HEAL: A framework for health equity assessment of machine learning performance
中文摘要
由模型生成 · 人工抽检Google Research 在《柳叶刀》子刊提出 HEAL 框架，用四步法量化评估机器学习医疗工具是否公平：先定义健康不平等因素与指标，再量化既有健康差距，然后分亚群测模型表现，最后计算 HEAL 指标衡量模型性能与健康差距的反相关性，并以皮肤科 AI 为案例验证。
全文
已译中文本文所述研究是 Google 多个团队的联合工作。我们感谢所有共同作者：Terry Spitz、Malcolm Pyles、Heather Cole-Lewis、Ellery Wulczyn、Stephen R. Pfohl、Donald Martin, Jr.、Ronnachai Jaroensri、Geoff Keeling、Yuan Liu、Stephanie Farquhar、Qinghan Xue、Jenna Lester、Cían Hughes、Patricia Strachan、Fraser Tan、Peggy Bui、Craig H. Mermel、Lily H. Peng、Yossi Matias、Greg S. Corrado、Dale R. Webster、Sunny Virmani、Christopher Semturs、Yun Liu 和 Po-Hsuan Cameron Chen。我们还感谢 Lauren Winer、Sami Lachgar、Ting-An Lin、Aaron Loh、Morgan Du、Jenny Rizk、Renee Wong、Ashley Carrick、Preeti Singh、Annisah Um'rani、Jessica Schrouff、Alexander Brown 和 Anna Iurchenko 对本项目的支持。
本译文由模型自动生成，仅供参考与快速理解；涉及数字、版本、命令、法律条文等请以原文为准。
原文附件
1 个 · 均跳转原站，本站不托管文件正文为原站公开内容的抓取与清洗结果，英文条目附模型生成的中文译文；两者均仅供参考， 准确内容请以原站为准。内容版权归原作者所有，若认为侵权请联系我们下线。