論文の概要: A Survey of Fairness in Medical Image Analysis: Concepts, Algorithms,
Evaluations, and Challenges
- arxiv url: http://arxiv.org/abs/2209.13177v1
- Date: Tue, 27 Sep 2022 06:29:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 15:33:00.848022
- Title: A Survey of Fairness in Medical Image Analysis: Concepts, Algorithms,
Evaluations, and Challenges
- Title(参考訳): 医用画像分析における公正性に関する調査:概念・アルゴリズム・評価・課題
- Authors: Zikang Xu, Jun Li, Qingsong Yao, Han Li, Xin Shi, S. Kevin Zhou
- Abstract要約: 医療画像分析(MedIA)において、公平さの概念を理解し、不公平さ軽減技術に精通し、アルゴリズムの公平度を評価し、公平性問題における課題を認識することが重要である。
公平性をよりよく理解するために、公平性とデータ不均衡の相違を比較検討し、特に分類、セグメンテーション、検出において、様々なMedIAタスクにおける不公平性の存在を検証し、不公平性軽減アルゴリズムの有効性を評価する。
- 参考スコア(独自算出の注目度): 25.97471968309579
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fairness, a criterion focuses on evaluating algorithm performance on
different demographic groups, has gained attention in natural language
processing, recommendation system and facial recognition. Since there are
plenty of demographic attributes in medical image samples, it is important to
understand the concepts of fairness, be acquainted with unfairness mitigation
techniques, evaluate fairness degree of an algorithm and recognize challenges
in fairness issues in medical image analysis (MedIA). In this paper, we first
give a comprehensive and precise definition of fairness, following by
introducing currently used techniques in fairness issues in MedIA. After that,
we list public medical image datasets that contain demographic attributes for
facilitating the fairness research and summarize current algorithms concerning
fairness in MedIA. To help achieve a better understanding of fairness, and call
attention to fairness related issues in MedIA, experiments are conducted
comparing the difference between fairness and data imbalance, verifying the
existence of unfairness in various MedIA tasks, especially in classification,
segmentation and detection, and evaluating the effectiveness of unfairness
mitigation algorithms. Finally, we conclude with opportunities and challenges
in fairness in MedIA.
- Abstract(参考訳): 異なる人口集団におけるアルゴリズムの性能評価に焦点をあてたフェアネスは、自然言語処理、レコメンデーションシステム、顔認識において注目を集めている。
医用画像サンプルには人口統計学的属性が多数存在するため、公平性の概念を理解し、不公平さ緩和技術に精通し、アルゴリズムの公平度を評価し、医用画像解析(media)における公平性問題における課題を認識することが重要である。
本稿では,まず公平性に関する包括的かつ正確な定義を行い,メディアの公平性問題に現在使用されている技術を導入する。
その後、フェアネス研究を促進するために人口統計属性を含む公開医療画像データセットをリストアップし、MedIAのフェアネスに関する現在のアルゴリズムを要約する。
フェアネスの理解を深め、公平性に関連する問題に注意を払うために、フェアネスとデータ不均衡の違いを比較し、特に分類、セグメンテーションおよび検出において、様々なMedIAタスクにおける不公平性の存在を検証し、不公平性軽減アルゴリズムの有効性を評価する実験を行った。
最後に,MedIAにおける公正化の機会と課題を結論付ける。
関連論文リスト
- Learning Unbiased Image Segmentation: A Case Study with Plain Knee
Radiographs [0.4174498230885008]
本研究は, 身近な性別や人種的偏見を明らかにするために, 平易なX線写真を用いて, 深層学習による膝骨解剖の分類を再検討することを目的とする。
提案された緩和戦略は、性別と人種の偏見を緩和し、公平で偏見のないセグメンテーション結果を保証する。
論文 参考訳(メタデータ) (2023-08-08T16:01:11Z) - Fairness in Machine Learning meets with Equity in Healthcare [6.842248432925292]
本研究では,データやモデルのバイアスを識別・緩和する人工知能フレームワークを提案する。
ケーススタディでは、データの体系的バイアスがモデル予測における増幅バイアスにどのように寄与するかを示す。
今後の研究は、提案するMLフレームワークを実世界の臨床環境でテストし、検証することを目的としており、その影響が健康株の促進に与える影響を評価する。
論文 参考訳(メタデータ) (2023-05-11T14:25:34Z) - Towards unraveling calibration biases in medical image analysis [2.4054878434935074]
典型的に採用されるキャリブレーションの指標が,サンプルサイズに対して体系的に偏りがあることを示す。
これは、データ不均衡が人口構成群間で劇的なサンプルサイズ差をもたらすフェアネス研究に特に関係している。
論文 参考訳(メタデータ) (2023-05-09T00:11:35Z) - Adversarial Attack and Defense for Medical Image Analysis: Methods and
Applications [57.206139366029646]
医用画像解析における対人攻撃と防御の進歩に関する総合的な調査を報告する。
医療画像解析のための異なる種類の敵攻撃のための統一的理論的枠組みと防衛方法を提供する。
公正な比較のために、逆向きに堅牢な診断モデルのための新しいベンチマークを構築した。
論文 参考訳(メタデータ) (2023-03-24T16:38:58Z) - MEDFAIR: Benchmarking Fairness for Medical Imaging [44.73351338165214]
MEDFAIRは、医療画像のための機械学習モデルの公正性をベンチマークするフレームワークである。
モデル選択基準の未検討の問題は、公正な結果に重大な影響を及ぼす可能性がある。
異なる倫理的原則を必要とするさまざまな医療応用シナリオを推奨する。
論文 参考訳(メタデータ) (2022-10-04T16:30:47Z) - 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) - Anatomizing Bias in Facial Analysis [86.79402670904338]
既存の顔分析システムでは、特定の集団群に対して偏りのある結果が得られることが示されている。
これらのシステムは、個人の性別、アイデンティティ、肌のトーンに基づいて差別されないようにすることが義務づけられている。
これはAIシステムにおけるバイアスの識別と緩和の研究につながった。
論文 参考訳(メタデータ) (2021-12-13T09:51:13Z) - Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。
医療対話生成のためのエンドツーエンドの変分推論手法を提案する。
行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
論文 参考訳(メタデータ) (2021-05-13T04:14:35Z) - 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)
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。