Mitigação de Disparidades de Gênero em Modelos de Regressão de Redes Neurais Multitarefas Aplicado a Doença de Parkinson

• Bruno Pires M. Silva UNIFESP
• Lilian Berton UNIFESP
• Luiz Leduino de Salles Neto UNIFESP

DOI: https://doi.org/10.5753/sbcas.2025.6995

Resumo

Fairness em modelos preditivos é um aspecto crucial, especialmente em contextos sensíveis como a saúde, onde disparidades podem resultar em consequências graves. Este trabalho propõe uma solução para mitigar tais disparidades em problemas de regressão. A abordagem emprega uma rede neural multitarefa modificada, na qual são realizadas modificações na função de perda para redução da disparidade dos erros entre os sexos. O modelo foi aplicado num conjunto de dados de pacientes com Parkinson para prever um escore sobre a progressão da doença. Os resultados preliminares mostram a capacidade de predição do sexo e um desempenho satisfatório na tarefa de regressão.

Referências

Barocas, S., Hardt, M., and Narayanan, A. (2018). Fairness and machine learning. fairmlbook. org, 2019.

Cozman, F. G. and Kaufman, D. (2022). Viés no aprendizado de máquina em sistemas de inteligência artificial: a diversidade de origens e os caminhos de mitigação. Revista USP, (135):195–210.

Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., Venugopalan, S., Widner, K., Madams, T., Cuadros, J., et al. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. jama, 316(22):2402–2410.

Gursoy, F. and Kakadiaris, I. A. (2022). Error parity fairness: Testing for group fairness in regression tasks. arXiv preprint arXiv:2208.08279.

Obermeyer, Z., Powers, B., Vogeli, C., and Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464):447–453.

Pessach, D. and Shmueli, E. (2022). A review on fairness in machine learning. ACM Computing Surveys (CSUR), 55(3):1–44.

Pfohl, S. R., Foryciarz, A., and Shah, N. H. (2021). An empirical characterization of fair machine learning for clinical risk prediction. Journal of biomedical informatics, 113:103621.

Sun, Q., Akman, A., and Schuller, B. W. (2025). Explainable artificial intelligence for medical applications: A review. ACM Trans. Comput. Healthcare, 6(2).

Tsanas, A. and Little, M. (2009). Parkinsons Telemonitoring. UCI Machine Learning Repository. DOI: 10.24432/C5ZS3N.

Yu, K. and Luo, X. (2024). Intelligent diagnosis and progression analysis of alzheimer’s disease using machine learning. In Proceedings of the 2024 5th International Symposium on Artificial Intelligence for Medicine Science, pages 66–72.

Zemel, R., Wu, Y., Swersky, K., Pitassi, T., and Dwork, C. (2013). Learning fair representations. In International conference on machine learning, pages 325–333. PMLR.

Zhang, B. H., Lemoine, B., and Mitchell, M. (2018). Mitigating unwanted biases with adversarial learning. In Proceedings of the 2018 AAAI/ACM Conference on AI, Ethics, and Society, pages 335–340.