阿尔茨海默病（AD）是一种进行性神经退行性疾病，以不可逆的认知衰退为特征。准确建模疾病进展对于早期发现和有效患者管理至关重要。生存分析作为一种考虑时间至事件数据的方法，已成为AD研究和临床护理中的重要工具。近年来，深度学习在生存分析任务中取得了显著性能，例如在癌症预后等领域，但在AD领域的应用仍然十分有限。更令人担忧的是，现有研究极少考虑模型内部学到的偏见，这可能导致对特定边缘群体产生不公平且不可靠的预测。
为了填补这一空白，Jacob Thrasher及其同事在IEEE/ACM连接健康会议上发表了一项新研究，对非参数深度生存模型在AD进展分析中的可信度进行了严格评估。研究团队进行了全面的公平性分析和特征重要性研究，以确定最关键的预测特征。他们特别提出了两种新的公平性度量指标：时间依赖一致性杂质（Time-Dependent Concordance Impurity）和Kaplan-Meier公平性（Kaplan-Meier Fairness），旨在量化模型关于性别、种族和教育等敏感属性的偏见。
研究结果表明，尽管深度学习驱动的生存模型是强大的工具，能够辅助临床医生做出AD护理决策，但它们经常表现出相当大的偏见。例如，模型可能对某些人口统计群体产生系统性的预测误差，从而加剧医疗不平等。作者强调，这些结果突显了未来研究的重要方向，尤其是在医疗AI应用中开发公平意识模型的紧迫需求。通过引入这些新指标，该工作为评估和减轻非参数生存模型中的偏见提供了框架，有助于构建更公平、更可靠的医疗AI系统。该论文于2026年4月10日提交至arXiv，并将发表于IEEE/ACM连接健康会议。