論文の概要: Open Challenges on Fairness of Artificial Intelligence in Medical Imaging Applications

• arxiv url: http://arxiv.org/abs/2407.16953v1
• Date: Wed, 24 Jul 2024 02:41:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 15:02:58.558518
• Title: Open Challenges on Fairness of Artificial Intelligence in Medical Imaging Applications
• Title（参考訳）: 医用画像における人工知能の公正性に関するオープンチャレンジ
• Authors: Enzo Ferrante, Rodrigo Echeveste,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.8236840661885485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, the research community of computerized medical imaging has started to discuss and address potential fairness issues that may emerge when developing and deploying AI systems for medical image analysis. This chapter covers some of the pressing challenges encountered when doing research in this area, and it is intended to raise questions and provide food for thought for those aiming to enter this research field. The chapter first discusses various sources of bias, including data collection, model training, and clinical deployment, and their impact on the fairness of machine learning algorithms in medical image computing. We then turn to discussing open challenges that we believe require attention from researchers and practitioners, as well as potential pitfalls of naive application of common methods in the field. We cover a variety of topics including the impact of biased metrics when auditing for fairness, the leveling down effect, task difficulty variations among subgroups, discovering biases in unseen populations, and explaining biases beyond standard demographic attributes.
• Abstract（参考訳）: 近年,医用画像解析のためのAIシステムの開発・展開時に生じる可能性のある公平性の問題について,コンピュータ化された医用画像研究コミュニティが議論し,対処し始めている。 本章では、この領域で研究を行う際に遭遇した諸問題について取り上げ、疑問を提起し、この研究分野への参入を目指す人々のために、思考のための食事を提供することを目的としている。 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と、医療画像コンピューティングにおける機械学習アルゴリズムの公平性への影響について論じている。 次に、我々は、研究者や実践者からの注意を必要とするオープンな課題と、この分野における一般的な手法の適用の潜在的な落とし穴について議論する。 フェアネスの監査における偏りのある指標の影響、レベルダウン効果、サブグループ間のタスクの難易度の変化、目に見えない集団における偏りの発見、標準的人口統計属性を超えた偏りの説明など、さまざまなトピックについて取り上げる。

関連論文リスト

• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• VISION: Toward a Standardized Process for Radiology Image Management at the National Level [3.793492459789475]
  我々は,米国退役軍人局(VA)電子健康記録データベースに関連付けられた,信頼できる放射線画像の収集を行った経験について述べる。 主な洞察は、臨床から研究可能な環境への画像転送に必要な特定の手順を明らかにすることである。
  論文  参考訳（メタデータ） (2024-04-29T16:30:24Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• 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)
• Deep Learning and Computer Vision for Glaucoma Detection: A Review [0.8379286663107844]
  緑内障は世界中で不可逆的な盲目の原因となっている。 コンピュータビジョンとディープラーニングの最近の進歩は、自動評価の可能性を示している。 眼底,光コヒーレンス断層撮影,視野画像を用いたAIによる緑内障の診断に関する最近の研究について調査した。
  論文  参考訳（メタデータ） (2023-07-31T09:49:51Z)
• Machine Unlearning: A Survey [56.79152190680552]
  プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。 この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。 この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。 この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
  論文  参考訳（メタデータ） (2023-06-06T10:18:36Z)
• A Perspective on Crowdsourcing and Human-in-the-Loop Workflows in Precision Health [1.0895307583148537]
  この視点では、この新興分野における既存の研究について述べ、クラウドを利用した診断システムにおける現在進行中の課題と機会について論じる。 群衆労働者は、金銭的補償やゲーミフィケーション体験の見返りに、複雑な行動特徴に注釈を付けるために支払われる。 これらのラベルは、直接または診断機械学習モデルへの入力としてラベルを使用することによって、診断を導出するために使用することができる。
  論文  参考訳（メタデータ） (2023-03-07T01:15:16Z)
• A Survey on Computer Vision based Human Analysis in the COVID-19 Era [58.79053747159797]
  新型コロナウイルスの出現は、社会全体だけでなく、個人の生活にも大きく影響している。 マスクやソーシャルディスタンシングの義務、公共空間での定期消毒、スクリーニングアプリケーションの使用など、さまざまな予防策が世界中で導入されている。 これらの発展は、(i)視覚データの自動解析による予防対策の支援、(ii)生体認証などの既存の視覚ベースのサービスの正常な操作を容易にする、新しいコンピュータビジョン技術の必要性を喚起した。
  論文  参考訳（メタデータ） (2022-11-07T17:20:39Z)
• Addressing Fairness Issues in Deep Learning-Based Medical Image Analysis: A Systematic Review [27.949773485090592]
  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。
  論文  参考訳（メタデータ） (2022-09-27T06:29:18Z)
• Fairness via AI: Bias Reduction in Medical Information [3.254836540242099]
  本稿では,医学教育,社会学,反人種差別主義の洞察に触発された,AIによるフェアネスの新たな枠組みを提案する。 我々はAIを用いて、社会の少数派を不均等に傷つける偏見、有害、および/または偽の健康情報を研究、検出、緩和することを提案する。
  論文  参考訳（メタデータ） (2021-09-06T01:39:48Z)
• 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)

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。