阿爾茨海默病（AD）是一種進行性神經退行性疾病，以不可逆的認知衰退為特徵。準確建模疾病進展對於早期發現和有效患者管理至關重要。生存分析作為一種考慮時間至事件資料的方法，已成為AD研究和臨床護理中的重要工具。近年來，深度學習在生存分析任務中取得了顯著效能，例如在癌症預後等領域，但在AD領域的應用仍然十分有限。更令人擔憂的是，現有研究極少考慮模型內部學到的偏見，這可能導致對特定邊緣群體產生不公平且不可靠的預測。
為了填補這一空白，Jacob Thrasher及其同事在IEEE/ACM連線健康會議上發表了一項新研究，對非引數深度生存模型在AD進展分析中的可信度進行了嚴格評估。研究團隊進行了全面的公平性分析和特徵重要性研究，以確定最關鍵的預測特徵。他們特別提出了兩種新的公平性度量指標：時間依賴一致性雜質（Time-Dependent Concordance Impurity）和Kaplan-Meier公平性（Kaplan-Meier Fairness），旨在量化模型關於性別、種族和教育等敏感屬性的偏見。
研究結果表明，儘管深度學習驅動的生存模型是強大的工具，能夠輔助臨床醫生做出AD護理決策，但它們經常表現出相當大的偏見。例如，模型可能對某些人口統計群體產生系統性的預測誤差，從而加劇醫療不平等。作者強調，這些結果突顯了未來研究的重要方向，尤其是在醫療AI應用中開發公平意識模型的緊迫需求。透過引入這些新指標，該工作為評估和減輕非引數生存模型中的偏見提供了框架，有助於構建更公平、更可靠的醫療AI系統。該論文於2026年4月10日提交至arXiv，並將發表於IEEE/ACM連線健康會議。