FAST-CAD: Fairness‑bewusstes Framework für kontaktlose Schlaganfalldiagnose

Schlaganfälle sind akute Erkrankungen, bei denen eine schnelle Diagnose die Überlebenschancen erheblich steigert. Bisherige automatisierte Diagnosemethoden zeigen jedoch deutliche Ungleichheiten zwischen verschiedenen Bevölkerungsgruppen, was die Gefahr von Gesundheitsdisparitäten erhöht.

Das neue Framework FAST‑CAD verbindet theoretisch fundiertes Domain‑Adversarial‑Training (DAT) mit Group‑Distributionally Robust Optimization (Group‑DRO). Durch diese Kombination werden sowohl die Genauigkeit als auch die Fairness der Diagnosen verbessert, und die Autoren liefern Konvergenzgarantien sowie Fairness‑Grenzen.

Für die Evaluation wurde ein multimodales Datensatz mit 12 demografischen Untergruppen – definiert nach Alter, Geschlecht und Körperhaltung – zusammengestellt. FAST‑CAD nutzt selbstüberwachende Encoder, die mithilfe von adversarialen Domain‑Discriminatoren demografisch invariant bleiben. Gleichzeitig optimiert Group‑DRO das Risiko der schlechtesten Gruppe, um eine robuste Leistung über alle Subgruppen hinweg sicherzustellen.

Umfangreiche Experimente zeigen, dass FAST‑CAD nicht nur die diagnostische Leistung übertrifft, sondern gleichzeitig Fairness über sämtliche demografischen Gruppen hinweg gewährleistet. Die theoretische Analyse bestätigt die Wirksamkeit des kombinierten DAT‑+‑Group‑DRO-Ansatzes und liefert wertvolle Einblicke für die Entwicklung gerechter medizinischer KI‑Systeme.