論文の概要: FairREAD: Re-fusing Demographic Attributes after Disentanglement for Fair Medical Image Classification

• arxiv url: http://arxiv.org/abs/2412.16373v1
• Date: Fri, 20 Dec 2024 22:17:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 16:01:52.974254
• Title: FairREAD: Re-fusing Demographic Attributes after Disentanglement for Fair Medical Image Classification
• Title（参考訳）: FairREAD: 公正な医用画像分類のための歪曲後のデモグラフィック属性の再検討
• Authors: Yicheng Gao, Jinkui Hao, Bo Zhou,
• Abstract要約: FairREAD (Fair Refusion After Disentanglement) は, センシティブな階層属性を公正な画像表現に再統合することで不公平を緩和するフレームワークである。 FairREADは、臨床に関係のある詳細を保存するために、制御された再灌流機構を使用しながら、人口統計情報をアンタングルする敵の訓練を採用している。 大規模臨床X線データセットの総合的評価は、FairREADが診断精度を維持しながら不公平度指標を著しく低減することを示した。
• 参考スコア（独自算出の注目度）: 3.615240611746158
• License:
• Abstract: Recent advancements in deep learning have shown transformative potential in medical imaging, yet concerns about fairness persist due to performance disparities across demographic subgroups. Existing methods aim to address these biases by mitigating sensitive attributes in image data; however, these attributes often carry clinically relevant information, and their removal can compromise model performance-a highly undesirable outcome. To address this challenge, we propose Fair Re-fusion After Disentanglement (FairREAD), a novel, simple, and efficient framework that mitigates unfairness by re-integrating sensitive demographic attributes into fair image representations. FairREAD employs orthogonality constraints and adversarial training to disentangle demographic information while using a controlled re-fusion mechanism to preserve clinically relevant details. Additionally, subgroup-specific threshold adjustments ensure equitable performance across demographic groups. Comprehensive evaluations on a large-scale clinical X-ray dataset demonstrate that FairREAD significantly reduces unfairness metrics while maintaining diagnostic accuracy, establishing a new benchmark for fairness and performance in medical image classification.
• Abstract（参考訳）: 近年の深層学習の進歩は, 医用画像の変革の可能性を示しているが, 人口集団間でのパフォーマンス格差が原因で, 公平性への懸念が持続している。 既存の方法は画像データの感度特性を緩和することでこれらのバイアスに対処することを目的としているが、これらの属性はしばしば臨床的に関係のある情報を持ち、それらの除去は性能を損なう可能性があり、非常に望ましくない結果となる。 この課題に対処するために、センシティブな階層属性を公正な画像表現に再統合することで不公平を緩和する、新規でシンプルで効率的なフレームワークであるFairREAD(Fair Refusion After Disentanglement)を提案する。 FairREADは、臨床的に関係のある詳細を保存するために、制御された再融合機構を使用しながら、人口統計情報を混乱させるために、直交性の制約と敵対的な訓練を採用する。 さらに、サブグループ固有のしきい値調整により、人口集団間での公平なパフォーマンスが保証される。 大規模臨床X線データセットの総合的評価により、FairREADは診断精度を維持しながら不公平度指標を著しく低減し、医用画像分類における公正度とパフォーマンスの新たなベンチマークを確立した。

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)
• FairSeg: A Large-Scale Medical Image Segmentation Dataset for Fairness Learning Using Segment Anything Model with Fair Error-Bound Scaling [14.483954095650887]
  フェアネス学習研究を促進するためには、高品質な医療フェアネスデータセットが必要である。 既存の医療フェアネスデータセットはすべて分類タスク用であり、医療セグメント化にはフェアネスデータセットが使用できない。 我々は,1万件の被験者を対象とし,HarvardFairSegという医療セグメント化のための最初のフェアネスデータセットを提案する。
  論文  参考訳（メタデータ） (2023-11-03T18:44:21Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• FairAdaBN: Mitigating unfairness with adaptive batch normalization and its application to dermatological disease classification [14.589159162086926]
  バッチ正規化をセンシティブ属性に適応させるFairAdaBNを提案する。 本研究では,FATE(Fairness-Accuracy Trade-off efficiency)と呼ばれる新しい指標を提案する。 2つの皮膚科学データセットを用いた実験により,提案手法はフェアネス基準とFATEの他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-03-15T02:22:07Z)
• On Fairness of Medical Image Classification with Multiple Sensitive Attributes via Learning Orthogonal Representations [29.703978958553247]
  本稿では,多感性属性に対する公正表現学習のための新しい手法を提案する。 提案手法の有効性は,CheXpertデータセット上での実験により実証された。
  論文  参考訳（メタデータ） (2023-01-04T08:11:11Z)
• Analysing the effectiveness of a generative model for semi-supervised medical image segmentation [23.898954721893855]
  自動セグメンテーションにおける最先端技術は、U-Netのような差別モデルを用いて、教師付き学習のままである。 半教師付き学習(SSL)は、より堅牢で信頼性の高いモデルを得るために、重複のないデータの豊富さを活用する。 セマンティックGANのような深層生成モデルは、医療画像分割問題に取り組むための真に実行可能な代替手段である。
  論文  参考訳（メタデータ） (2022-11-03T15:19:59Z)
• 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)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。