論文の概要: From Detection to Mitigation: Addressing Bias in Deep Learning Models for Chest X-Ray Diagnosis

• arxiv url: http://arxiv.org/abs/2510.10822v1
• Date: Sun, 12 Oct 2025 22:20:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.120149
• Title: From Detection to Mitigation: Addressing Bias in Deep Learning Models for Chest X-Ray Diagnosis
• Title（参考訳）: 検出から緩和へ:胸部X線診断のためのディープラーニングモデルにおけるバイアス対応
• Authors: Clemence Mottez, Louisa Fay, Maya Varma, Sophie Ostmeier, Curtis Langlotz,
• Abstract要約: 胸部X線で診断を行う際に,性別,年齢,人種による格差を対象とする包括的バイアス検出・緩和フレームワークを提案する。 我々は,CNNの最終層をeXtreme Gradient Boosting分類器に置き換えることで,全体の予測性能を維持したり改善したりしながら,サブグループの公平性を向上させることを示す。 さらに,この軽量なアダプタトレーニング手法と,対角訓練,再重み付け,データ強化,アクティブラーニングなどの従来のフルモデル学習バイアス軽減手法を比較し,本手法が計算コストのごく一部で競争力あるいは優れたバイアス低減を提供することを示した。
• 参考スコア（独自算出の注目度）: 3.9236980712240217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models have shown promise in improving diagnostic accuracy from chest X-rays, but they also risk perpetuating healthcare disparities when performance varies across demographic groups. In this work, we present a comprehensive bias detection and mitigation framework targeting sex, age, and race-based disparities when performing diagnostic tasks with chest X-rays. We extend a recent CNN-XGBoost pipeline to support multi-label classification and evaluate its performance across four medical conditions. We show that replacing the final layer of CNN with an eXtreme Gradient Boosting classifier improves the fairness of the subgroup while maintaining or improving the overall predictive performance. To validate its generalizability, we apply the method to different backbones, namely DenseNet-121 and ResNet-50, and achieve similarly strong performance and fairness outcomes, confirming its model-agnostic design. We further compare this lightweight adapter training method with traditional full-model training bias mitigation techniques, including adversarial training, reweighting, data augmentation, and active learning, and find that our approach offers competitive or superior bias reduction at a fraction of the computational cost. Finally, we show that combining eXtreme Gradient Boosting retraining with active learning yields the largest reduction in bias across all demographic subgroups, both in and out of distribution on the CheXpert and MIMIC datasets, establishing a practical and effective path toward equitable deep learning deployment in clinical radiology.
• Abstract（参考訳）: 深層学習モデルでは、胸部X線による診断精度の向上が期待されているが、人口集団によってパフォーマンスが変化すると、医療格差が持続する危険性もある。 本研究では,胸部X線で診断を行う際の性差,年齢差,人種差を対象とする包括的バイアス検出・緩和フレームワークを提案する。 我々はCNN-XGBoostパイプラインを拡張し、マルチラベル分類をサポートし、4つの医療条件でその性能を評価する。 我々は,CNNの最終層をeXtreme Gradient Boosting分類器に置き換えることで,全体の予測性能を維持したり改善したりしながら,サブグループの公平性を向上させることを示す。 そこで本手法をDenseNet-121とResNet-50の異なるバックボーンに適用し,そのモデルに依存しない設計を検証した。 さらに,この軽量アダプタ学習手法を,対向訓練,再重み付け,データ強化,アクティブラーニングなど,従来のフルモデル学習バイアス軽減手法と比較し,本手法が計算コストのごく一部において,競争力あるいは優れたバイアス低減を提供することを示した。 最後に,eXtreme Gradient Boosting retrainingとアクティブラーニングを組み合わせることで,CheXpertデータセットとMIMICデータセットの分布内および外部の両方において,すべての階層サブグループのバイアスが最大に減少し,臨床放射線学における適切なディープラーニング展開に向けた実践的かつ効果的な方法が確立されることを示す。

関連論文リスト

• Enhancing Orthopox Image Classification Using Hybrid Machine Learning and Deep Learning Models [40.325359811289445]
  本稿では、機械学習モデルと事前訓練されたディープラーニングモデルを組み合わせて、拡張データを必要とせずに、深い特徴表現を抽出する。 その結果, この特徴抽出法は, 最先端技術における他の手法と組み合わせることで, 優れた分類結果が得られることがわかった。
  論文  参考訳（メタデータ） (2025-06-06T11:52:07Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Looking Beyond What You See: An Empirical Analysis on Subgroup Intersectional Fairness for Multi-label Chest X-ray Classification Using Social Determinants of Racial Health Inequities [4.351859373879489]
  ディープラーニングモデルにおける継承バイアスは、保護されたグループ間での予測精度の相違につながる可能性がある。 本稿では,正確な診断結果を達成し,交差点群間の公平性を確保するための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-03-27T02:13:20Z)
• Bag of Tricks for Long-Tailed Multi-Label Classification on Chest X-Rays [40.11576642444264]
  本報告では,ICCV CVAMD 2023 CXR-LT コンペティションにおけるソリューションの概要について述べる。 我々は,CXR診断の有効性を,いくつかの先進的な設計を統合することで実証的に検討した。 私たちのフレームワークは最終的に、競争テストセットで0.349 mAPを獲得し、トップ5にランクインしました。
  論文  参考訳（メタデータ） (2023-08-17T08:25:55Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Interpretable COVID-19 Chest X-Ray Classification via Orthogonality Constraint [10.190872613479632]
  胸部X線画像からのCOVID-19症例の分類にOrthogonal Spheres(OS)制約を用いることの利点について検討した。 これまでの研究では、このような制約をディープラーニングモデルに適用する大きなメリットが実証されてきた。 提案手法は,2クラス・3クラス分類における精度を1.6%,4.8%向上させる。
  論文  参考訳（メタデータ） (2021-02-02T11:35:28Z)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。