Synthetische Daten: Rassenänderung bei Gesichtsbildern, um Verzerrungen in medizinischen Datensätzen entgegenzuwirken

UCLA-Forscher haben eine Methode entwickelt, um die scheinbare Rasse von Gesichtern in Datensätzen zu ändern, die zum Trainieren medizinischer maschineller Lernsysteme verwendet werden, um die Rassenvoreingenommenheit zu beseitigen, unter der viele gängige Datensätze leiden.

Der neue Technik ist in der Lage, fotorealistische und physiologisch genaue synthetische Videos mit einer durchschnittlichen Geschwindigkeit von 0.005 Sekunden pro Bild zu produzieren, und soll die Entwicklung neuer Diagnosesysteme für die Ferndiagnose und -überwachung im Gesundheitswesen unterstützen – ein Bereich, der unter den COVID-Beschränkungen stark expandiert hat. Das System soll die Anwendbarkeit der Fernphotoplethysmographie verbessern (rPPG), eine Computer-Vision-Technik, die Gesichtsvideoinhalte auswertet, um volumetrische Veränderungen der Blutversorgung auf nicht-invasive Weise zu erkennen.

Quelle: https://arxiv.org/pdf/2106.06007.pdf. Klicken um zu vergrößern.

Obwohl die Arbeit, die Convolutional Neural Networks (CNNs) nutzt, früheren Forschungscode einbezieht veröffentlicht Die neue Anwendung wurde 2020 von der britischen Durham University entwickelt und soll pulsierende Signale in den ursprünglichen Testdaten bewahren, anstatt nur die scheinbare Rasse der Daten visuell zu verändern, wie es die Forschung aus dem Jahr 2020 tut.

CNNs für Rassentransformation

Der erste Teil des Encoder-Decoder-Systems verwendet das vorab trainierte Durham-Rennübertragungsmodell VGGface2, um Proxy-Zielrahmen mit der vorherigen kaukasisch-afrikanischen Komponente der Durham-Forschung zu generieren. Dies erzeugt eine flache Übertragung von Rassenmerkmalen, enthält jedoch nicht die Variationen in Farbe und Ton, die visuelle physiologische Indikatoren für den Blutflusszustand des Patienten darstellen.

Die Transformationspipeline aus der Forschung 2020 der Durham University, von der ein Teil in die neue UCLA-Forschung integriert ist. Quelle: https://arxiv.org/pdf/2004.08945.pdf. Klicken um zu vergrößern.

Ein zweites Netzwerk namens PhysResNet (PRN) stellt die rPPG-Komponente bereit. PhysResNet ist darauf trainiert, sowohl das visuelle Erscheinungsbild als auch die Farbvariationen zu lernen, die die Bewegungen des subkutanen Blutvolumens definieren.

Unten links die Ergebnisse der Durham-Forschung 2020, ohne PPG-Informationen. Mitte links, die PPG-Informationen wurden in die Rassentransformation einbezogen. Zum Vergrößern anklicken.

Die vom UCLA-Projekt vorgeschlagene Architektur übertrifft konkurrierende rPPG-Techniken auch ohne Hautfarbverstärkung und stellt eine Verbesserung von 31 % gegenüber ähnlichen Techniken dar, die mit optimiert wurden MAE und RMSE.

Das UCLA-Netzwerk bewahrt erfolgreich Informationen zum Blutvolumen und zur Blutverteilung. Zum Vergrößern anklicken.

Die UCLA-Forscher hoffen, dass künftige Arbeiten umfangreichere Herausforderungen zur Beseitigung rassistischer Vorurteile in diesem Bereich der medizinischen Bildgebung umfassen werden, und hoffen auch, dass spätere Systeme Videos mit höherer Auflösung ausgeben werden, da das betreffende System auf eine Auflösung von 80 x 80 Pixel beschränkt ist – einigermaßen gut für die Einschränkungen der Telemedizin geeignet, aber nicht ideal.

