論文の概要: Algorithm Fairness in AI for Medicine and Healthcare

• arxiv url: http://arxiv.org/abs/2110.00603v1
• Date: Fri, 1 Oct 2021 18:18:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:48:51.879447
• Title: Algorithm Fairness in AI for Medicine and Healthcare
• Title（参考訳）: 医療・医療におけるAIのアルゴリズムフェアネス
• Authors: Richard J. Chen, Tiffany Y. Chen, Jana Lipkova, Judy J. Wang, Drew F.K. Williamson, Ming Y. Lu, Sharifa Sahai, and Faisal Mahmood
• Abstract要約: アルゴリズムの公平性は 公平なケアを提供する上で 難しい問題です 人種のサブ人口にまたがるAIモデルの最近の評価では、患者の診断、治療、医療費の請求などにおいて、大きな不平等が明らかになっている。
• 参考スコア（独自算出の注目度）: 4.626801344708786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the current development and deployment of many artificial intelligence (AI) systems in healthcare, algorithm fairness is a challenging problem in delivering equitable care. Recent evaluation of AI models stratified across race sub-populations have revealed enormous inequalities in how patients are diagnosed, given treatments, and billed for healthcare costs. In this perspective article, we summarize the intersectional field of fairness in machine learning through the context of current issues in healthcare, outline how algorithmic biases (e.g. - image acquisition, genetic variation, intra-observer labeling variability) arise in current clinical workflows and their resulting healthcare disparities. Lastly, we also review emerging strategies for mitigating bias via decentralized learning, disentanglement, and model explainability.
• Abstract（参考訳）: 医療における多くの人工知能(AI)システムの開発と展開において、アルゴリズムの公平性は、公平なケアを提供する上で難しい問題である。 人種のサブ人口にまたがるAIモデルの最近の評価は、患者がどのように診断され、治療を受け、医療費を請求されるかに大きな不平等が明らかになっている。 本稿では,医療における現在の課題の文脈を通して,機械学習における公平性の交叉領域を概説し,現在の臨床ワークフローとその結果生じる医療格差において,アルゴリズムバイアス(画像取得,遺伝的変異,オブザーバ内ラベリング変動など)がどのように発生するかを概説する。 最後に,分散学習,絡み合い,モデル説明可能性によるバイアス軽減のための新たな戦略について検討する。

関連論文リスト

• AI-Driven Healthcare: A Survey on Ensuring Fairness and Mitigating Bias [2.398440840890111]
  AIアプリケーションは、診断精度、治療のパーソナライゼーション、患者の結果予測を大幅に改善した。 これらの進歩は、実質的な倫理的・公正性の課題ももたらした。 これらのバイアスは、医療提供の格差をもたらし、異なる人口集団の診断精度と治療結果に影響を与える可能性がある。
  論文  参考訳（メタデータ） (2024-07-29T02:39:17Z)
• Towards Clinical AI Fairness: Filling Gaps in the Puzzle [15.543248260582217]
  このレビューでは、医療データと提供されたAIフェアネスソリューションの両方に関して、いくつかの欠陥を体系的に指摘する。 AI技術がますます活用されている多くの医療分野において、AIフェアネスの研究の欠如を強調している。 これらのギャップを埋めるために、我々のレビューは医療研究コミュニティとAI研究コミュニティの両方にとって実行可能な戦略を前進させます。
  論文  参考訳（メタデータ） (2024-05-28T07:42:55Z)
• A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
  神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。 重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。 人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
  論文  参考訳（メタデータ） (2024-05-21T06:44:40Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Towards clinical AI fairness: A translational perspective [13.061383127966872]
  本稿では,AIフェアネスの技術的視点と臨床的視点の相違について論じる。 知識ギャップを埋め、可能な解決策を提供するために、多分野の協力を提唱する。
  論文  参考訳（メタデータ） (2023-04-26T12:38:40Z)
• Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
  人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。 異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
  論文  参考訳（メタデータ） (2023-02-13T16:44:44Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• Fair Machine Learning in Healthcare: A Review [90.22219142430146]
  我々は、機械学習と医療格差における公正性の交差を分析する。 機械学習の観点から、関連する公正度メトリクスを批判的にレビューする。 本稿では,医療における倫理的かつ公平なMLアプリケーション開発を約束する新たな研究指針を提案する。
  論文  参考訳（メタデータ） (2022-06-29T04:32:10Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Assessing Fairness in Classification Parity of Machine Learning Models in Healthcare [19.33981403623531]
  医療における分類の公平性に関する予備的結果を示す。 また,医療の文脈において,公平性を向上し,適切な分類アルゴリズムを選択するための探索的手法を提案する。
  論文  参考訳（メタデータ） (2021-02-07T04:46:27Z)

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。