論文の概要: Addressing Fairness Issues in Deep Learning-Based Medical Image Analysis: A Systematic Review

• arxiv url: http://arxiv.org/abs/2209.13177v7
• Date: Tue, 9 Jul 2024 05:56:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-11 00:50:53.104234
• Title: Addressing Fairness Issues in Deep Learning-Based Medical Image Analysis: A Systematic Review
• Title（参考訳）: 深層学習型医用画像解析における公平性問題への対処 : 体系的レビュー
• Authors: Zikang Xu, Jun Li, Qingsong Yao, Han Li, Mingyue Zhao, S. Kevin Zhou,
• Abstract要約: 本稿では,グループフェアネスの基礎を紹介し,フェアネス評価と不公平軽減の2つに分類する。 我々の調査は、公正なMedIAと医療システムを確立する上での既存の課題と機会に関する議論から締めくくっている。
• 参考スコア（独自算出の注目度）: 27.949773485090592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning algorithms have demonstrated remarkable efficacy in various medical image analysis (MedIA) applications. However, recent research highlights a performance disparity in these algorithms when applied to specific subgroups, such as exhibiting poorer predictive performance in elderly females. Addressing this fairness issue has become a collaborative effort involving AI scientists and clinicians seeking to understand its origins and develop solutions for mitigation within MedIA. In this survey, we thoroughly examine the current advancements in addressing fairness issues in MedIA, focusing on methodological approaches. We introduce the basics of group fairness and subsequently categorize studies on fair MedIA into fairness evaluation and unfairness mitigation. Detailed methods employed in these studies are presented too. Our survey concludes with a discussion of existing challenges and opportunities in establishing a fair MedIA and healthcare system. By offering this comprehensive review, we aim to foster a shared understanding of fairness among AI researchers and clinicians, enhance the development of unfairness mitigation methods, and contribute to the creation of an equitable MedIA society.
• Abstract（参考訳）: 深層学習アルゴリズムは様々な医療画像解析(MedIA)の応用において顕著な効果を示した。 しかし,近年の研究では,高齢者の予測能力の低下など,特定のサブグループに適用した場合のアルゴリズムの性能格差が強調されている。 この公正問題に対処することは、AI科学者と臨床医が協力して、その起源を理解し、MedIA内で緩和のためのソリューションを開発しようとしている。 本調査では,MedIAにおける公平性問題に対する方法論的アプローチを中心に,現状の進歩を徹底的に検討する。 本稿では,グループフェアネスの基礎を紹介し,フェアネス評価と不公平度軽減に向け,フェアフェアMedIAの研究を分類する。 これらの研究に用いた詳細な方法も紹介する。 我々の調査は、公正なMedIAと医療システムを確立する上での既存の課題と機会に関する議論から締めくくっている。 この総合的なレビューを提供することにより、AI研究者と臨床医の間での公正性の共通理解を促進し、不公平緩和手法の開発を促進し、公平なメディア社会の創出に寄与することを目指している。

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。