論文の概要: Not Color Blind: AI Predicts Racial Identity from Black and White Retinal Vessel Segmentations

• arxiv url: http://arxiv.org/abs/2109.13845v1
• Date: Tue, 28 Sep 2021 16:21:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 17:22:22.666271
• Title: Not Color Blind: AI Predicts Racial Identity from Black and White Retinal Vessel Segmentations
• Title（参考訳）: 色盲でない:aiは、白黒の網膜血管のセグメンテーションから人種的アイデンティティを予測する
• Authors: Aaron S. Coyner, Praveer Singh, James M. Brown, Susan Ostmo, R.V. Paul Chan, Michael F. Chiang, Jayashree Kalpathy-Cramer, J. Peter Campbell
• Abstract要約: 近年の研究では、畳み込みニューラルネットワーク(CNN)が、これまで人種固有の特徴を含んでいなかった画像から人種を予測することが示されている。 未熟児網膜症(ROP)を検診した患者の網膜血管地図(RVM)には,レース特有の特徴が含まれているかを検討した。
• 参考スコア（独自算出の注目度）: 10.329356352902977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Artificial intelligence (AI) may demonstrate racial bias when skin or choroidal pigmentation is present in medical images. Recent studies have shown that convolutional neural networks (CNNs) can predict race from images that were not previously thought to contain race-specific features. We evaluate whether grayscale retinal vessel maps (RVMs) of patients screened for retinopathy of prematurity (ROP) contain race-specific features. Methods: 4095 retinal fundus images (RFIs) were collected from 245 Black and White infants. A U-Net generated RVMs from RFIs, which were subsequently thresholded, binarized, or skeletonized. To determine whether RVM differences between Black and White eyes were physiological, CNNs were trained to predict race from color RFIs, raw RVMs, and thresholded, binarized, or skeletonized RVMs. Area under the precision-recall curve (AUC-PR) was evaluated. Findings: CNNs predicted race from RFIs near perfectly (image-level AUC-PR: 0.999, subject-level AUC-PR: 1.000). Raw RVMs were almost as informative as color RFIs (image-level AUC-PR: 0.938, subject-level AUC-PR: 0.995). Ultimately, CNNs were able to detect whether RFIs or RVMs were from Black or White babies, regardless of whether images contained color, vessel segmentation brightness differences were nullified, or vessel segmentation widths were normalized. Interpretation: AI can detect race from grayscale RVMs that were not thought to contain racial information. Two potential explanations for these findings are that: retinal vessels physiologically differ between Black and White babies or the U-Net segments the retinal vasculature differently for various fundus pigmentations. Either way, the implications remain the same: AI algorithms have potential to demonstrate racial bias in practice, even when preliminary attempts to remove such information from the underlying images appear to be successful.
• Abstract（参考訳）: 背景:人工知能(AI)は、医療画像に皮膚や脈絡膜色素化が存在する場合に、人種的偏見を示す可能性がある。 近年の研究では、畳み込みニューラルネットワーク(CNN)が、これまで人種固有の特徴を含んでいなかった画像から人種を予測することが示されている。 未熟児網膜症(ROP)を検診した患者の網膜血管地図(RVM)には,レース特有の特徴が含まれているかを検討した。 方法:245人の黒と白の乳児から4095個の網膜基底像(RFI)を採取した。 U-Net は RFI から RVM を生成した。 黒と白の目の違いが生理的かどうかを判断するために、cnnはカラーrfi、生のrvm、しきい値、バイナリ化、または骨格化されたrvmから人種を予測するように訓練された。 高精度リコール曲線 (AUC-PR) に基づく領域の評価を行った。 発見: CNNはRFIからのレースをほぼ完璧に予測した(画像レベルAUC-PR:0.999、主題レベルAUC-PR:1.000)。 RVMはカラーRFI(画像レベルAUC-PR:0.938、被写体レベルAUC-PR:0.995)と同じくらい情報的であった。 最終的に、CNNは、色を含む画像、血管のセグメンテーション輝度の違いが無効化されているか、または血管のセグメンテーション幅が正常化されているかにかかわらず、RFIまたはRVMが黒または白の赤ちゃんのものであるかを検出することができた。 解釈:aiは人種情報を含まない灰色スケールのrvmから人種を検出することができる。 網膜血管は、黒と白の赤ちゃんまたはu-netのセグメントの間で生理的に異なるが、様々な眼底色素形成では網膜血管は異なる。 いずれにせよ、AIアルゴリズムは、基礎となる画像からそのような情報を削除しようとする予備的な試みが成功したとしても、実際に人種的偏見を示す可能性がある。

関連論文リスト

• Pfungst and Clever Hans: Identifying the unintended cues in a widely used Alzheimer's disease MRI dataset using explainable deep learning [0.1398098625978622]
  ディープニューラルネットワークはアルツハイマー病(AD)の分類において高い精度を示している 本研究の目的は、ブラックボックスの性質を啓蒙し、T1重み付き(T1w)白質テクスチャの個々の寄与を明らかにすることである。
  論文  参考訳（メタデータ） (2025-01-27T07:37:37Z)
• An investigation into the causes of race bias in AI-based cine CMR segmentation [7.279664622541276]
  心臓磁気共鳴(CMR)画像の分類とセグメンテーションの一連の実験を英国バイオバンクで行った。 画像だけでは高い精度でレースを予測できるが、地上の真実のセグメンテーションでは精度は低い。 分類モデルで最も注目されたのは皮下脂肪などの非ハート領域であった。
  論文  参考訳（メタデータ） (2024-08-05T13:40:33Z)
• Deep Learning Discovery of Demographic Biomarkers in Echocardiography [0.3957768262206625]
  深層学習アルゴリズムを用いて、心エコー画像から年齢、人種、性別を予測することができるかどうかを検証する。 年齢、性別、人種を予測するために、ビデオベースの畳み込みニューラルネットワークをトレーニングしました。 ディープラーニングモデルは、人種を確実に予測できず、年齢と性別を識別できることがわかった。
  論文  参考訳（メタデータ） (2022-07-13T16:48:49Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• H&E-adversarial network: a convolutional neural network to learn stain-invariant features through Hematoxylin & Eosin regression [1.7371375427784381]
  本稿では,様々な色の変化を含むデータに基づいて,畳み込みニューラルネットワーク(CNN)を学習する新しい手法を提案する。 H&E-adversarial CNNと呼ばれるこの手法は、トレーニング中にH&Eマトリックス情報を利用して、染色不変の特徴を学習する。
  論文  参考訳（メタデータ） (2022-01-17T10:34:23Z)
• Reading Race: AI Recognises Patient's Racial Identity In Medical Images [9.287449389763413]
  画像の解釈を行う人間の専門家にとって明らかな、医療画像における人種の相関関係は知られていない。 標準的なディープラーニングモデルは、複数の画像モダリティにまたがる高性能な医療画像から競合を予測するためにトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-07-21T21:10:16Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
  畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。 CNNが予測をしながら色情報に大きく依存していることを実証します。 congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
  論文  参考訳（メタデータ） (2020-12-12T22:55:06Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。