Synthetische Daten: Rassenwechsel in Gesichtsbildern, um Bias in medizinischen Datensätzen zu bekämpfen

Forscher der UCLA haben eine Methode entwickelt, um die scheinbare Rasse von Gesichtern in Datensätzen zu ändern, die zur Ausbildung medizinischer maschineller Lernsysteme verwendet werden, um den Rassismus zu bekämpfen, der viele gängige Datensätze aufweist.

Die neue Technik ist in der Lage, photorealistische und physiologisch genaue synthetische Videos mit einer Durchschnittsrate von 0,005 Sekunden pro Frame zu produzieren und soll die Entwicklung neuer Diagnosesysteme für die Ferngesundheitsdiagnose und -überwachung unterstützen – ein Bereich, der unter den COVID-Beschränkungen stark expandiert ist. Das System soll die Anwendbarkeit der Fern-Photoplethysmographie (rPPG) verbessern, einer Computervision-Technik, die die Gesichtsvideoinhalte auswertet, um nichtinvasiv Volumenänderungen im Blutfluss zu erkennen.

Quelle: https://arxiv.org/pdf/2106.06007.pdf. Klicken zum Vergrößern.

Obwohl die Arbeit, die Convolutional Neural Networks (CNNs) verwendet, auf vorheriger Forschung basiert, die von der Universität Durham im Jahr 2020 veröffentlicht wurde, soll die neue Anwendung die pulsierenden Signale in den ursprünglichen Testdaten erhalten, anstatt nur das scheinbare Aussehen der Daten zu ändern, wie es die Forschung von 2020 tut.

CNNs für Rassenwechsel

Der erste Teil des Encoder-Decoder-Systems verwendet das Durham-Racen-Transfer-Modell, das auf VGGFace2 trainiert wurde, um Proxy-Zielrahmen mit dem vorherigen kaukasisch-afrikanischen Komponenten der Durham-Forschung zu erzeugen. Dies produziert eine flache Übertragung von Rassenmerkmalen, aber enthält nicht die Variationen in Farbe und Ton, die visuelle physiologische Indikatoren des Blutflusses des Patienten darstellen.

Die Transformationspipeline aus der Forschung von 2020 der Universität Durham, die Teil der neuen UCLA-Forschung ist. Quelle: https://arxiv.org/pdf/2004.08945.pdf. Klicken zum Vergrößern.

Ein zweites Netzwerk, namens PhysResNet (PRN), liefert die rPPG-Komponente. PhysResNet wird trainiert, um sowohl das visuelle Aussehen als auch die Farbvariationen zu lernen, die die subkutanen Blutvolumenbewegungen definieren.

Unten links, die Ergebnisse, die von der Forschung von 2020 der Universität Durham erzielt wurden, die keine PPG-Informationen enthalten. Mitte links, die PPG-Informationen, die in den Rassenwechsel integriert werden. Klicken zum Vergrößern.

Die Architektur, die das UCLA-Projekt vorschlägt, übertrifft konkurrierende rPPG-Techniken sogar in Abwesenheit von Hautfarbenverstärkung, was eine 31-prozentige Verbesserung gegenüber ähnlichen Techniken darstellt, die mit MAE und RMSE optimiert wurden.

Das UCLA-Netzwerk bewahrt erfolgreich Blutvolumen- und -verteilungsinformationen. Klicken zum Vergrößern.

Die UCLA-Forscher hoffen, dass zukünftige Arbeiten umfassendere Herausforderungen zur Bekämpfung von Rassismus in diesem Bereich der medizinischen Bildgebung in Angriff nehmen werden und hoffen auch, dass spätere Schemata höher auflösende Videos ausgeben werden, da das System auf eine Auflösung von 80×80 Pixeln begrenzt ist – was für die Telemedizin gut geeignet ist, aber nicht ideal ist.

Mangel an ethnisch vielfältigen Datensätzen

Die wirtschaftlichen und praktischen Umstände, die zu ethnisch vielfältigen Datensätzen führen, sind seit einigen Jahren ein Hindernis für die medizinische Forschung. Daten werden tendenziell parochial generiert, mit vielen Faktoren, die zu einer häufigen kaukasischen Homogenität der Datensubjekte beitragen. Dazu gehören die Zusammensetzung von Minderheitendemografien in Städten, in denen Forschung durchgeführt wird, und andere sozioökonomische Faktoren, die den Umfang beeinflussen können, in dem nicht-weiße Subjekte in westlichen Datensätzen auftauchen, die die Forscher gerne globaler sehen würden.

In Ländern mit einem höheren Anteil an dunkelhäutigen Subjekten fehlen häufig die erforderlichen Geräte und Ressourcen, um die Daten zu sammeln.

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

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

Homogene kaukasische Daten

Im Jahr 2019 wurde eine neue Forschung veröffentlicht in Science, die ergab, dass ein Algorithmus, der in der US-amerikanischen Krankenhausversorgung weit verbreitet ist, stark von kaukasischen Subjekten beeinflusst war. Die Studie fand heraus, dass schwarze Menschen weniger wahrscheinlich auf spezialisierte Versorgung in der Erstversorgung und tieferen Ebenen der Krankenhausaufnahme verwiesen wurden.

Weitere Forschung im selben Jahr von Forschern in Malaysia und Australien ergab, dass das allgemeine Problem des “Own-Race-Bias” für die Datengenerierung in vielen Regionen der Welt, einschließlich Asiens, besteht.

Potentielle Einschränkungen von Skala und Architektur

Einige der Einschränkungen, die zu ethnisch begrenzten Datensätzen geführt haben, sind pragmatischer als ethischer Natur. Je breiter die Vielfalt der beitragenden Daten ist, desto besser verallgemeinert sie sich über die in den Daten dargestellten Subjekte, aber desto weniger wahrscheinlich ist es, dass das Trainingsprogramm Muster innerhalb einer einzelnen Dateneigenschaft, einschließlich Rasse, intuiert, da ein kleinerer Prozentsatz der Trainingszeit, Aufmerksamkeit und Ressourcen für jede identifizierbare Teilmenge der Daten verfügbar ist.

Dies kann zu Modellen führen, die weit anwendbar sind, aber weniger spezifische Ergebnisse liefern, aufgrund der Einschränkungen der Datengröße, der Ökonomie der Batch-Größe und der praktischen Einschränkungen des latenten Raums als Funktion begrenzter Hardware-Ressourcen.

Auf der anderen Seite können zwar effektive und granulare Ergebnisse durch Einschränkung der Eingabedaten auf eine begrenzte Menge von Merkmalen, einschließlich Ethnie, erzielt werden, aber die Ergebnisse sind wahrscheinlich “überangepasst” an die begrenzten Daten und nicht allgemein anwendbar, vielleicht sogar nicht einmal auf unbekannte Subjekte in der gleichen geografischen Region, aus der die ursprünglichen Datensubjekte stammen.

Synthetische Avatare für PPG-Simulation

Der UCLA-Artikel erwähnt auch vorherige Arbeiten von Microsoft Research aus dem Jahr 2020 über die Verwendung von rassenflexiblen synthetischen Avataren, die 3D-Bildsynthese nutzen, um Gesichtsvideos mit reichen PPG-Informationen zu erstellen.

Synthetische Avatare, die von Microsoft Research erstellt wurden, mit ray-getrackten Bildern, die PPG-Daten enthalten. Quelle: https://arxiv.org/pdf/2010.12949.pdf. Klicken zum Vergrößern.