論文の概要: Slicing Through Bias: Explaining Performance Gaps in Medical Image Analysis using Slice Discovery Methods

• arxiv url: http://arxiv.org/abs/2406.12142v1
• Date: Mon, 17 Jun 2024 23:08:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 23:28:06.634088
• Title: Slicing Through Bias: Explaining Performance Gaps in Medical Image Analysis using Slice Discovery Methods
• Title（参考訳）: バイアススライシング:スライスディスカバリ法による医用画像解析におけるパフォーマンスギャップの説明
• Authors: Vincent Olesen, Nina Weng, Aasa Feragen, Eike Petersen,
• Abstract要約: 我々はSlice Discovery Methodsを用いて、観測された性能格差の原因に関する仮説とデータの解釈可能な未実行部分集合を同定する。 本研究は, 仮説定式化におけるSDMの有効性を実証し, 既往の男女間パフォーマンスの相違について解説する。
• 参考スコア（独自算出の注目度）: 5.274804664403783
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Machine learning models have achieved high overall accuracy in medical image analysis. However, performance disparities on specific patient groups pose challenges to their clinical utility, safety, and fairness. This can affect known patient groups - such as those based on sex, age, or disease subtype - as well as previously unknown and unlabeled groups. Furthermore, the root cause of such observed performance disparities is often challenging to uncover, hindering mitigation efforts. In this paper, to address these issues, we leverage Slice Discovery Methods (SDMs) to identify interpretable underperforming subsets of data and formulate hypotheses regarding the cause of observed performance disparities. We introduce a novel SDM and apply it in a case study on the classification of pneumothorax and atelectasis from chest x-rays. Our study demonstrates the effectiveness of SDMs in hypothesis formulation and yields an explanation of previously observed but unexplained performance disparities between male and female patients in widely used chest X-ray datasets and models. Our findings indicate shortcut learning in both classification tasks, through the presence of chest drains and ECG wires, respectively. Sex-based differences in the prevalence of these shortcut features appear to cause the observed classification performance gap, representing a previously underappreciated interaction between shortcut learning and model fairness analyses.
• Abstract（参考訳）: 機械学習モデルは、医用画像解析において高い総合的精度を達成した。 しかし、特定の患者群におけるパフォーマンス格差は、その臨床的有用性、安全性、公平性に課題をもたらす。 これは、性別、年齢、病気のサブタイプに基づく既知の患者グループや、以前は知られていなかった、ラベルのないグループに影響を及ぼす可能性がある。 さらに、このような観察された性能格差の根本原因を明らかにすることはしばしば困難であり、緩和の努力を妨げる。 本稿では,これらの問題に対処するために,Slice Discovery Methods (SDMs) を用いて,データの解釈可能な未処理部分集合を同定し,観測性能の相違の原因に関する仮説を定式化する。 我々は,新しいSDMを導入し,胸部X線からの気胸と無気腫の分類のケーススタディに応用した。 本研究は, 仮説定式化におけるSDMの有効性を実証し, 広く用いられている胸部X線データセットおよびモデルにおいて, 男女間の既往の相違について説明する。 以上の結果から,胸部ドレインと心電図ワイヤーを併用し,両分類作業におけるショートカット学習について検討した。 これらのショートカット特徴の有病率の性差は、ショートカット学習とモデルフェアネス分析の相違点として、観察された分類性能のギャップを引き起こすと考えられる。

関連論文リスト

• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  医用画像の分類性能に関する連続学習戦略(CL)の行動について検討した。 我々は,リプレイ,フォーッティングなし学習(LwF),LwF,Pseudo-Label戦略を評価した。 LwF と Pseudo-Label は最適な分類性能を示すが、評価に公正度の測定値を含めると、Pseudo-Label がバイアスが少ないことは明らかである。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Inspecting Model Fairness in Ultrasound Segmentation Tasks [20.281029492841878]
  2つの超音波データセットを用いて,一連の深層学習(DL)セグメンテーションモデルについて検討する。 以上の結果から,最先端のDLアルゴリズムでさえ,超音波セグメンテーション作業において不公平な動作を示すことが明らかとなった。 これらの結果は重要な警告として機能し、実際のシナリオに展開する前に、慎重にモデル評価を行う必要性を強調します。
  論文  参考訳（メタデータ） (2023-12-05T05:08:08Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• (Predictable) Performance Bias in Unsupervised Anomaly Detection [3.826262429926079]
  教師なし異常検出(UAD)モデルは、疾患検出の重要な第1ステップを支援することを約束する。 本研究は, ある集団群に対して, UADモデルの異なる性能を定量的に評価した。
  論文  参考訳（メタデータ） (2023-09-25T14:57:43Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Are Sex-based Physiological Differences the Cause of Gender Bias for Chest X-ray Diagnosis? [2.1601966913620325]
  機械学習を用いた胸部X線診断における性別バイアスの原因について検討した。 特に,乳房組織が肺の露出不足につながるという仮説を考察する。 広範に利用されている2つの公開データセットにおける患者1人あたりの録音の高度に歪んだ分布に対処する新しいサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-08-09T10:19:51Z)
• Discrimination of Radiologists Utilizing Eye-Tracking Technology and Machine Learning: A Case Study [0.9142067094647588]
  本研究では,効率的な幾何アライメントのためのバイナリ固定データに基づく新しい離散化特徴符号化を提案する。 眼球固定データの符号化された特徴は、教員と研修生の放射線技師を識別するために機械学習分類器によって使用される。
  論文  参考訳（メタデータ） (2023-08-04T23:51:47Z)
• Explaining medical AI performance disparities across sites with confounder Shapley value analysis [8.785345834486057]
  マルチサイト評価は、このような格差を診断する鍵となる。 本フレームワークは,各種類のバイアスが全体の性能差に与える影響を定量化する手法を提供する。 本研究は, 深部学習モデルを用いて気胸の有無を検知し, その有用性を実証するものである。
  論文  参考訳（メタデータ） (2021-11-12T18:54:10Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• 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)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。