論文の概要: FairDisCo: Fairer AI in Dermatology via Disentanglement Contrastive
Learning
- arxiv url: http://arxiv.org/abs/2208.10013v1
- Date: Mon, 22 Aug 2022 01:54:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 13:30:03.508245
- Title: FairDisCo: Fairer AI in Dermatology via Disentanglement Contrastive
Learning
- Title(参考訳): FairDisCo: 異方性学習による皮膚科におけるより公正なAI
- Authors: Siyi Du, Ben Hers, Nourhan Bayasi, Ghassan Hamarneh, Rafeef Garbi
- Abstract要約: 本研究では,FairDisCoを提案する。
FairDisCoを3つのフェアネス手法、すなわち、再サンプリング、再重み付け、属性認識と比較する。
DPMとEOMの2つのフェアネス指標を多クラスに適用し,皮膚病変分類における皮膚型バイアスを強調した。
- 参考スコア(独自算出の注目度): 11.883809920936619
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models have achieved great success in automating skin lesion
diagnosis. However, the ethnic disparity in these models' predictions, where
lesions on darker skin types are usually underrepresented and have lower
diagnosis accuracy, receives little attention. In this paper, we propose
FairDisCo, a disentanglement deep learning framework with contrastive learning
that utilizes an additional network branch to remove sensitive attributes, i.e.
skin-type information from representations for fairness and another contrastive
branch to enhance feature extraction. We compare FairDisCo to three fairness
methods, namely, resampling, reweighting, and attribute-aware, on two newly
released skin lesion datasets with different skin types: Fitzpatrick17k and
Diverse Dermatology Images (DDI). We adapt two fairness-based metrics DPM and
EOM for our multiple classes and sensitive attributes task, highlighting the
skin-type bias in skin lesion classification. Extensive experimental evaluation
demonstrates the effectiveness of FairDisCo, with fairer and superior
performance on skin lesion classification tasks.
- Abstract(参考訳): 深層学習モデルは皮膚病変の診断の自動化に成功している。
しかしながら、これらのモデルの予測における民族的格差は、通常、より暗い肌型の病変が不足し、診断精度が低く、ほとんど注目されない。
本稿では,FairDisCoを提案する。FairDisCoは,付加的なネットワークブランチを用いて,不公平性を表す表現からスキン型情報を除去し,特徴抽出を強化するための非干渉型深層学習フレームワークである。
皮膚タイプの異なる2つの皮膚病変データセット, fitzpatrick17k と various dermatology images (ddi) について,fairdisco を3つのフェアネス法,すなわち再サンプリング法,再強調法,属性認識法と比較した。
DPMとEOMの2つのフェアネス指標を多クラスに適用し,皮膚病変分類における皮膚型バイアスを強調した。
皮膚病変分類におけるFairDisCoの有効性について検討した。
関連論文リスト
- Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳(メタデータ) (2024-02-16T05:16:20Z) - DDI-CoCo: A Dataset For Understanding The Effect Of Color Contrast In
Machine-Assisted Skin Disease Detection [51.92255321684027]
皮膚のトーンと色差効果の相互作用について検討し,色差が皮膚のトーン間のモデル性能バイアスの新たな原因となる可能性が示唆された。
我々の研究は皮膚疾患の検出を改善するために皮膚科のAIに補完的な角度を提供する。
論文 参考訳(メタデータ) (2024-01-24T07:45:24Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - FEDD -- Fair, Efficient, and Diverse Diffusion-based Lesion Segmentation
and Malignancy Classification [2.076716889858164]
皮膚病変の分類と悪性度分類のためのフェア,エフェクト,ディバース拡散に基づくフレームワークを提案する。
5%,10%,15%,20%のラベル付き試料を用いて,0.18,0.13,0.06,0.07の相互結合の改善を実現した。
Diverse Dermatology Imagesの10%で訓練されたFedは、悪性度分類の精度が最先端と比較して81%、14%高いことを示した。
論文 参考訳(メタデータ) (2023-07-21T15:42:01Z) - Can Domain Adaptation Improve Accuracy and Fairness of Skin Lesion
Classification? [55.49029146917322]
各種非教師付き領域適応法(UDA)の2値・多値皮膚病変分類における適用可能性について検討した。
実験の結果,UDAは二分分類に有効であり,不均衡が緩和された場合にはさらなる改善が見られた。
本研究は,少数派に対する偏見を効果的に低減し,公平性を重視したテクニックを明示的に用いなくても公平性を促進できることを示した。
論文 参考訳(メタデータ) (2023-07-06T17:32:38Z) - CIRCLe: Color Invariant Representation Learning for Unbiased
Classification of Skin Lesions [16.65329510916639]
皮膚病変分類における公平性を改善するための深層表現学習法であるCIRCLeを提案する。
6種類のフィッツパトリック皮膚型と114の疾患にまたがる16k以上の画像において,CIRCLeの最先端性よりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-08-29T12:06:10Z) - EdgeMixup: Improving Fairness for Skin Disease Classification and
Segmentation [9.750368551427494]
皮膚病変は、広範囲の感染症やその他の病気の早期の指標である可能性がある。
深層学習(DL)モデルを用いた皮膚病変の診断は,プレスクリーニング患者を支援できる可能性が高い。
これらのモデルは、トレーニングデータに固有のバイアスを学習することが多く、ライトやダークスキンのトーンを持つ人の診断において、パフォーマンスのギャップを生じさせる可能性がある。
論文 参考訳(メタデータ) (2022-02-28T15:33:31Z) - SuperCon: Supervised Contrastive Learning for Imbalanced Skin Lesion
Classification [9.265557367859637]
SuperConは、皮膚病変分類におけるクラス不均衡問題を克服するための2段階のトレーニング戦略である。
2段階のトレーニング戦略は,クラス不均衡の分類問題に効果的に対処し,F1スコアとAUCスコアの点で既存の作業を大幅に改善する。
論文 参考訳(メタデータ) (2022-02-11T15:19:36Z) - Detecting Melanoma Fairly: Skin Tone Detection and Debiasing for Skin
Lesion Classification [5.71097144710995]
修正された変分オートエンコーダを用いて、ベンチマークとして一般的に使用されるデータセットの皮膚のトーンバイアスを明らかにする。
病変画像の皮膚のトーンを自動的にラベル付けする,効率的かつ効率的なアルゴリズムを提案する。
その後、皮膚のトーンバイアスを軽減するために2つの主要なバイアスアンラーニング技術を使用します。
論文 参考訳(メタデータ) (2022-02-06T18:53:06Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳(メタデータ) (2021-03-07T03:10:32Z) - Alleviating the Incompatibility between Cross Entropy Loss and Episode
Training for Few-shot Skin Disease Classification [76.89093364969253]
そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。
本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。
さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
論文 参考訳(メタデータ) (2020-04-21T00:57:11Z)
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。