論文の概要: Fair Diagnosis: Leveraging Causal Modeling to Mitigate Medical Bias

• arxiv url: http://arxiv.org/abs/2412.04739v1
• Date: Fri, 06 Dec 2024 02:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:56:16.614719
• Title: Fair Diagnosis: Leveraging Causal Modeling to Mitigate Medical Bias
• Title（参考訳）: 公正診断:医療バイアス軽減のための因果モデリングの活用
• Authors: Bowei Tian, Yexiao He, Meng Liu, Yucong Dai, Ziyao Wang, Shwai He, Guoheng Sun, Zheyu Shen, Wanghao Ye, Yongkai Wu, Ang Li,
• Abstract要約: 医学画像解析では、モデル予測は人種や性別などのセンシティブな属性に影響される可能性がある。 本稿では,感度属性が診断予測に与える影響を低減することを目的とした因果モデリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.848344916632024
• License:
• Abstract: In medical image analysis, model predictions can be affected by sensitive attributes, such as race and gender, leading to fairness concerns and potential biases in diagnostic outcomes. To mitigate this, we present a causal modeling framework, which aims to reduce the impact of sensitive attributes on diagnostic predictions. Our approach introduces a novel fairness criterion, \textbf{Diagnosis Fairness}, and a unique fairness metric, leveraging path-specific fairness to control the influence of demographic attributes, ensuring that predictions are primarily informed by clinically relevant features rather than sensitive attributes. By incorporating adversarial perturbation masks, our framework directs the model to focus on critical image regions, suppressing bias-inducing information. Experimental results across multiple datasets demonstrate that our framework effectively reduces bias directly associated with sensitive attributes while preserving diagnostic accuracy. Our findings suggest that causal modeling can enhance both fairness and interpretability in AI-powered clinical decision support systems.
• Abstract（参考訳）: 医学画像解析では、モデル予測は人種や性別などのセンシティブな属性に影響され、公平性への懸念や診断結果の潜在的なバイアスをもたらす。 これを軽減するために, 感度属性が診断予測に与える影響を低減することを目的とした因果モデリングフレームワークを提案する。 提案手法では, 新規なフェアネス基準である「textbf{Diagnosis Fairness}」, 「ユニークなフェアネス基準」を導入する。 逆方向の摂動マスクを組み込むことにより,本フレームワークは重要な画像領域に焦点をあて,バイアスを誘発する情報を抑える。 複数のデータセットにまたがる実験結果から,本フレームワークは診断精度を維持しつつ,センシティブな属性に関連付けられたバイアスを効果的に低減することを示した。 本研究は,AIを用いた臨床意思決定支援システムにおいて,因果モデリングが公平性と解釈可能性の両方を高めることを示唆している。

関連論文リスト

• Decoding Decision Reasoning: A Counterfactual-Powered Model for Knowledge Discovery [6.1521675665532545]
  医用画像では、AIモデルの予測の背後にある根拠を明らかにすることが、信頼性を評価する上で重要である。 本稿では,意思決定推論と特徴識別機能を備えた説明可能なモデルを提案する。 提案手法を実装することにより,データ駆動モデルにより活用されるクラス固有の特徴を効果的に識別および可視化することができる。
  論文  参考訳（メタデータ） (2024-05-23T19:00:38Z)
• An ExplainableFair Framework for Prediction of Substance Use Disorder Treatment Completion [2.863968392011842]
  本研究の目的は,公正性と説明可能性に対処する枠組みを開発し,実装することであった。 本稿では、まず最適化された性能を持つモデルを開発し、次にモデルバイアスを軽減するために内部処理アプローチを用いる、説明可能な公平性フレームワークを提案する。 得られた公正度向上モデルは、公正度の向上と、医療提供者が臨床意思決定と資源配分をガイドする上で有用な洞察を提供するであろう公正度向上の説明により、高い感度を維持している。
  論文  参考訳（メタデータ） (2024-04-04T23:30:01Z)
• Achieve Fairness without Demographics for Dermatological Disease Diagnosis [17.792332189055223]
  そこで本研究では,テストフェーズにおいて,そのような情報を用いることなく,感度特性の公平な予測を可能にする手法を提案する。 特徴の絡み合いが公正性に与える影響を強調した先行研究から着想を得て,重要属性や対象属性に関連する特徴を捉えることにより,モデルの特徴を高める。 これにより、機密属性に関連する機能に頼ることなく、モデルがターゲット属性に関連する機能に基づいてのみ分類できることが保証される。
  論文  参考訳（メタデータ） (2024-01-16T02:49:52Z)
• Thinking Outside the Box: Orthogonal Approach to Equalizing Protected Attributes [6.852292115526837]
  ブラックボックスAIは、臨床意思決定における健康に関する格差とバイアスを悪化させる可能性がある。 本研究は、共同創設者の効果を分析し、抑制することを目的とした機械学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-21T13:48:56Z)
• Post-hoc Orthogonalization for Mitigation of Protected Feature Bias in CXR Embeddings [10.209740962369453]
  深層学習モデルの胸部X線写真埋め込みにおける保護的特徴効果の分析と除去を行う。 実験では、保護された特徴が病理の予測に重大な影響を及ぼすことが示された。
  論文  参考訳（メタデータ） (2023-11-02T15:59:00Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• 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)
• 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)

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。