNN 取得了最高的总体性能但差异增大，EVA-X 仍然更强。公平性效果取决于模型和数据集，因此 QML 需要实证的子群感知评估。所有量子模型均在经典模拟中运行；我们不声称任何量子优势。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2610.37819 [cs.LG] |
| （或 arXiv:2610.37819v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37819 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Felipe Mahlow [查看电子邮件]
[v1]
2026年10月27日星期二 18:33:17 UTC（2,630 KB）
来源：arXiv cs.AI · arxiv.org