Integrating explainability and bias detection in binary medical image classification: a systematic review
Notice bibliographique
Résumé
This systematic review explores how recent medical imaging studies combine explainability and bias detection in binary classification models, with a focus on promoting fairness and transparency in clinical AI. Following PRISMA guidelines, we analysed 34 studies (peer-reviewed publications and eligible preprints) published between 2020 and 2025 across radiology, dermatology, and cross-domain applications, and we appraised risk of bias using the PROBAST tool. Radiology dominates the field, largely due to the availability of public datasets and established fairness metrics such as AUC disparities and True Positive Rate differences (bias detection/auditing). Most studies use post-hoc explainability tools like GradCAM to highlight influential image regions, SHAP to assign feature contribution scores, and LIME to explain model behavior through input perturbations. Several hybrid methods have shown promise, including adversarial debiasing (training models to reduce subgroup performance gaps), concept activation (linking decisions to human-understandable concepts), and prototype learning (using representative examples to guide classification). In dermatology, researchers focus on reducing skin tone bias through Fitzpatrick type stratification and tools like GEBI, a method for visualizing model sensitivity, and counterfactual explanations that reveal how small input changes could alter predictions. Cross-domain studies emphasize generalizability, employing multimodal inputs and causal modeling to handle dataset and context shifts. Overall, this review highlights the increasing sophistication of methods that integrate interpretability and fairness-an essential step toward ethical and robust AI deployment in healthcare.
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 | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».