摘要
生成模型在增强医学影像数据集以实现更公平的人工智能方面越来越受到重视，但一个关键假设往往未被检验：生成器在不同人口群体中生成的图像质量是否一致。训练于不平衡数据上的模型会继承这些不平衡，导致稀有子群体的合成效果下降，并在缺乏训练的交叉群体中表现不佳，这就是不平衡生成器问题。
传统的补救措施如损失重加权主要在优化层面操作，当训练信号稀缺或缺失时效果有限。我们提出了CompDiff，一个分层组合扩散框架，从表示层面解决这一问题。一个专用的分层条件网络（HCN）将人口条件分解为单属性、成对和组合表示，生成一个与CLIP嵌入拼接的群体标记，作为交叉注意力的上下文。这种结构化的因子化方法鼓励跨子群体的参数共享，并支持对稀有或未见交叉的组合泛化。
在胸部X光（MIMIC-CXR）和眼底图像（FairGenMed）数据集上，CompDiff在图像质量（FID 64.3对比75.1）、子群体公平性（ES-FID）和零样本交叉泛化（对保留交叉的FID改善高达21%）方面均表现优于标准微调和FairDiff。训练于CompDiff数据的下游分类器显示出更高的AUROC和减少的人口偏见，表明人口条件的架构设计是公平医学图像生成中一个重要且未被充分探讨的因素。
代码
博主点评： CompDiff通过分层组合扩散模型显著提升了医学图像生成的公平性和质量，尤其是在处理稀有交叉群体时展现出强大的适应性。这一研究不仅为生成模型提供了新的思路，也为公平AI在医疗领域的应用开辟了新的方向。其方法的有效性为后续研究提供了宝贵的参考。