論文の概要: Analysing race and sex bias in brain age prediction
- arxiv url: http://arxiv.org/abs/2309.10835v1
- Date: Tue, 19 Sep 2023 14:40:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 18:14:23.731263
- Title: Analysing race and sex bias in brain age prediction
- Title(参考訳): 脳年齢予測における人種と性バイアスの分析
- Authors: Carolina Pi\c{c}arra and Ben Glocker
- Abstract要約: 本稿では,サブグループ性能解析と特徴検査を行うことにより,一般的なResNet-34モデルを解析する。
その結果,黒,白,黒,アジア,男女の予測性能に統計的に有意な差が認められた。
- 参考スコア(独自算出の注目度): 18.68533487971233
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain age prediction from MRI has become a popular imaging biomarker
associated with a wide range of neuropathologies. The datasets used for
training, however, are often skewed and imbalanced regarding demographics,
potentially making brain age prediction models susceptible to bias. We analyse
the commonly used ResNet-34 model by conducting a comprehensive subgroup
performance analysis and feature inspection. The model is trained on 1,215
T1-weighted MRI scans from Cam-CAN and IXI, and tested on UK Biobank
(n=42,786), split into six racial and biological sex subgroups. With the
objective of comparing the performance between subgroups, measured by the
absolute prediction error, we use a Kruskal-Wallis test followed by two
post-hoc Conover-Iman tests to inspect bias across race and biological sex. To
examine biases in the generated features, we use PCA for dimensionality
reduction and employ two-sample Kolmogorov-Smirnov tests to identify
distribution shifts among subgroups. Our results reveal statistically
significant differences in predictive performance between Black and White,
Black and Asian, and male and female subjects. Seven out of twelve pairwise
comparisons show statistically significant differences in the feature
distributions. Our findings call for further analysis of brain age prediction
models.
- Abstract(参考訳): MRIによる脳年齢予測は、幅広い神経病理に関連する画像バイオマーカーとして人気がある。
しかし、トレーニングに使用されるデータセットは、しばしば人口統計に関して歪んで不均衡であり、脳年齢予測モデルがバイアスの影響を受けやすい可能性がある。
我々は,一般的なresnet-34モデルを総合的なサブグループパフォーマンス分析と機能インスペクションによって分析する。
このモデルは、Cam-CANとIXIの1215T1強調MRIスキャンで訓練され、UK Biobank (n=42,786)で試験され、6つの人種および生物学的セックスサブグループに分けられる。
絶対予測誤差によって測定されたサブグループ間でのパフォーマンスを比較することを目的として,Kruskal-WallisテストとCorover-Imanテストの2つを用いて,人種および生物学的性間の偏見を検査した。
生成した特徴のバイアスを調べるために,PCAを用いて次元の低減を行い,2サンプルのコルモゴロフ・スミルノフ試験を用いて部分群間の分布シフトを同定する。
その結果、黒と白、黒とアジア、男女の予測性能は統計的に有意な差が認められた。
12対中7対が特徴分布に統計的に有意な差を示した。
以上の結果から,脳年齢予測モデルのさらなる分析が求められた。
関連論文リスト
- A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳(メタデータ) (2024-05-13T17:49:20Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳(メタデータ) (2024-04-26T16:39:50Z) - Studying the Effects of Sex-related Differences on Brain Age Prediction
using brain MR Imaging [0.3958317527488534]
脳磁気共鳴画像(MRI)に基づく機械学習モデルを開発する際の性に関するバイアスについて検討する。
異なる実験設計を考慮に入れた脳年齢予測を行い,性別の影響について検討した。
異なる性別サブグループとデータセットで訓練した脳年齢予測モデルの性能に相違が認められた。
論文 参考訳(メタデータ) (2023-10-17T20:55:53Z) - Adapting Machine Learning Diagnostic Models to New Populations Using a Small Amount of Data: Results from Clinical Neuroscience [21.420302408947194]
我々は、ソースグループからのデータを最適に組み合わせ、ターゲットグループで予測する、重み付き経験的リスク最小化手法を開発した。
本研究では,アルツハイマー病の診断と脳年齢推定のためのMLモデルを構築するため,20の神経画像研究から15,363人のマルチソースデータに適用した。
論文 参考訳(メタデータ) (2023-08-06T18:05:39Z) - Risk of Bias in Chest Radiography Deep Learning Foundation Models [14.962566915809264]
2002年10月から2017年7月までに収集されたCheXpertデータセットから,42,884人の胸部X線写真127,118点(平均年齢63[SD]17歳,男性23,623点,女性19,261点)を使用した。
生物学的セックスと人種における12対比較のうち10は、研究基盤モデルに統計的に有意な差が認められた。
男性と女性 (P .001) とアジアと黒人 (P .001) の間に有意な差がみられた。
論文 参考訳(メタデータ) (2022-09-07T07:16:30Z) - Deep Learning Discovery of Demographic Biomarkers in Echocardiography [0.3957768262206625]
深層学習アルゴリズムを用いて、心エコー画像から年齢、人種、性別を予測することができるかどうかを検証する。
年齢、性別、人種を予測するために、ビデオベースの畳み込みニューラルネットワークをトレーニングしました。
ディープラーニングモデルは、人種を確実に予測できず、年齢と性別を識別できることがわかった。
論文 参考訳(メタデータ) (2022-07-13T16:48:49Z) - Machine Learning Models Are Not Necessarily Biased When Constructed
Properly: Evidence from Neuroimaging Studies [19.288217559980545]
我々は、適切に訓練された機械学習モデルが、様々な条件にまたがって適切に一般化できる実験データを提供する。
具体的には、アルツハイマー病、統合失調症、自閉症スペクトラム障害の診断にマルチスタディ磁気共鳴画像コンソーシアを用いて、よく訓練されたモデルの精度が、異なるサブグループ間で一致していることが判明した。
論文 参考訳(メタデータ) (2022-05-26T15:24:39Z) - rfPhen2Gen: A machine learning based association study of brain imaging
phenotypes to genotypes [71.1144397510333]
56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。
アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。
ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
論文 参考訳(メタデータ) (2022-03-31T20:15:22Z) - LOGAN: Local Group Bias Detection by Clustering [86.38331353310114]
コーパスレベルでバイアスを評価することは、モデルにバイアスがどのように埋め込まれているかを理解するのに十分ではない、と我々は主張する。
クラスタリングに基づく新しいバイアス検出手法であるLOGANを提案する。
毒性分類および対象分類タスクの実験は、LOGANが局所領域のバイアスを特定することを示している。
論文 参考訳(メタデータ) (2020-10-06T16:42:51Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳(メタデータ) (2020-08-29T11:50:37Z) - InsideBias: Measuring Bias in Deep Networks and Application to Face
Gender Biometrics [73.85525896663371]
この研究は、ディープニューラルネットワークアーキテクチャに基づく学習プロセスのバイアスについて検討する。
一般的なディープニューラルネットワークに基づく2つの性別検出モデルを採用している。
バイアスモデルを検出する新しい手法であるInsideBiasを提案する。
論文 参考訳(メタデータ) (2020-04-14T15:20:50Z)
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。