1. 课程导入与公平性地图
医学影像人工智能（AI）在肺结节筛查、乳腺钼靶、眼底糖网、脑卒中分割等任务中已接近甚至超过部分专科医生的判读水平。但当模型从单一中心的研究数据集走向多中心、多设备、多人群的真实临床环境时，一个被反复观察到的问题浮现出来：同一个模型，在不同人群、不同设备、不同医院之间的表现并不一致。这种不一致，就是本课程要系统讨论的“公平性”问题。
先明确一个关键前提：公平性不是“模型对所有人都一样准”这么简单。医学影像数据本身存在天然的分布差异——不同性别、年龄、种族人群的解剖结构、组织密度、疾病谱不同；不同厂商的CT、MRI、DR设备在重建算法、层厚、噪声特性上不同；不同医院的扫描协议、对比剂使用、图像后处理流程也不同。这些差异会沿着“数据采集—标注—预处理—建模—部署”的链条逐级传递、放大，最终表现为某些亚组人群的漏诊率、误诊率显著偏高。因此，公平性评估的目标不是消除所有差异，而是识别、量化并控制那些由非临床因素导致、且可能造成临床伤害的系统性偏差。
一、偏差从哪里来：全流程偏差地图
要评估公平性，先要能定位偏差。医学影像AI的偏差来源可以按数据生命周期划分为五个环节，每个环节都有其典型机制和可观测信号。
- 数据采集环节：设备型号、扫描参数、成像协议差异导致图像风格偏移。例如A院使用某品牌CT、层厚1.0 mm，B院使用另一品牌、层厚2.5 mm，同一病灶的纹理特征分布明显不同。若训练集以A院为主，模型在B院的表现会系统性下降。
- 人群构成环节：训练数据中某些亚组（如老年女性、特定种族、罕见病亚型）样本量过少，模型对这些亚组的学习不充分，表现为亚组AUC明显低于总体AUC。
- 标注环节：不同标注者的经验、标准、疲劳程度不同，导致标签噪声在亚组间分布不均。例如对小结节的标注一致性在老年患者中更低，因为图像对比度下降。
- 建模环节：损失函数、采样策略、特征选择可能无意中放大已有偏差。若采用随机欠采样处理类别不平衡，可能进一步减少少数亚组的有效样本。
- 部署与使用环节：阈值选择、人机交互流程、临床工作流差异，会使同一模型在不同场景下产生不同的公平性后果。例如固定阈值在高患病率人群中灵敏度不足。
这五个环节并非独立，而是形成一条偏差传递链：上游的分布偏移会在下游被放大，下游的决策阈值又会重新定义“谁被漏诊”。下面的SVG以“偏差来源—传递路径—公平性观测点”为主线，给出本节的全流程公平性地图。
二、公平性的定义：从统计平等到临床相关
在医学影像语境下，公平性至少包含三个层次，评估时不能只停留在第一层。
第一层是统计公平，即模型在不同亚组上的性能指标（AUC、灵敏度、特异度、F1）差异在可接受范围内。常用量化方式是“最大最小差”：ΔAUC = max(AUC_g) − min(AUC_g)，g遍历所有亚组。例如某肺结节模型总体AUC为0.91，男性0.92、女性0.88、某设备亚组0.84，则ΔAUC=0.08。这个数值本身不直接判定“不公平”，需要结合临床可接受阈值和置信区间判断。
第二层是校准公平，即模型输出的概率在不同亚组中具有一致的含义。一个模型可能在各亚组AUC接近，但在女性中系统性高估风险（预测概率0.7，实际患病率0.5），导致过度转诊。校准公平常用校准曲线、Brier分数、期望校准误差（ECE）按亚组评估。
第三层是临床效用公平，即模型带来的净获益在不同亚组间是否均衡。决策曲线分析（DCA）可以回答：在阈值概率0.2时，模型对男性组的净获益为0.12，对女性组为0.04，说明女性组从该模型中获益明显更少。这一层最接近“公平性是否造成实际伤害”的判断。
三、评估目标与课程项目任务
本课程的核心目标是让学习者能够独立完成一次可复现的医学影像模型公平性评估。具体包括：能绘制偏差地图并定位高风险环节；能按亚组计算性能、校准和临床效用指标；能判断差异是否具有统计学与临床意义；能提出并验证至少一种缓解策略；能输出结构化的公平性评估报告。
课程项目以一个公开的胸部X线多标签分类数据集为对象（示例设定：约1.2万张图像，含性别、年龄、设备厂商三个敏感属性字段），要求完成以下任务链：
- 数据审计：统计各亚组样本量、阳性率、缺失率，识别样本量低于总样本5%的亚组并标记为“低代表亚组”。
- 基线评估：在统一测试集上计算总体与亚组的AUC、灵敏度、特异度，输出ΔAUC和Δ灵敏度。
- 校准分析：按亚组绘制校准曲线，计算ECE，判断是否存在系统性高估或低估。
- 阈值敏感性：在0.1～0.9范围内扫描决策阈值，观察各亚组阳性率和漏诊率的变化，找出使亚组间漏诊率差最小的阈值区间。
- 缓解实验：选择一种策略（如亚组重加权、分层采样、阈值分组校准），对比缓解前后的公平性指标。
- 报告输出：形成包含偏差地图、指标表、校准图、阈值曲线和结论建议的评估报告。
需要特别说明的是，项目中使用的数据规模、亚组比例、指标数值均为教学示例设定，用于演示评估流程和判断逻辑，不代表任何真实模型的实测结果。学习者在实际工作中应使用自己数据的真实统计量。