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

• Exploring LLM-based Data Annotation Strategies for Medical Dialogue Preference Alignment [22.983780823136925]
  本研究は、医療対話モデルを改善するために、AIフィードバック(RLAIF)技術を用いた強化学習(Reinforcement Learning)について検討する。 医療におけるRLAIF研究の主な課題は、自動評価手法の限界である。 標準化された患者診査に基づく新しい評価枠組みを提案する。
  論文  参考訳（メタデータ） (2024-10-05T10:29:19Z)
• Open Challenges on Fairness of Artificial Intelligence in Medical Imaging Applications [3.8236840661885485]
  この章ではまず、データ収集、モデルトレーニング、臨床展開など、さまざまなバイアス源について論じている。 そして、研究者や実践者からの注意を必要とすると信じているオープンな課題について議論する。
  論文  参考訳（メタデータ） (2024-07-24T02:41:19Z)
• A Toolbox for Surfacing Health Equity Harms and Biases in Large Language Models [20.11590976578911]
  大規模言語モデル(LLM)は、複雑な健康情報のニーズを満たすことを約束すると同時に、健康格差を悪化させる可能性がある。 エクイティ関連モデル失敗の信頼性評価は、ヘルスエクイティを促進するシステムを開発するための重要なステップである。 医学的問題に対するLLMによる長期的回答において、株式関連害を生じさせる可能性のあるバイアスを克服するためのリソースと方法論を提示する。
  論文  参考訳（メタデータ） (2024-03-18T17:56:37Z)
• A Survey on Interpretable Cross-modal Reasoning [64.37362731950843]
  マルチメディア分析から医療診断に至るまで、クロスモーダル推論(CMR)が重要な分野として浮上している。 この調査は、解釈可能なクロスモーダル推論(I-CMR)の領域を掘り下げる 本調査では,I-CMRの3段階分類法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T05:06:48Z)
• 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)
• Fairness in Recommender Systems: Research Landscape and Future Directions [119.67643184567623]
  本稿は,近年の地域におけるフェアネスの概念と概念について概観する。 この分野での研究が現在どのように行われているのかを概観する。 全体として、最近の研究成果の分析は、ある研究のギャップを示している。
  論文  参考訳（メタデータ） (2022-05-23T08:34:25Z)
• Algorithm Fairness in AI for Medicine and Healthcare [4.626801344708786]
  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。
  論文  参考訳（メタデータ） (2021-10-01T18:18:13Z)
• 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)
• Technical Challenges for Training Fair Neural Networks [62.466658247995404]
  最先端のアーキテクチャを用いて顔認識と自動診断データセットの実験を行います。 我々は、大きなモデルは公平さの目標に過度に適合し、意図しない、望ましくない結果を生み出すことを観察する。
  論文  参考訳（メタデータ） (2021-02-12T20:36:45Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。