Towards Fair ML‐based Language Assessment Methods for Detecting Alzheimer’s Disease
Notice bibliographique
Résumé
Abstract Background Alzheimer's disease (AD) tends to affect the parietal lobe, which is responsible for language functions in the patient's brain. Thus, one significant impairment associated with AD is language impairment which is the cause that patients with AD have deficits at the word level (vocabulary size in speech can be an early sign of cognitive impairment [1]), sentence‐level, and discourse‐level of their languages. Thus, language disorders can be considered as markers to diagnose AD in a patient at its earliest stage [2]. The recent progress in the machine learning (ML) domain has revolutionized the early detection of AD in particular developing and deploying ML‐based language assessment (MLLA) methods for detecting AD at its mild cognitive impairment stage [3]. The ML community needs to develop fair MLLA methods for detecting individuals with AD. Method To develop a fair MLLA first we should consider how we can formulate the fairness for developing a MLLA method and how potential bias in language data can be identified and quantified, how text preprocessing, data augmentation and word embedding techniques can be applied without adding biases to MLLA, how can we identify protected and unprotected linguistic features? and finally how can we protect underserved groups in the deployment process of MLLA methods? Result We suggest a fair ML pipeline includes 1) preprocessing (i.e., eliminating sources of bias in data collection and data sharing, text augmentation and text preprocessing, defining unknown sensitive features including linguistic diversity, which are highly correlated with sensitive attributes such as races and genders. Note that sensitive attributes can be used to alleviate the bias). 2) In‐processing (i.e., adjusting machine learning process, e.g., using a regularization approach). 3) Post‐processing (i.e., adjusting trained model). Conclusion The development of fair MLLA methods is crucial to ensure all groups are treated fairly and there are no results that unfairly harm any subgroups of our population. Using our suggested pipeline, we can foster the confidence of clinical services to use MLLA methods and motivate patients to accept the results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».