Mangel an ethnisch unterschiedlichen Datensätzen

Die wirtschaftlichen und praktischen Umstände, die zu rassisch unterschiedlichen Datensätzen führen, stellen seit einigen Jahren ein Hindernis für die medizinische Forschung dar. Daten werden tendenziell provinziell generiert, wobei viele Faktoren zu einer häufig kaukasisch-zentrierten Homogenität der Datensubjekte beitragen. Dazu gehören die Zusammensetzung der Minderheitenbevölkerung in Städten, in denen Forschung stattfindet, und andere sozioökonomische Faktoren, die das Ausmaß beeinflussen können, in dem nicht-weiße Subjekte auftreten in westlichen Datensätzen, von denen sich die Forscher eine globalere Anwendbarkeit wünschen.

In Ländern mit einem höheren Anteil dunkelhäutiger Probanden mangelt es häufig an der notwendigen Ausrüstung und den Ressourcen zur Datenerhebung.

Eine hautfarbene Weltkarte für indigene Völker, aus dem American Journal of Physical Anthropology.

Derzeit sind dunkelhäutige Personen in rPPG-Datensätzen deutlich unterrepräsentiert und machen 0 %, 5 % und 10 % des Inhalts der drei primären Datenbanken aus, die üblicherweise für diesen Zweck verwendet werden.

Homogene kaukasische Daten

Im Jahr 2019 neue Forschung veröffentlicht in Forschung fanden heraus, dass ein in der Krankenhausversorgung in den USA weit verbreiteter Algorithmus stark zugunsten kaukasischer Probanden voreingenommen war. Die Studie ergab, dass schwarze Menschen bei der Triage seltener an eine spezialisierte Versorgung überwiesen werden und häufiger ins Krankenhaus eingeliefert werden.

Weitere Forschungen in diesem Jahr von Forschern in Malaysia und Australien etablierten das allgemeine Problem des „Own Race Bias“ bei der Generierung von Datensätzen in vielen Regionen der Welt, einschließlich Asien.

Mögliche Einschränkungen hinsichtlich Maßstab und Architektur

Einige der Einschränkungen, die zu Datensätzen mit begrenzter Ethnizität geführt haben, sind eher pragmatischer als ethischer Natur. Je breiter die Vielzahl der beitragenden Daten ist, desto besser lässt sie sich auf die in diesen Daten enthaltenen Themen verallgemeinern, aber desto weniger ist es wahrscheinlich, dass die Trainingsroutine Muster innerhalb eines einzelnen Merkmals der Daten, einschließlich der Rasse, erkennt, da ein geringerer Prozentsatz der Trainingszeit, Aufmerksamkeit und Ressourcen stehen für jede identifizierbare Teilmenge der Daten zur Verfügung.

Dies kann zu Modellen führen, die allgemein anwendbar sind, aber aufgrund der Einschränkungen der Datengröße, der Wirtschaftlichkeit der Stapelgröße und der praktischen Einschränkungen des latenten Speicherplatzes aufgrund begrenzter Hardwareressourcen weniger spezifische Ergebnisse liefern.

Im anderen Extremfall lassen sich zwar effektive und granulare Ergebnisse erzielen, indem man die Eingabedaten auf einen begrenzteren Satz von Merkmalen, einschließlich der ethnischen Zugehörigkeit, beschränkt, die Ergebnisse passen jedoch wahrscheinlich nicht zu sehr zu den begrenzten Daten und sind möglicherweise nicht allgemein anwendbar über unsichtbare Subjekte in demselben geografischen Gebiet, aus dem die Subjekte des ursprünglichen Datensatzes stammen.

Synthetische Avatare für die PPG-Simulation

Das UCLA-Papier weist auch auf frühere Arbeiten von Microsoft Research aus dem Jahr 2020 zur Verwendung rassistisch nachgiebiger synthetischer Avatare hin, die die 3D-Bildsynthese nutzen, um Gesichtsvideos mit vielen PPG-Informationen zu erstellen.

Von Microsoft-Forschung erstellte synthetische Avatare mit Raytracing-Bildern, die PPG-Daten enthalten. Quelle: https://arxiv.org/pdf/2010.12949.pdf. Klicken um zu vergrößern.