論文の概要: Addressing Artificial Intelligence Bias in Retinal Disease Diagnostics

• arxiv url: http://arxiv.org/abs/2004.13515v4
• Date: Wed, 2 Dec 2020 15:11:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 22:34:24.237910
• Title: Addressing Artificial Intelligence Bias in Retinal Disease Diagnostics
• Title（参考訳）: 網膜疾患診断における人工知能バイアスの対応
• Authors: Philippe Burlina, Neil Joshi, William Paul, Katia D. Pacheco, Neil M. Bressler
• Abstract要約: 本研究は糖尿病網膜症の診断におけるAIバイアスの予測法について検討した。 ディープラーニングシステム(DLS)は、当初トレーニングされなかったテスト/推論時に概念に直面します。 データの不均衡とドメインの一般化が、サブポピュレーション間の精度の相違につながることを示す。
• 参考スコア（独自算出の注目度）: 5.34430209078787
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study evaluated generative methods to potentially mitigate AI bias when diagnosing diabetic retinopathy (DR) resulting from training data imbalance, or domain generalization which occurs when deep learning systems (DLS) face concepts at test/inference time they were not initially trained on. The public domain Kaggle-EyePACS dataset (88,692 fundi and 44,346 individuals, originally diverse for ethnicity) was modified by adding clinician-annotated labels and constructing an artificial scenario of data imbalance and domain generalization by disallowing training (but not testing) exemplars for images of retinas with DR warranting referral (DR-referable) and from darker-skin individuals, who presumably have greater concentration of melanin within uveal melanocytes, on average, contributing to retinal image pigmentation. A traditional/baseline diagnostic DLS was compared against new DLSs that would use training data augmented via generative models for debiasing. Accuracy (95% confidence intervals [CI]) of the baseline diagnostics DLS for fundus images of lighter-skin individuals was 73.0% (66.9%, 79.2%) vs. darker-skin of 60.5% (53.5%, 67.3%), demonstrating bias/disparity (delta=12.5%) (Welch t-test t=2.670, P=.008) in AI performance across protected subpopulations. Using novel generative methods for addressing missing subpopulation training data (DR-referable darker-skin) achieved instead accuracy, for lighter-skin, of 72.0% (65.8%, 78.2%), and for darker-skin, of 71.5% (65.2%,77.8%), demonstrating closer parity (delta=0.5%) in accuracy across subpopulations (Welch t-test t=0.111, P=.912). Findings illustrate how data imbalance and domain generalization can lead to disparity of accuracy across subpopulations, and show that novel generative methods of synthetic fundus images may play a role for debiasing AI.
• Abstract（参考訳）: 本研究では、トレーニングデータ不均衡に起因する糖尿病網膜症(DR)の診断や、まだトレーニングされていないテスト/推論時に深層学習システム(DLS)が概念に直面するドメイン一般化において、AIバイアスを緩和する生成手法の評価を行った。 The public domain Kaggle-EyePACS dataset (88,692 fundi and 44,346 individuals, originally diverse for ethnicity) was modified by adding clinician-annotated labels and constructing an artificial scenario of data imbalance and domain generalization by disallowing training (but not testing) exemplars for images of retinas with DR warranting referral (DR-referable) and from darker-skin individuals, who presumably have greater concentration of melanin within uveal melanocytes, on average, contributing to retinal image pigmentation. 従来の/ベースライン診断dlsは、デバイアスのために生成モデルによって拡張されたトレーニングデータを使用する新しいdlssと比較された。 足底画像のベースライン診断の精度(95%信頼区間[CI])は73.0%(66.9%、79.2%)、60.5%(53.5%、67.3%)、偏差/偏差(デルタ=12.5%)を示す(Welch t-test t=2.670、P=.008)。 不足したサブポピュレーショントレーニングデータ(DR-referable darker-skin)に対処する新しい生成法を使用することで、軽量皮膚では72.0%(65.8%、78.2%)、ダークスキンでは71.5%(65.2%、77.8%)の精度を達成した。 その結果、データの不均衡とドメインの一般化は、サブ集団間の精度のばらつきを招き、新しい合成眼底画像生成法がaiのデバイアスに寄与する可能性が示された。

関連論文リスト

• Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
  患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。 われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
  論文  参考訳（メタデータ） (2024-10-14T13:49:04Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Clinical Melanoma Diagnosis with Artificial Intelligence: Insights from a Prospective Multicenter Study [1.2397589403129072]
  AIはメラノーマの検出を強化するのに役立つことが証明されている。 現存する研究は、サンプルサイズが低いこと、同質なデータセットが多すぎること、希少なメラノーマ亜型の欠如によって制限されている。 メラノーマの診断精度と皮膚科医の診断精度を比較検討し, 確立されたメラノーマ検出用オープンソースアルゴリズムである「All Data is Ext」(ADAE)を評価した。
  論文  参考訳（メタデータ） (2024-01-25T14:03:54Z)
• Toward Clinically Trustworthy Deep Learning: Applying Conformal Prediction to Intracranial Hemorrhage Detection [0.0]
  本研究は、CQ500データセットから得られた491個の非コントラスト頭部CTを用いて、頭蓋内出血(ICH)を含むスライスを3人の放射線科医が注視した振り返り研究である。 DLモデルは,定値データ(トレーニングデータセット)から146症例(10,815スライス)を対象に,ICHの局在化と分類を行うための訓練を行った。 不確実性を考慮したDLモデルを8,401件の定型的かつ難解なケースで検証し,課題の特定能力を評価した。
  論文  参考訳（メタデータ） (2024-01-16T02:26:29Z)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• Deep neural network improves the estimation of polygenic risk scores for breast cancer [3.9918594409417576]
  ポリジェニックリスクスコア(PRS)は、ゲノム全体にわたる多くの遺伝的変異に基づいて、複雑な疾患の個体の遺伝的リスクを推定する。 ディープニューラルネットワーク(DNN)は、代替機械学習技術より優れ、統計的アルゴリズムを確立した。
  論文  参考訳（メタデータ） (2023-07-24T13:35:36Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Interpretable Survival Prediction for Colorectal Cancer using Deep Learning [2.9084170197404844]
  本研究は,第IIステージおよび第IIIステージ大腸癌の生存率を予測するための深層学習システム(DLS)を開発した。 深層学習に基づく画像類似性モデルから埋め込みをクラスタリングすることで、人間の解釈可能な組織学的特徴を生成した。 提案手法は,確率的深層学習モデルからの予測を解析し,潜在的に未知の確率的特徴を明らかにするのに有用である。
  論文  参考訳（メタデータ） (2020-11-17T21:57:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。