論文の概要: Mitigating Individual Skin Tone Bias in Skin Lesion Classification through Distribution-Aware Reweighting

• arxiv url: http://arxiv.org/abs/2512.08733v1
• Date: Tue, 09 Dec 2025 15:45:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:08.029377
• Title: Mitigating Individual Skin Tone Bias in Skin Lesion Classification through Distribution-Aware Reweighting
• Title（参考訳）: 分布認識再重み付けによる皮膚病変分類における個々の皮膚緊張バイアスの緩和
• Authors: Kuniko Paxton, Zeinab Dehghani, Koorosh Aslansefat, Dhavalkumar Thakker, Yiannis Papadopoulos,
• Abstract要約: 本研究では,皮膚病変分類における個性評価と緩和のための分布に基づく枠組みを提案する。 我々は,スキントーンを分類ラベルではなく連続属性として扱い,その分布をモデル化するためにカーネル密度推定(KDE)を用いる。
• 参考スコア（独自算出の注目度）: 0.4784604186682396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skin color has historically been a focal point of discrimination, yet fairness research in machine learning for medical imaging often relies on coarse subgroup categories, overlooking individual-level variations. Such group-based approaches risk obscuring biases faced by outliers within subgroups. This study introduces a distribution-based framework for evaluating and mitigating individual fairness in skin lesion classification. We treat skin tone as a continuous attribute rather than a categorical label, and employ kernel density estimation (KDE) to model its distribution. We further compare twelve statistical distance metrics to quantify disparities between skin tone distributions and propose a distance-based reweighting (DRW) loss function to correct underrepresentation in minority tones. Experiments across CNN and Transformer models demonstrate: (i) the limitations of categorical reweighting in capturing individual-level disparities, and (ii) the superior performance of distribution-based reweighting, particularly with Fidelity Similarity (FS), Wasserstein Distance (WD), Hellinger Metric (HM), and Harmonic Mean Similarity (HS). These findings establish a robust methodology for advancing fairness at individual level in dermatological AI systems, and highlight broader implications for sensitive continuous attributes in medical image analysis.
• Abstract（参考訳）: 肌の色は歴史的に差別の焦点となっているが、医学画像のための機械学習における公正性の研究は、しばしば個々のレベルのバリエーションを見越して粗いサブグループカテゴリーに依存している。 このようなグループベースのアプローチは、サブグループ内の外れ値が直面する偏見を隠蔽するリスクを負う。 本研究では,皮膚病変分類における個性評価と緩和のための分布に基づく枠組みを提案する。 我々は,スキントーンを分類ラベルではなく連続属性として扱い,その分布をモデル化するためにカーネル密度推定(KDE)を用いる。 さらに,12の統計的距離測定値を比較し,皮膚の音色分布の差を定量化し,少数音の低表現を補正するための距離ベース再重み付け(DRW)損失関数を提案する。 CNNとTransformerモデルによる実験は以下のとおりである。 一 個人レベルの格差をとらえる際の分類的重み付けの限界、及び (II)分布に基づく再重み付けの優れた性能、特にFidelity similarity(FS)、Wasserstein Distance(WD)、Hellinger Metric(HM)、Harmonic Mean similarity(HS)が優れている。 これらの知見は、皮膚科のAIシステムにおける個々のレベルでの公正性を高めるための堅牢な方法論を確立し、医用画像解析におけるセンシティブな継続的な属性に対するより広範な意味を明らかにする。

関連論文リスト

• Investigating Label Bias and Representational Sources of Age-Related Disparities in Medical Segmentation [8.774604259603304]
  医療画像におけるアルゴリズムバイアスは、健康格差を持続させる。 乳がんセグメンテーションでは、モデルが若年者に対して大きなパフォーマンス格差を示す。 本研究は,医学的セグメンテーションにおけるアルゴリズムバイアスの診断のための体系的枠組みを導入する。
  論文  参考訳（メタデータ） (2025-11-01T10:06:30Z)
• Comparative assessment of fairness definitions and bias mitigation strategies in machine learning-based diagnosis of Alzheimer's disease from MR images [4.569587135821805]
  本研究では,MCIとアルツハイマー病(AD)の診断のための機械学習モデル(ML)の公平性解析をMRIによる神経画像特徴から行う。 マルチコホートデータセットにおける年齢,人種,性別に関連するバイアスについて検討した。 その結果、年齢や人種に関連するバイアスの存在が明らかとなったが、有意な性別バイアスは観察されなかった。
  論文  参考訳（メタデータ） (2025-05-29T15:07:19Z)
• Evaluating Machine Learning-based Skin Cancer Diagnosis [0.0]
  この研究は、MobileNetベースのモデルとカスタムCNNモデルの2つの畳み込みニューラルネットワークアーキテクチャを評価する。 どちらのモデルも、皮膚病変を7つのカテゴリに分類し、危険病変と良性病変を区別する能力について評価されている。 この研究は、モデルが説明可能性を示す一方で、異なる肌のトーンの公平性を確保するためにさらなる開発が必要であると結論付けている。
  論文  参考訳（メタデータ） (2024-09-04T02:44:48Z)
• 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)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Achieving Reliable and Fair Skin Lesion Diagnosis via Unsupervised Domain Adaptation [43.1078084014722]
  教師なしドメイン適応(UDA)は、信頼性の高い分類器を開発するために、大きな外部データセットを統合することができる。 UDAは少数派に対する偏見を効果的に軽減し、診断システムの公平性を高めることができる。
  論文  参考訳（メタデータ） (2023-07-06T17:32:38Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• CIRCLe: Color Invariant Representation Learning for Unbiased Classification of Skin Lesions [16.65329510916639]
  皮膚病変分類における公平性を改善するための深層表現学習法であるCIRCLeを提案する。 6種類のフィッツパトリック皮膚型と114の疾患にまたがる16k以上の画像において,CIRCLeの最先端性よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-08-29T12:06:10Z)
• FairDisCo: Fairer AI in Dermatology via Disentanglement Contrastive Learning [11.883809920936619]
  本研究では,FairDisCoを提案する。 FairDisCoを3つのフェアネス手法、すなわち、再サンプリング、再重み付け、属性認識と比較する。 DPMとEOMの2つのフェアネス指標を多クラスに適用し,皮膚病変分類における皮膚型バイアスを強調した。
  論文  参考訳（メタデータ） (2022-08-22T01:54:23Z)
• Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
  本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。 具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。 大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
  論文  参考訳（メタデータ） (2021-03-07T03:10:32Z)
• 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。