В исследовании, опубликованном в журнале 'Artificial Intelligence in Medicine', авторы предлагают инновационный метод борьбы с алгоритмической предвзятостью при анализе рентгенограмм грудной клетки. Основная проблема современных ИИ-систем заключается в том, что они могут опираться на нерелевантные признаки (например, маркеры оборудования или демографические особенности), что ведет к ошибкам в диагностике. Исследователи Xinwei Lai и коллеги разработали архитектуру на основе обучения распутанных представлений (disentangled representation learning), которая позволяет разделить клинически значимые признаки патологий и мешающие факторы (confounders). Методология направлена на создание дебайасированных признаков, что обеспечивает более высокую точность и справедливость (fairness) моделей при работе с различными группами пациентов. Результаты демонстрируют, что предложенный подход существенно снижает риск ложноположительных и ложноотрицательных диагнозов, вызванных систематическими ошибками в данных. Данная работа имеет критическое значение для внедрения ИИ в клиническую радиологическую практику, гарантируя надежность автоматизированной диагностики.