論文の概要: Algorithms Trained on Normal Chest X-rays Can Predict Health Insurance Types

• arxiv url: http://arxiv.org/abs/2511.11030v2
• Date: Mon, 17 Nov 2025 13:02:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.591009
• Title: Algorithms Trained on Normal Chest X-rays Can Predict Health Insurance Types
• Title（参考訳）: 通常の胸部X線でトレーニングしたアルゴリズムは健康保険のタイプを予測できる
• Authors: Chi-Yu Chen, Rawan Abulibdeh, Arash Asgari, Leo Anthony Celi, Deirdre Goode, Hassan Hamidi, Laleh Seyyed-Kalantari, Ned McCague, Thomas Sounack, Po-Chih Kuo,
• Abstract要約: 従来の胸部X線検査から,患者の健康保険タイプ,社会経済的地位の強力な指標を予測することが可能であることを示す。 年齢、人種、性別が制御された場合でも信号は持続し、モデルが単一の人種グループでのみ訓練された場合でも検出可能である。
• 参考スコア（独自算出の注目度）: 4.610897835973366
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Artificial intelligence is revealing what medicine never intended to encode. Deep vision models, trained on chest X-rays, can now detect not only disease but also invisible traces of social inequality. In this study, we show that state-of-the-art architectures (DenseNet121, SwinV2-B, MedMamba) can predict a patient's health insurance type, a strong proxy for socioeconomic status, from normal chest X-rays with significant accuracy (AUC around 0.67 on MIMIC-CXR-JPG, 0.68 on CheXpert). The signal persists even when age, race, and sex are controlled for, and remains detectable when the model is trained exclusively on a single racial group. Patch-based occlusion reveals that the signal is diffuse rather than localized, embedded in the upper and mid-thoracic regions. This suggests that deep networks may be internalizing subtle traces of clinical environments, equipment differences, or care pathways; learning socioeconomic segregation itself. These findings challenge the assumption that medical images are neutral biological data. By uncovering how models perceive and exploit these hidden social signatures, this work reframes fairness in medical AI: the goal is no longer only to balance datasets or adjust thresholds, but to interrogate and disentangle the social fingerprints embedded in clinical data itself.
• Abstract（参考訳）: 人工知能(AI)は、医学がエンコードする意図のないものを明らかにしている。 胸部X線で訓練された深部視覚モデルは、病気だけでなく、社会的不平等の痕跡も検出できるようになった。 本研究は, 健常胸部X線(MIMIC-CXR-JPGでは0.67, CheXpertでは0.68, MIMIC-CXR-JPGでは0.67, CheXpertでは0.68, MIMIC-CXR-JPGでは0.67, MIMIC-CXpertでは0。 年齢、人種、性別が制御された場合でも信号は持続し、モデルが単一の人種グループでのみ訓練された場合でも検出可能である。 パッチベースのオクルージョンは、シグナルが局所化ではなく拡散し、上胸部と中胸部の領域に埋め込まれていることを明らかにする。 このことは、ディープネットワークが臨床環境、機器の違い、ケアパスの微妙な痕跡を内部化しているかもしれないことを示唆している。 これらの知見は、医用画像が中性生物学的データであるという仮定に挑戦する。 この研究は、モデルがこれらの隠された社会的シグネチャをどう認識し、活用するかを明らかにすることで、医療AIにおける公正さを再定義する。

関連論文リスト

• 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)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• ThoraX-PriorNet: A Novel Attention-Based Architecture Using Anatomical Prior Probability Maps for Thoracic Disease Classification [2.0319363307774476]
  胸部疾患は, 他と比較して, 特定の解剖学的領域で発生しやすいことが知られている。 本稿では、この病気と地域依存の事前確率分布をディープラーニングフレームワークに組み込むことを目的とする。
  論文  参考訳（メタデータ） (2022-10-06T15:38:02Z)
• Algorithmic encoding of protected characteristics and its implications on disparities across subgroups [17.415882865534638]
  機械学習モデルは、患者の人種的アイデンティティと臨床結果の間に望ましくない相関関係を拾うことができる。 これらのバイアスがどのようにコード化され、どのように異なるパフォーマンスを減らしたり、取り除いたりするかについては、ほとんど分かっていない。
  論文  参考訳（メタデータ） (2021-10-27T20:30:57Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• 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)
• Pose-dependent weights and Domain Randomization for fully automatic X-ray to CT Registration [51.280096834264256]
  完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。 この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。 ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
  論文  参考訳（メタデータ） (2020-11-14T12:50:32Z)
• Analysing Risk of Coronary Heart Disease through Discriminative Neural Networks [18.124078832445967]
  診断のような重要なアプリケーションでは、このクラス不均衡は見過ごせない。 我々は、識別モデルと対照的な損失を用いて、ニューラルネットワークを介して、このクラス不均衡をどう扱えるかを説明する。
  論文  参考訳（メタデータ） (2020-06-17T06:30:00Z)
• CheXclusion: Fairness gaps in deep chest X-ray classifiers [4.656202572362684]
  本研究では,最先端のディープラーニング分類器が保護属性に対してどの程度偏りがあるかを検討する。 我々は畳み込みニューラルネットワークをトレーニングし、14の診断ラベルを3つの有名な公共胸部X線データセットで予測する。 TPRの相違はサブグループの比例性疾患の重荷と有意な相関は認められなかった。
  論文  参考訳（メタデータ） (2020-02-14T22:08:12Z)

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。