Fugu-MT 論文翻訳(概要): LesionTABE: Equitable AI for Skin Lesion Detection

論文の概要: LesionTABE: Equitable AI for Skin Lesion Detection

arxiv url: http://arxiv.org/abs/2601.03090v1
Date: Tue, 06 Jan 2026 15:22:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-07 17:02:12.988957
Title: LesionTABE: Equitable AI for Skin Lesion Detection
Title（参考訳）: LesionTABE: 皮膚病変検出のための等価AI
Authors: Rocio Mexia Diaz, Yasmin Greenway, Petru Manescu,
Abstract要約: バイアスは、皮膚科学におけるAIの臨床的採用の大きな障壁である。本稿では, 対人嫌悪と皮膚学固有の基礎モデル埋め込みを結合したフェアネス中心のフレームワークであるLesionTABEを紹介する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Bias remains a major barrier to the clinical adoption of AI in dermatology, as diagnostic models underperform on darker skin tones. We present LesionTABE, a fairness-centric framework that couples adversarial debiasing with dermatology-specific foundation model embeddings. Evaluated across multiple datasets covering both malignant and inflammatory conditions, LesionTABE achieves over a 25\% improvement in fairness metrics compared to a ResNet-152 baseline, outperforming existing debiasing methods while simultaneously enhancing overall diagnostic accuracy. These results highlight the potential of foundation model debiasing as a step towards equitable clinical AI adoption.
Abstract（参考訳）: バイアスは、より暗い皮膚のトーンでパフォーマンスの低い診断モデルとして、皮膚科におけるAIの臨床導入における大きな障壁である。本稿では, 対人嫌悪と皮膚学固有の基礎モデル埋め込みを結合したフェアネス中心のフレームワークであるLesionTABEを紹介する。悪性および炎症状態の両方をカバーする複数のデータセットで評価され、LesionTABEは、ResNet-152ベースラインと比較して25%以上のフェアネス指標の改善を実現し、既存のデバイアス法よりも優れ、同時に全体的な診断精度を向上する。これらの結果は、公平な臨床AI導入に向けたステップとして、ファンデーションモデルのデバイアス化の可能性を強調している。

関連論文リスト

One-shot synthesis of rare gastrointestinal lesions improves diagnostic accuracy and clinical training [45.49415063761575]
EndoRareは、単一の参照画像から多種多様な高忠実度病変を合成する、ワンショットでリトレーニング不要な生成フレームワークである。われわれはこの枠組みを4つの稀な病理から検証した。これらの結果は, コンピュータ支援診断と臨床教育の両方において, 希少なギャップを埋める実践的でデータ効率のよい方法を確立している。
論文参考訳（メタデータ） (2025-12-30T15:07:09Z)
Medical Imaging AI Competitions Lack Fairness [50.895929923643905]
課題データセットが現実の臨床的多様性を代表するものなのか、FAIR原則に従ってアクセス可能で法的に再利用可能なものなのか、という2つの相補的な側面に沿って公正性を評価する。本研究の結果は, 地理的位置, モダリティ, 問題型関連バイアスなどのデータセット構成に有意な偏りがみられ, 現在のベンチマークは実世界の臨床多様性を十分に反映していないことが示唆された。これらの欠点は、ベンチマークエコシステムの基本的な制限を明らかにし、リーダボードの成功と臨床関連性との間の断絶を浮き彫りにします。
論文参考訳（メタデータ） (2025-12-19T13:48:10Z)
Intersectional Fairness in Vision-Language Models for Medical Image Disease Classification [25.30858592524878]
CMAC-MMD(Cross-Modal Alignment Consistency)は、横断的な患者サブグループ間で診断の確実性を標準化するトレーニングフレームワークである。皮膚科コホートでは, 交叉異常診断ギャップ(正陽性率差$TPR)を0.50から0.26に減らした。緑内障検診では、TPRが0.41ドルから0.31ドルに値下げされ、より良いAUCが0.72ドル(vs. 0.71ベースライン)となった。
論文参考訳（メタデータ） (2025-12-17T09:47:29Z)
On the Role of Calibration in Benchmarking Algorithmic Fairness for Skin Cancer Detection [0.03066137405373616]
我々はISIC 2020 Challengeデータセットの皮膚がん検出アルゴリズムの性能を評価する。 2位と3位のモデルと比較し、性別、人種、年齢によって定義されるサブグループに焦点を当てます。既存のモデルでは識別精度が向上するが,リスクを過度に診断し,新たなデータセットに適用した場合に校正上の問題があることが判明した。
論文参考訳（メタデータ） (2025-11-10T23:51:04Z)
A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文参考訳（メタデータ） (2025-08-22T17:48:19Z)
Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
論文参考訳（メタデータ） (2025-08-17T21:54:11Z)
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)
Debias-CLR: A Contrastive Learning Based Debiasing Method for Algorithmic Fairness in Healthcare Applications [0.17624347338410748]
異なる治療と戦うために,暗黙の処理内脱バイアス法を提案した。心不全患者の臨床記録と診断基準,治療報告,生理的活力について検討した。 Debias-CLRは、性別や民族を嫌う場合に、SC-WEAT(Single-Category Word Embedding Association Test)の効果を減少させることができた。
論文参考訳（メタデータ） (2024-11-15T19:32:01Z)
TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文参考訳（メタデータ） (2023-07-19T12:35:09Z)
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)

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。