佛罗里达大学的研究人员发现，旨在诊断影响女性的常见感染的机器学习算法在种族群体中表现出诊断偏差。

尽管人工智能工具为改善医疗保健服务提供了巨大潜力，但从业者和科学家警告称，它们存在长期存在种族不平等的风险。这是周五在《自然》杂志《数字医学》上发表的第一篇评估这些工具与女性健康问题相关的公平性的论文。

机器学习可以成为医疗诊断的一个很好的工具，但我们发现它可能表现出对不同种族群体的偏见。这对女性健康来说是令人担忧的，因为不同种族之间已经存在差异。”

Ruogu Fang，J. Crayton Pruitt Family 生物医学工程系副教授，该研究的作者

研究人员评估了机器学习在诊断细菌性阴道病（BV）方面的公平性，细菌性阴道病是一种影响育龄妇女的常见疾病，不同种族之间存在明显的诊断差异。

Fang 和共同通讯作者 Ivana Parker 都是赫伯特·沃特海姆工程学院的教员，他们从 400 名女性中提取了数据，其中每个种族各有 100 名女性：白人、黑人、亚洲人和西班牙人。

在调查四种机器学习模型预测无症状女性 BV 的能力时，研究人员表示，不同种族的准确性有所不同。西班牙裔女性的假阳性诊断最多，亚洲女性的假阴性诊断最多。算法

“这些模型在白人女性中表现最高，在亚洲女性中表现最低，”生物工程助理教授帕克说。“这告诉我们机器学习方法并没有平等地对待种族群体。”

帕克表示，虽然他们有兴趣了解人工智能工具如何预测特定种族的疾病，但他们的研究还可以帮助医学科学家了解与不同种族背景的女性细菌相关的因素，这可以改善治疗方法。

BV 是最常见的阴道感染之一，可引起不适和疼痛，当自然细菌水平失衡时就会发生。虽然细菌性阴道病有相关症状，但许多人没有任何症状，因此很难诊断。

它通常不会引起并发症，但在某些情况下，细菌性阴道炎会增加性传播感染、流产和早产的风险。

研究人员表示，他们的发现表明需要改进构建人工智能工具的方法，以减轻医疗保健偏见。