論文の概要: Invisible Attributes, Visible Biases: Exploring Demographic Shortcuts in MRI-based Alzheimer's Disease Classification

• arxiv url: http://arxiv.org/abs/2509.09558v1
• Date: Thu, 11 Sep 2025 15:48:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.455745
• Title: Invisible Attributes, Visible Biases: Exploring Demographic Shortcuts in MRI-based Alzheimer's Disease Classification
• Title（参考訳）: Invisible Attributes, Visible Biases: Exploring Demographic Shortcuts in MRI-based Alzheimer's Disease Classification
• Authors: Akshit Achara, Esther Puyol Anton, Alexander Hammers, Andrew P. King,
• Abstract要約: 深層学習アルゴリズムは、MRIスキャンからアルツハイマー病(AD)などの疾患の診断を支援するために提案されている。 DLアルゴリズムは、出力ラベルに直接関連しない刺激的な特徴が予測に使用されるショートカット学習に苦しむことがある。 本研究では,MRIを用いたAD診断におけるショートカット学習と人口統計バイアスの可能性について検討する。
• 参考スコア（独自算出の注目度）: 42.4884243692127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic resonance imaging (MRI) is the gold standard for brain imaging. Deep learning (DL) algorithms have been proposed to aid in the diagnosis of diseases such as Alzheimer's disease (AD) from MRI scans. However, DL algorithms can suffer from shortcut learning, in which spurious features, not directly related to the output label, are used for prediction. When these features are related to protected attributes, they can lead to performance bias against underrepresented protected groups, such as those defined by race and sex. In this work, we explore the potential for shortcut learning and demographic bias in DL based AD diagnosis from MRI. We first investigate if DL algorithms can identify race or sex from 3D brain MRI scans to establish the presence or otherwise of race and sex based distributional shifts. Next, we investigate whether training set imbalance by race or sex can cause a drop in model performance, indicating shortcut learning and bias. Finally, we conduct a quantitative and qualitative analysis of feature attributions in different brain regions for both the protected attribute and AD classification tasks. Through these experiments, and using multiple datasets and DL models (ResNet and SwinTransformer), we demonstrate the existence of both race and sex based shortcut learning and bias in DL based AD classification. Our work lays the foundation for fairer DL diagnostic tools in brain MRI. The code is provided at https://github.com/acharaakshit/ShortMR
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、脳のイメージングにおける金の標準である。 深層学習(DL)アルゴリズムは、MRIスキャンからアルツハイマー病(AD)などの疾患の診断を支援するために提案されている。 しかし、DLアルゴリズムは、出力ラベルに直接関連しない急激な特徴が予測に使用されるショートカット学習に苦しむことがある。 これらの特徴が保護属性に関連している場合、人種や性別によって定義されたような、あまり表現されていない保護されたグループに対するパフォーマンスバイアスにつながる可能性がある。 本研究では,MRIを用いたAD診断におけるショートカット学習と人口統計バイアスの可能性について検討する。 DLアルゴリズムが3次元脳MRIスキャンから人種や性別を識別し、人種や性別に基づく分布変化の有無を確定するかどうかを最初に検討する。 次に、人種や性別によるトレーニングセットの不均衡がモデル性能の低下を招き、ショートカット学習と偏見を示す。 最後に、保護属性とAD分類タスクの両方について、異なる脳領域における特徴属性の定量的、質的な分析を行う。 これらの実験と、複数のデータセットとDLモデル(ResNetとSwinTransformer)を用いて、DLベースのAD分類における人種と性の両方のショートカット学習とバイアスの存在を実証する。 我々の研究は脳MRIにおけるより公平なDL診断ツールの基礎を築いた。 コードはhttps://github.com/acharaakshit/ShortMRで提供されている。

関連論文リスト

• Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
  アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。 本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-08-20T13:11:43Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
  我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
  論文  参考訳（メタデータ） (2023-06-15T16:22:57Z)
• DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
  下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。 実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
  論文  参考訳（メタデータ） (2022-09-27T16:32:11Z)
• Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning [4.310840361752551]
  本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。 本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
  論文  参考訳（メタデータ） (2021-09-19T14:22:55Z)
• Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
  本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。 矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。 本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
  論文  参考訳（メタデータ） (2021-05-18T11:37:57Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)
• Explainable Deep CNNs for MRI-Based Diagnosis of Alzheimer's Disease [3.3948742816399693]
  脳磁気共鳴画像(MRI)を用いたアルツハイマー病(AD)の半自動診断モデルとして,Deep Convolutional Neural Networks(CNN)が注目されている。 脳スキャンタスクに特化して設計された別の説明法を提案する。 スワップテスト(Swap Test)と呼ばれる本手法は,ADを最も表す脳の領域を表わしたヒートマップを作成し,臨床医に理解可能な形式でモデル決定の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2020-04-25T18:14:49Z)

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。