論文の概要: The Boundaries of Fair AI in Medical Image Prognosis: A Causal Perspective

• arxiv url: http://arxiv.org/abs/2510.08840v1
• Date: Thu, 09 Oct 2025 21:54:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.808126
• Title: The Boundaries of Fair AI in Medical Image Prognosis: A Causal Perspective
• Title（参考訳）: 医療画像診断における公正AIの境界 : 因果的視点
• Authors: Thai-Hoang Pham, Jiayuan Chen, Seungyeon Lee, Yuanlong Wang, Sayoko Moroi, Xueru Zhang, Ping Zhang,
• Abstract要約: 医用画像における時間-時間予測の公平性を評価するための,初の総合的なフレームワークであるFairTTEを紹介する。 FairTTEは、医療画像データセットに埋め込まれた独自のバイアス源を発見し、定量化する。
• 参考スコア（独自算出の注目度）: 14.359244643730223
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As machine learning (ML) algorithms are increasingly used in medical image analysis, concerns have emerged about their potential biases against certain social groups. Although many approaches have been proposed to ensure the fairness of ML models, most existing works focus only on medical image diagnosis tasks, such as image classification and segmentation, and overlooked prognosis scenarios, which involve predicting the likely outcome or progression of a medical condition over time. To address this gap, we introduce FairTTE, the first comprehensive framework for assessing fairness in time-to-event (TTE) prediction in medical imaging. FairTTE encompasses a diverse range of imaging modalities and TTE outcomes, integrating cutting-edge TTE prediction and fairness algorithms to enable systematic and fine-grained analysis of fairness in medical image prognosis. Leveraging causal analysis techniques, FairTTE uncovers and quantifies distinct sources of bias embedded within medical imaging datasets. Our large-scale evaluation reveals that bias is pervasive across different imaging modalities and that current fairness methods offer limited mitigation. We further demonstrate a strong association between underlying bias sources and model disparities, emphasizing the need for holistic approaches that target all forms of bias. Notably, we find that fairness becomes increasingly difficult to maintain under distribution shifts, underscoring the limitations of existing solutions and the pressing need for more robust, equitable prognostic models.
• Abstract（参考訳）: 機械学習(ML)アルゴリズムが医療画像解析にますます使われるようになるにつれ、特定の社会グループに対する潜在的なバイアスが懸念されている。 MLモデルの公平性を保証するために多くのアプローチが提案されているが、既存の研究は画像分類やセグメンテーションなどの医療画像診断タスクにのみ焦点をあてている。 このギャップに対処するため,医療画像におけるTTE(Time-to-event)予測の公平性を評価するための,初の総合的なフレームワークであるFairTTEを紹介した。 FairTTEには様々な画像モダリティとTTE結果が含まれており、最先端のTTE予測アルゴリズムとフェアネスアルゴリズムを統合して、医療画像予後におけるフェアネスの体系的およびきめ細かい分析を可能にする。 因果解析技術を活用して、FairTTEは医療画像データセットに埋め込まれた独自のバイアス源を発見し、定量化する。 大規模な評価では、様々な画像モダリティに偏りが広がり、現在の公正度法では緩和が制限されていることが判明した。 さらに、基礎となるバイアス源とモデル格差の強い関係を実証し、すべてのバイアスをターゲットとする全体論的アプローチの必要性を強調します。 特に、分布シフトの下では公平性を維持することがますます難しくなり、既存のソリューションの限界と、より堅牢で公平な予測モデルの必要性が強調される。

関連論文リスト

• AI Alignment in Medical Imaging: Unveiling Hidden Biases Through Counterfactual Analysis [16.21270312974956]
  人口統計学などのセンシティブな属性に対する医療画像MLモデルの依存性を評価するための新しい統計フレームワークを提案する。 本稿では,条件付き潜伏拡散モデルと統計的仮説テストを組み合わせて,そのようなバイアスを特定し定量化する実用的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-28T09:28:25Z)
• Fairness Analysis of CLIP-Based Foundation Models for X-Ray Image Classification [15.98427699337596]
  X線画像分類に応用したCLIP様モデルの包括的公平性解析を行う。 我々は,ゼロショット推論と様々な微調整技術を用いて,多様な患者集団と疾患カテゴリーにおけるパフォーマンスと公平性を評価した。
  論文  参考訳（メタデータ） (2025-01-31T12:23:50Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
  FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-11T19:12:23Z)
• Semi-Supervised Disease Classification based on Limited Medical Image Data [9.633774896301436]
  本稿では、半教師付き疾患分類のためのH"older divergenceにインスパイアされた新しい生成モデルを提案する。 PU医学学習によく用いられる5つのベンチマークデータセットについて実験を行った。 本手法は,5つの疾患分類ベンチマークにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-05-07T13:11:08Z)
• C^2M-DoT: Cross-modal consistent multi-view medical report generation with domain transfer network [67.97926983664676]
  ドメイン転送ネットワーク(C2M-DoT)を用いたクロスモーダルなマルチビュー医療レポート生成を提案する。 C2M-DoTは、すべてのメトリクスで最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-09T02:31:36Z)
• 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)
• Addressing Fairness Issues in Deep Learning-Based Medical Image Analysis: A Systematic Review [27.949773485090592]
  本稿では,グループフェアネスの基礎を紹介し,フェアネス評価と不公平軽減の2つに分類する。 我々の調査は、公正なMedIAと医療システムを確立する上での既存の課題と機会に関する議論から締めくくっている。
  論文  参考訳（メタデータ） (2022-09-27T06:29:18Z)
• 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。