医学影像量子机器学习公平性审计

量子分类器总体性能可比但仍有子群差异，需逐项审计。

资讯摘要

论文对医学影像分类中的经典与量子模型开展子群公平性审计，假设QML并非天然公平。研究在DDI皮肤病变（敏感属性为Fitzpatrick皮肤类型）和CheXpert衍生胸片（敏感属性为年龄组）两个场景，基于ResNet-18嵌入训练SVM、MLP、QSVM与QCNN，并比较可微Equalized Odds正则、梯度反转学习及二者组合三种缓解设置。作者报告量子分类器可在总体性能上具竞争力，但仍存在子群差异；部分差异最小的配置因整体判别力下降而不具临床可接受性。所有量子模型均为经典模拟，作者不主张量子优势。

要点速读

1. 论文在DDI与CheXpert衍生数据上审计SVM、MLP、QSVM、QCNN的子群公平性，并设三种缓解设置。
2. 作者报告部分差异最小的配置（如DDI上QCNN+GRL）因全局判别力损失而不满足预设非劣效界。
3. DDI上QSVM+GRL+EO在性能与公平权衡上最佳并接近PanDerm；CheXpert上EVA-X仍更强。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。