論文の概要: Towards Fair Medical AI: Adversarial Debiasing of 3D CT Foundation Embeddings
- arxiv url: http://arxiv.org/abs/2502.04386v1
- Date: Wed, 05 Feb 2025 20:32:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-10 14:58:48.309297
- Title: Towards Fair Medical AI: Adversarial Debiasing of 3D CT Foundation Embeddings
- Title(参考訳): 公正な医療AIを目指して:3DCTファウンデーション埋め込みの逆境
- Authors: Guangyao Zheng, Michael A. Jacobs, Vladimir Braverman, Vishwa S. Parekh,
- Abstract要約: 自己教師付き学習は、大規模未ラベルデータセットから効率的で一般化可能な特徴抽出を可能にすることで、医療画像に革命をもたらした。
近年、自己教師付き基礎モデルは3次元CTデータに拡張され、1408個の特徴を持つコンパクトで情報豊富な埋め込みを生成する。
これらの埋め込みは、年齢、性別、人種などの人口統計情報を符号化することが示されており、臨床応用の公正性に重大なリスクをもたらす。
本稿では,VAEをベースとした対向的デバイアス化フレームワークを提案し,これらの埋め込みを人口統計学の新たな潜在空間に変換する。
- 参考スコア(独自算出の注目度): 13.985136866888379
- License:
- Abstract: Self-supervised learning has revolutionized medical imaging by enabling efficient and generalizable feature extraction from large-scale unlabeled datasets. Recently, self-supervised foundation models have been extended to three-dimensional (3D) computed tomography (CT) data, generating compact, information-rich embeddings with 1408 features that achieve state-of-the-art performance on downstream tasks such as intracranial hemorrhage detection and lung cancer risk forecasting. However, these embeddings have been shown to encode demographic information, such as age, sex, and race, which poses a significant risk to the fairness of clinical applications. In this work, we propose a Variation Autoencoder (VAE) based adversarial debiasing framework to transform these embeddings into a new latent space where demographic information is no longer encoded, while maintaining the performance of critical downstream tasks. We validated our approach on the NLST lung cancer screening dataset, demonstrating that the debiased embeddings effectively eliminate multiple encoded demographic information and improve fairness without compromising predictive accuracy for lung cancer risk at 1-year and 2-year intervals. Additionally, our approach ensures the embeddings are robust against adversarial bias attacks. These results highlight the potential of adversarial debiasing techniques to ensure fairness and equity in clinical applications of self-supervised 3D CT embeddings, paving the way for their broader adoption in unbiased medical decision-making.
- Abstract(参考訳): 自己教師付き学習は、大規模未ラベルデータセットから効率的で一般化可能な特徴抽出を可能にすることで、医療画像に革命をもたらした。
近年,脳内出血検出や肺がんリスク予測などの下流作業における最先端性能を実現するための,コンパクトで情報に富んだ1408特徴の埋め込みが,CTデータに拡張されている。
しかし、これらの埋め込みは年齢、性別、人種などの人口統計情報を符号化することが示されており、臨床応用の公正性に重大なリスクをもたらす。
本研究では,VAEをベースとした逆方向のデバイアス処理フレームワークを提案し,これらの埋め込みを重要な下流タスクの性能を維持しつつ,人口統計情報がエンコードされなくなった新しい潜在空間に変換する。
我々はNLST肺がん検診データセットに対するアプローチを検証し、1年と2年間隔の肺がんリスク予測精度を損なうことなく、複数の人口統計情報を効果的に除去し、公平性を向上させることを実証した。
さらに,本手法は,敵のバイアス攻撃に対して,埋め込みが堅牢であることを保証する。
これらの結果は, 自己監督型3次元CT埋め込みの臨床応用における公平性と公平性を確保するために, 逆行性脱バイアス技術の可能性を強調した。
関連論文リスト
- Demographic Predictability in 3D CT Foundation Embeddings [0.0]
自己組織化基礎モデルはCT画像の符号化に成功している。
これらの埋め込みが年齢、性別、人種などの人口統計情報をキャプチャするかどうかを評価する。
論文 参考訳(メタデータ) (2024-11-28T04:26:39Z) - Mortality Prediction of Pulmonary Embolism Patients with Deep Learning and XGBoost [0.5942186563711294]
肺塞栓症(PE)は死亡率と致命的な疾患の主要な原因である。
従来の臨床手法では, PE患者の30日間の院内死亡を予測できた。
論文 参考訳(メタデータ) (2024-11-27T05:15:55Z) - Enhancing Weakly Supervised 3D Medical Image Segmentation through
Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳(メタデータ) (2024-03-05T00:46:53Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - 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) - Toward Robust Diagnosis: A Contour Attention Preserving Adversarial
Defense for COVID-19 Detection [10.953610196636784]
本稿では,肺腔エッジ抽出に基づく Contour Attention Preserving (CAP) 法を提案する。
実験結果から, 本手法は, 複数の対角防御および一般化タスクにおいて, 最先端の性能を実現することが示唆された。
論文 参考訳(メタデータ) (2022-11-30T08:01:23Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Towards modelling hazard factors in unstructured data spaces using
gradient-based latent interpolation [2.3867305921818573]
生存分析(SA)における深層学習の適用は、従来の生存法では珍しい非構造的・高次元データ型を利用する機会を与える。
これにより、デジタルヘルス、予測保守、チャーン分析などの分野の手法を進歩させることができる。
本研究では,1)生存目標を持つマルチタスク可変オートエンコーダ (VAE) と,2) 元のデータ空間における危険因子をモデル化可能な新しい手法HazardWalkを提案する。
論文 参考訳(メタデータ) (2021-10-21T17:46:03Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳(メタデータ) (2020-10-29T15:39:19Z)
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。