显著性图在致密型乳腺中失效了吗?一项经随机基线归一化、考虑混杂因素的乳腺X线摄影解释公平性审计
Do Saliency Maps Fail Dense Breasts? A Chance-Normalized, Confounder-Aware Audit of Explanation Fairness in Mammography
精选理由
揭示乳腺密度会影响显著图定位癌灶,并区分病例构成与模型偏差,助力更公平可靠的乳腺癌 AI 评估。
AI 摘要
显著性图被用作乳腺X线影像分类器依据癌灶进行分类的证据,但其在可能掩盖癌灶的致密型乳腺中尚未经验证。我们检验了这些图在致密型乳腺中定位癌灶的表现是否更差,以及原因何在。基于1,345幅含恶性病变的CBIS-DDSM影像,我们评估了三个CNN的Grad-CAM、Integrated Gradients和遮挡显著性图,指标包括显著性峰值是否落在病灶内,以及经随机基线归一化的病灶与背景显著性比值(以比特计;每增加1比特,比值翻倍)。未经调整的差距较大:Grad-CAM峰值在致密型乳腺中的病灶命中率为44%,而在非致密型乳腺中为58%。病例构成差异,主要是致密型乳腺中钙化更多,解释了各项差距的约一半或更多。遮挡法仍存在显著差距,平均为-0.56比特。对照分析还表明,分类器本身也是原因之一:未经调整的差距大于仅基于图像的醒目度图所呈现的差距,而且模型对致密型乳腺病灶的依赖更少。我们建议,针对每个分类器,分别报告病例构成调整前后的乳腺密度组间差距,并设置醒目度和病灶依赖性对照。