Representation and Bias in Artificial Intelligence Models for Thyroid Cancer: A Systematic Review
Notice bibliographique
Résumé
Background: There has been growing interest in the application of artificial intelligence (AI) in thyroid cancer care, given its potential to enhance diagnostic accuracy, predict patient outcomes, and personalize treatment plans. However, bias introduced during the development of AI algorithms used for thyroid cancer care poses a significant challenge, as biased datasets can lead to disparities in diagnosis and treatment recommendations, particularly in underrepresented populations. This systematic review evaluates the current landscape of AI models for thyroid cancer, focusing on demographic representation and potential biases. Methods: This systematic review was registered on PROSPERO (ID: CRD42024519238) and conducted in accordance with the Cochrane handbook and reported in accordance with Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines. A literature search was performed on EMBASE, PubMed, and Google Scholar up to January 2024. Studies were included if they involved AI models for thyroid cancer management and provided demographic details. Data extraction and risk-of-bias assessments were conducted by two independent reviewers. Results: A total of 197 studies were included in the review, with the majority focusing on diagnosis ( n = 133) and prediction/prognosis ( n = 47). Most studies predominantly involved participants from China ( n = 124) and the United States ( n = 26), with more female participants ( n = 12,410) than males ( n = 4222). Ethnicity data from 197 studies (248,896 participants) revealed a significant underrepresentation of East Asians (14.6%) compared with their global thyroid cancer prevalence (18.7%), while White (26.8%) and Black participants (26.8%) were overrepresented relative to their global prevalence (20.7% and 11.3%, respectively). Socioeconomic factors, marital status, and race/ethnicity were less frequently considered in the models. Conclusion: The findings highlight significant gaps in the diversity and representativeness of data used in thyroid cancer AI models. Current models align with epidemiological trends but lack comprehensive demographic inclusion. As such, more representative AI models are required that account for all aspects of a patient’s demographics and sociocultural background. Future research should focus on developing and validating more equitable AI models to improve thyroid cancer care across diverse populations.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».