論文の概要: FAST-CAD: A Fairness-Aware Framework for Non-Contact Stroke Diagnosis

• arxiv url: http://arxiv.org/abs/2511.08887v2
• Date: Fri, 14 Nov 2025 07:01:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 14:38:02.090379
• Title: FAST-CAD: A Fairness-Aware Framework for Non-Contact Stroke Diagnosis
• Title（参考訳）: 非接触ストローク診断のためのフェアネス対応フレームワークFAST-CAD
• Authors: Tianming Sha, Zechuan Chen, Zhan Cheng, Haotian Zhai, Xuwei Ding, Keze Wang,
• Abstract要約: 本稿では,FAST-CADを提案する。FAST-CADは,ドメイン・アドバイザリ・トレーニングと群分布的ロバストな最適化を組み合わせた理論的基盤を持つフレームワークである。 我々のアプローチは、領域適応とミニマックスフェアネス理論に基づいており、収束境界の保証とフェアネスを提供する。 実験により, 人口集団間の公平性を保ちながら, 診断性能が良好であることが確認された。
• 参考スコア（独自算出の注目度）: 8.939811267715228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stroke is an acute cerebrovascular disease, and timely diagnosis significantly improves patient survival. However, existing automated diagnosis methods suffer from fairness issues across demographic groups, potentially exacerbating healthcare disparities. In this work we propose FAST-CAD, a theoretically grounded framework that combines domain-adversarial training (DAT) with group distributionally robust optimization (Group-DRO) for fair and accurate non-contact stroke diagnosis. Our approach is built on domain adaptation and minimax fairness theory and provides convergence guarantees and fairness bounds. We curate a multimodal dataset covering 12 demographic subgroups defined by age, gender, and posture. FAST-CAD employs self-supervised encoders with adversarial domain discrimination to learn demographic-invariant representations, while Group-DRO optimizes worst-group risk to ensure robust performance across all subgroups. Extensive experiments show that our method achieves superior diagnostic performance while maintaining fairness across demographic groups, and our theoretical analysis supports the effectiveness of the unified DAT + Group-DRO framework. This work provides both practical advances and theoretical insights for fair medical AI systems.
• Abstract（参考訳）: ストロークは急性脳血管疾患であり、タイムリーな診断は患者の生存を著しく改善させる。 しかし、既存の自動診断手法は、人口集団間の公平性の問題に悩まされ、医療格差が悪化する可能性がある。 本研究では,DAT(Domain-adversarial Training)とグループ分散ロバストな最適化(Group-DRO)を組み合わせた理論的な基盤となるフレームワークであるFAST-CADを提案する。 我々のアプローチは、領域適応とミニマックスフェアネス理論に基づいており、収束保証とフェアネス境界を提供する。 年齢,性別,姿勢によって定義される12の集団を対象とするマルチモーダルデータセットをキュレートする。 FAST-CADは、自己教師付きエンコーダと対向的なドメイン識別を用いて、人口動態不変の表現を学習し、グループDROは最悪のグループリスクを最適化し、全てのサブグループで堅牢なパフォーマンスを保証する。 本手法は, 集団間の公平性を保ちながら, 診断性能を向上し, 統合DAT+グループDROフレームワークの有効性を理論的に裏付けるものである。 この研究は、公正な医療AIシステムに対する実践的な進歩と理論的洞察の両方を提供する。

関連論文リスト

• FairGRPO: Fair Reinforcement Learning for Equitable Clinical Reasoning [29.271963682064044]
  FairGRPO(Fairness-Aware Group Relative Policy Optimization)は、異種臨床集団における公平な学習を促進する階層的強化学習手法である。 また,FairGRPOは全バニラに対する予測パリティを27.2%削減し,RLベースラインを緩和し,F1スコアを12.49%改善することを示した。 FairGRPOをベースとしたFairMedGemma-4Bは,最先端の性能を実現するとともに,人口集団間の格差を著しく低減した臨床VLLMである。
  論文  参考訳（メタデータ） (2025-10-22T17:26:16Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning [52.12425911708585]
  Deep-DxSearchは、強化学習(RL)でエンドツーエンドに訓練されたエージェントRAGシステムである。 Deep-DxSearchでは,患者記録と信頼性のある医療知識情報を含む大規模医療検索コーパスを構築した。 実験により、エンドツーエンドのRLトレーニングフレームワークは、プロンプトエンジニアリングやトレーニングフリーなRAGアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-21T17:42:47Z)
• Incorporating Rather Than Eliminating: Achieving Fairness for Skin Disease Diagnosis Through Group-Specific Expert [18.169924728540487]
  本稿では,FairMoEについて紹介する。FairMoEは,実験モジュールを階層的に混合し,グループ固有の学習者として機能するフレームワークである。 グループラベルに基づいてデータを厳格に割り当てる従来の方法とは異なり、FairMoEはデータを最も適した専門家に動的にルーティングする。
  論文  参考訳（メタデータ） (2025-06-21T18:42:00Z)
• Towards Equitable ASD Diagnostics: A Comparative Study of Machine and Deep Learning Models Using Behavioral and Facial Data [2.6353853440763113]
  自閉症スペクトラム障害(ASD)は性差によって診断されることが多い。 本研究では, 機械学習モデル, 特にランダムフォレストと畳み込みニューラルネットワークを評価し, ASD 診断の精度を高める。
  論文  参考訳（メタデータ） (2024-11-08T05:26:04Z)
• MMed-RAG: Versatile Multimodal RAG System for Medical Vision Language Models [49.765466293296186]
  近年,Med-LVLM (Med-LVLMs) の進歩により,対話型診断ツールの新たな可能性が高まっている。 Med-LVLMは、しばしば事実の幻覚に悩まされ、誤った診断につながることがある。 我々は,Med-LVLMの現実性を高めるために,多目的マルチモーダルRAGシステムMMed-RAGを提案する。
  論文  参考訳（メタデータ） (2024-10-16T23:03:27Z)
• 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)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• Improving the Fairness of Chest X-ray Classifiers [19.908277166053185]
  本研究は, 予測性能の相違(グループフェアネス)をゼロにする努力が, 臨床現場で適切な公平性の定義であるかどうかを問うものである。 非クリニカルデータに関する先行研究と一致して、最悪のグループのパフォーマンス向上を目指す手法は、単純なデータバランシングを上回りません。
  論文  参考訳（メタデータ） (2022-03-23T17:56:58Z)

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。