論文の概要: Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive
Learning
- arxiv url: http://arxiv.org/abs/2401.15111v1
- Date: Thu, 25 Jan 2024 20:03:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 19:48:38.506575
- Title: Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive
Learning
- Title（参考訳）: コントラスト学習による胸部X線自動診断の公正性向上
- Authors: Mingquan Lin, Tianhao Li, Zhaoyi Sun, Gregory Holste, Ying Ding, Fei
Wang, George Shih, Yifan Peng
- Abstract要約: 提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。
77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
- 参考スコア（独自算出の注目度）: 19.948079693716075
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Purpose: Limited studies exploring concrete methods or approaches to tackle
and enhance model fairness in the radiology domain. Our proposed AI model
utilizes supervised contrastive learning to minimize bias in CXR diagnosis.
Materials and Methods: In this retrospective study, we evaluated our proposed
method on two datasets: the Medical Imaging and Data Resource Center (MIDRC)
dataset with 77,887 CXR images from 27,796 patients collected as of April 20,
2023 for COVID-19 diagnosis, and the NIH Chest X-ray (NIH-CXR) dataset with
112,120 CXR images from 30,805 patients collected between 1992 and 2015. In the
NIH-CXR dataset, thoracic abnormalities include atelectasis, cardiomegaly,
effusion, infiltration, mass, nodule, pneumonia, pneumothorax, consolidation,
edema, emphysema, fibrosis, pleural thickening, or hernia. Our proposed method
utilizes supervised contrastive learning with carefully selected positive and
negative samples to generate fair image embeddings, which are fine-tuned for
subsequent tasks to reduce bias in chest X-ray (CXR) diagnosis. We evaluated
the methods using the marginal AUC difference ($\delta$ mAUC).
Results: The proposed model showed a significant decrease in bias across all
subgroups when compared to the baseline models, as evidenced by a paired T-test
(p<0.0001). The $\delta$ mAUC obtained by our method were 0.0116 (95\% CI,
0.0110-0.0123), 0.2102 (95% CI, 0.2087-0.2118), and 0.1000 (95\% CI,
0.0988-0.1011) for sex, race, and age on MIDRC, and 0.0090 (95\% CI,
0.0082-0.0097) for sex and 0.0512 (95% CI, 0.0512-0.0532) for age on NIH-CXR,
respectively.
Conclusion: Employing supervised contrastive learning can mitigate bias in
CXR diagnosis, addressing concerns of fairness and reliability in deep
learning-based diagnostic methods.
- Abstract（参考訳）: 目的: 放射線領域におけるモデルフェアネスに取り組むための具体的な方法やアプローチを探求する限られた研究。
提案するaiモデルは,cxr診断におけるバイアスを最小限に抑えるために教師付きコントラスト学習を用いる。
資料と方法:本回顧研究では,2023年4月20日現在27,796例の医療画像およびデータ資源センター(midrc)データセットと,1992年から2015年にかけて収集された30,805例の112,120 cxr画像を用いたnih胸部x線(nih-cxr)データセットの2つのデータセットについて検討した。
nih-cxrデータセットでは、胸腔の異常はatelectasis、cardiomegaly、effusion、浸透、質量、結節、肺炎、気胸、圧密、浮腫、気腫、線維症、胸膜肥厚、またはヘルニアである。
提案手法は,胸部X線(CXR)診断におけるバイアスを低減するために,教師付きコントラスト学習と,慎重に選択された正および負のサンプルを用いて公正な画像埋め込みを生成する。
本手法を限界auc差分($\delta$ mauc)を用いて評価した。
結果: 提案モデルでは, 対t-test (p<0.0001) で示されるように, ベースラインモデルと比較すると, 全サブグループで有意な偏りがみられた。
本法により得られた$\delta$ mAUCは,性別・人種・年齢は0.0116 (95\% CI, 0.0110-0.0123), 0.2102 (95% CI, 0.2087-0.2118), 0.1000 (95\% CI, 0.0988-0.1011), 性は0.0090 (95\% CI, 0.0082-0.0097) , NIH-CXRでは0.0512 (95% CI, 0.0512-0.0532) であった。
結論: 教師付きコントラスト学習を用いることは,CXR診断におけるバイアスを軽減し,深層学習に基づく診断手法における公平性と信頼性の懸念に対処する。
関連論文リスト
- Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳（メタデータ） (2023-10-09T18:38:49Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - A Deep Learning Based Workflow for Detection of Lung Nodules With Chest
Radiograph [0.0]
CXRから肺領域を識別するセグメンテーションモデルを構築し,それを16個のパッチに分割した。
これらのラベル付きパッチを使用して、ディープニューラルネットワーク(DNN)モデルを微調整し、パッチをポジティブまたはネガティブに分類する。
論文 参考訳（メタデータ） (2021-12-19T16:19:46Z) - Automated assessment of disease severity of COVID-19 using artificial
intelligence with synthetic chest CT [13.44182694693376]
公開データセットを用いた胸部CT画像の合成にデータ拡張を取り入れた。
合成画像とマスクは、2D U-netニューラルネットワークのトレーニングに使われ、203のCOVID-19データセットでテストされた。
論文 参考訳（メタデータ） (2021-12-11T02:03:30Z) - Lung Cancer Diagnosis Using Deep Attention Based on Multiple Instance
Learning and Radiomics [13.028105771052376]
肺癌の診断をmil(multiple instance learning)問題として扱うことで,臨床における診断過程をよりよく反映する。
分類アルゴリズムとして、放射能を入力特徴の源と深い注意に基づくMILを選択しました。
その結果,平均(SEM)が0.069の標準誤差,0.870(SEM 0.061)のリコール,0.928(SEM 0.078)の正の予測値,0.591(SEM 0.155)の負の予測値,0.842(AUC)の曲線下領域で0.807の平均精度が得られた。
論文 参考訳（メタデータ） (2021-04-29T21:04:02Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Machine Learning Automatically Detects COVID-19 using Chest CTs in a
Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。
新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。
深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文 参考訳（メタデータ） (2020-06-09T00:40:35Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳（メタデータ） (2020-04-15T12:30:40Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。