論文の概要: Equitable Electronic Health Record Prediction with FAME: Fairness-Aware Multimodal Embedding

• arxiv url: http://arxiv.org/abs/2506.13104v1
• Date: Mon, 16 Jun 2025 05:23:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.49697
• Title: Equitable Electronic Health Record Prediction with FAME: Fairness-Aware Multimodal Embedding
• Title（参考訳）: FAMEを用いた電子健康記録の等価予測:公正なマルチモーダル埋め込み
• Authors: Nikkie Hooman, Zhongjie Wu, Eric C. Larson, Mehak Gupta,
• Abstract要約: FAME(Fairness-Aware Multimodal Embeddings, FAME)は,FAME(Fairness-Aware Multimodal Embeddings, FAME, FAME, FAME-Aware Multimodal Embeddings)の略。 誤差分布分散指数(EDDI)を利用して、サブグループ間の公平性を測定する。 我々は,FAMEの有効性を,他のベースラインと比較して,性能と公平性の観点から示す。
• 参考スコア（独自算出の注目度）: 4.383326688441244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic Health Record (EHR) data encompass diverse modalities -- text, images, and medical codes -- that are vital for clinical decision-making. To process these complex data, multimodal AI (MAI) has emerged as a powerful approach for fusing such information. However, most existing MAI models optimize for better prediction performance, potentially reinforcing biases across patient subgroups. Although bias-reduction techniques for multimodal models have been proposed, the individual strengths of each modality and their interplay in both reducing bias and optimizing performance remain underexplored. In this work, we introduce FAME (Fairness-Aware Multimodal Embeddings), a framework that explicitly weights each modality according to its fairness contribution. FAME optimizes both performance and fairness by incorporating a combined loss function. We leverage the Error Distribution Disparity Index (EDDI) to measure fairness across subgroups and propose a sign-agnostic aggregation method to balance fairness across subgroups, ensuring equitable model outcomes. We evaluate FAME with BEHRT and BioClinicalBERT, combining structured and unstructured EHR data, and demonstrate its effectiveness in terms of performance and fairness compared with other baselines across multiple EHR prediction tasks.
• Abstract（参考訳）: EHR(Electronic Health Record)のデータは、臨床の意思決定に欠かせないさまざまなモダリティ(テキスト、画像、医療コード)を網羅している。 これらの複雑なデータを処理するために、マルチモーダルAI(MAI)はそのような情報を融合するための強力なアプローチとして登場した。 しかし、既存のほとんどのMAIモデルは、より良い予測性能を最適化し、患者サブグループ間のバイアスを補強する可能性がある。 マルチモーダルモデルに対するバイアス低減手法が提案されているが、各モーダルの個々の強度と、バイアス低減と最適化性能の両面での相互作用は、未検討のままである。 本研究では,FAME(Fairness-Aware Multimodal Embeddings)を紹介する。 FAMEは、損失関数を組み合わせることで、性能と公平性を最適化する。 本研究では, 誤差分布分散指数(EDDI)を用いて, サブグループ間の公正度を計測し, グループ間の公正度を均衡させ, 等価モデル結果の確保を図る。 我々は、FAMEをBEHRTとBioClinicalBERTで評価し、構造化されたEHRデータと非構造化されたEHRデータを組み合わせて、その効果を複数のEHR予測タスクにおける他のベースラインと比較し、性能と公平性の観点から示す。

関連論文リスト

• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• DrFuse: Learning Disentangled Representation for Clinical Multi-Modal Fusion with Missing Modality and Modal Inconsistency [18.291267748113142]
  そこで本研究では,DrFuseを効果的に多モード核融合を実現するために提案する。 モダリティに共通する特徴と各モダリティに特有の特徴を分離することで、モダリティの欠如に対処する。 実世界の大規模データセットMIMIC-IVとMIMIC-CXRを用いて提案手法を検証する。
  論文  参考訳（メタデータ） (2024-03-10T12:41:34Z)
• Fairness-Aware Interpretable Modeling (FAIM) for Trustworthy Machine Learning in Healthcare [6.608905791768002]
  フェアネス・アウェア・インタプリタブル・モデリング(FAIM)を提案し,性能を損なうことなくモデルフェアネスを改善する。 FAIMは、ハイパフォーマンスモデルのセットから"フェアラー"モデルを識別するためのインタラクティブインターフェースを備えている。 FAIMモデルは, 良好な識別性能を示すだけでなく, 確立された公正度測定値によって測定されたバイアスを著しく軽減することを示した。
  論文  参考訳（メタデータ） (2024-03-08T11:51:00Z)
• FairEHR-CLP: Towards Fairness-Aware Clinical Predictions with Contrastive Learning in Multimodal Electronic Health Records [15.407593899656762]
  本報告では,FairEHR-CLPについて述べる。 FairEHR-CLPは2段階のプロセスで動作し、患者の人口統計、縦断データ、臨床ノートを利用する。 サブグループ間での誤差率の差異を効果的に測定する新しい公正度尺度を導入する。
  論文  参考訳（メタデータ） (2024-02-01T19:24:45Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• PheME: A deep ensemble framework for improving phenotype prediction from multi-modal data [42.56953523499849]
  PheMEは, 構造化EHRのマルチモーダルデータを用いたアンサンブル・フレームワークであり, 非構造化臨床ノートを用いて, 正確なフェノタイプ予測を行う。 我々はアンサンブル学習を活用し、単一モーダルモデルと多モーダルモデルからの出力を組み合わせて表現型予測を改善する。
  論文  参考訳（メタデータ） (2023-03-19T23:41:04Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。