論文の概要: Progress and Prospects for Fairness in Healthcare and Medical Image
Analysis
- arxiv url: http://arxiv.org/abs/2209.13177v5
- Date: Thu, 25 May 2023 00:14:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 23:58:01.024326
- Title: Progress and Prospects for Fairness in Healthcare and Medical Image
Analysis
- Title(参考訳): 医療・医用画像分析における公正性の進展と展望
- Authors: Zikang Xu, Jun Li, Qingsong Yao, S. Kevin Zhou
- Abstract要約: 機械学習対応医療画像分析(MedIA)の公平性には、さらなる努力が必要である。
まず、フェアネスの定義を議論し、医用画像のバイアス源を分析した。
我々は,MedIAの公平性を評価するために利用可能な,公開医療画像データセットのコレクションを提示する。
- 参考スコア(独自算出の注目度): 19.082010077532335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning-enabled medical imaging analysis has become a vital part of
the current automatic diagnosis system. However, machine learning models have
been shown to demonstrate a systematic bias towards certain subgroups of
people, e.g., giving a worse predictive performance to old females. It is
harmful and dangerous in such a sensitive area and therefore researchers have
been working on developing bias mitigation algorithms to address the fairness
issue in the general machine learning field. However, given the specific
characteristics of medical imaging, fairness in medical image analysis (MedIA)
requires additional efforts. Hence, in this survey, we give a comprehensive
review of the current progress of fairness study and that in MedIA.
Specifically, we first discuss the definitions of fairness and analyze the
source of bias in medical imaging. Then, we discuss current research on
fairness for MedIA and present a collection of public medical imaging datasets
that can be used for evaluating fairness in MedIA. Furthermore, we conduct
extensive experiments to evaluate the fairness of several different tasks for
medical imaging, including classification, object detection, and landmark
detection. Finally, we discuss the challenges and potential future directions
in developing fair MedIA.
- Abstract(参考訳): 機械学習を利用した医療画像解析は、現在の自動診断システムにおいて重要な部分となっている。
しかし、機械学習モデルは、例えば、年配の女性に悪い予測性能を与えるような、ある種のサブグループに対する体系的な偏見を示すことが示されている。
このような敏感な領域では有害で危険であるため、研究者は一般的な機械学習分野における公平性問題に対処するバイアス軽減アルゴリズムの開発に取り組んでいる。
しかし, 医用画像の特徴を考慮すれば, 医療用画像解析(MedIA)の公平性にはさらなる努力が必要である。
そこで本調査では, フェアネス研究の現在の動向と, メディアにおけるその状況について概観する。
具体的には、まず公平さの定義を議論し、医療画像におけるバイアスの原因を分析する。
そこで我々は,MedIAの公正性に関する現在の研究について論じ,また,MedIAの公正性を評価するために利用可能な公開医療画像データセットのコレクションについて述べる。
さらに, 分類, 物体検出, ランドマーク検出など, 医療画像における様々なタスクの公平性を評価するために, 広範囲にわたる実験を行った。
最後に,フェアメディア開発における課題と今後の方向性について論じる。
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。