論文の概要: Fair-Eye Net: A Fair, Trustworthy, Multimodal Integrated Glaucoma Full Chain AI System

• arxiv url: http://arxiv.org/abs/2601.18464v1
• Date: Mon, 26 Jan 2026 13:12:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.837435
• Title: Fair-Eye Net: A Fair, Trustworthy, Multimodal Integrated Glaucoma Full Chain AI System
• Title（参考訳）: Fair-Eye Net: 公正で信頼できるマルチモーダル統合緑内障フルチェインAIシステム
• Authors: Wenbin Wei, Suyuan Yao, Cheng Huang, Xiangyu Gao,
• Abstract要約: 緑内障は世界中で不可逆性視力の最大の原因であり、早期発見と経時的な視力低下の予防に重要な役割を担っている。 Fair-Eye Netは、緑内障スクリーニングからフォローアップおよびリスク警告までの臨床ループを閉鎖する、公正で信頼性の高いマルチモーダルAIシステムである。 ファンドス写真、OCT構造メトリクス、VF機能指標、および人口統計因子を、二ストリームの異種融合アーキテクチャを通じて統合し、選択予測と安全な参照のための不確実性を考慮した階層的ゲーティング戦略と統合する。
• 参考スコア（独自算出の注目度）: 4.8618060696029
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Glaucoma is a top cause of irreversible blindness globally, making early detection and longitudinal follow-up pivotal to preventing permanent vision loss. Current screening and progression assessment, however, rely on single tests or loosely linked examinations, introducing subjectivity and fragmented care. Limited access to high-quality imaging tools and specialist expertise further compromises consistency and equity in real-world use. To address these gaps, we developed Fair-Eye Net, a fair, reliable multimodal AI system closing the clinical loop from glaucoma screening to follow-up and risk alerting. It integrates fundus photos, OCT structural metrics, VF functional indices, and demographic factors via a dual-stream heterogeneous fusion architecture, with an uncertainty-aware hierarchical gating strategy for selective prediction and safe referral. A fairness constraint reduces missed diagnoses in disadvantaged subgroups. Experimental results show it achieved an AUC of 0.912 (96.7% specificity), cut racial false-negativity disparity by 73.4% (12.31% to 3.28%), maintained stable cross-domain performance, and enabled 3-12 months of early risk alerts (92% sensitivity, 88% specificity). Unlike post hoc fairness adjustments, Fair-Eye Net optimizes fairness as a primary goal with clinical reliability via multitask learning, offering a reproducible path for clinical translation and large-scale deployment to advance global eye health equity.
• Abstract（参考訳）: 緑内障は世界中で不可逆性視力の最大の原因であり、早期発見と経時的な視力低下の予防に重要な役割を担っている。 しかし、現在のスクリーニングと進捗評価は、単体テストや緩やかにリンクされた検査に頼っており、主観性と断片的なケアを導入している。 高品質の撮像ツールや専門知識への限られたアクセスは、現実の用途における一貫性とエクイティをさらに損なう。 このギャップに対処するため,我々は,緑内障スクリーニングからフォローアップ,リスク警告までの臨床ループを閉じる,公正で信頼性の高いマルチモーダルAIシステムであるFair-Eye Netを開発した。 ファンドス写真、OCT構造メトリクス、VF機能指標、および人口統計因子を、二ストリームの異種融合アーキテクチャを通じて統合し、選択予測と安全な参照のための不確実性を考慮した階層的ゲーティング戦略と統合する。 公平性制約は、不利な部分群における欠測診断を減少させる。 実験の結果、AUCは0.912(96.7%の特異性)を達成し、人種的偽ネガティリティの格差を73.4%(12.31%から3.28%)削減し、安定したクロスドメイン性能を維持し、3～12ヶ月の早期リスク警告を可能にした(感度92%、特異性88%)。 ホック後のフェアネス調整とは異なり、Fair-Eye Netはフェアネスを、マルチタスク学習による臨床信頼性の第一の目標として最適化し、臨床翻訳のための再現可能なパスと、グローバルなアイヘルスエクイティを向上するための大規模展開を提供する。

関連論文リスト

• Selective Diabetic Retinopathy Screening with Accuracy-Weighted Deep Ensembles and Entropy-Guided Abstention [0.0]
  糖尿病網膜症(DR)は2030年までに全世界で1億3000万人以上の患者に影響を与えると予測されている。 不確実性推定と統合された深層アンサンブル学習フレームワークを導入し,DR検出における堅牢性,透明性,スケーラビリティを向上させる。 35,000個のEyePACS網膜基底画像のトレーニングと検証は、未濾過の精度93.70%を生み出した。
  論文  参考訳（メタデータ） (2025-10-29T04:16:04Z)
• DRetNet: A Novel Deep Learning Framework for Diabetic Retinopathy Diagnosis [8.234135343778993]
  現在のDR検出システムは、画質の悪い画像、解釈可能性の欠如、ドメイン固有の知識の不十分な統合に苦慮している。 3つの革新的なコントリビューションを統合する新しいフレームワークを紹介します。 フレームワークの精度は92.7%、精度は92.5%、リコールは92.6%、F1スコアは92.5%、AUCは97.8%、mAPは0.96、MCCは0.85である。
  論文  参考訳（メタデータ） (2025-09-01T02:27:16Z)
• MultiRetNet: A Multimodal Vision Model and Deferral System for Staging Diabetic Retinopathy [0.0]
  糖尿病網膜症(DR)は予防可能な失明の主要な原因であり、世界中で1億人以上に影響している。 低所得層の個人は、診断前に進行するリスクが高く、主にスクリーニングへのアクセスが限られているためである。 DRステージング精度を向上させるために,網膜イメージング,社会経済的要因,および協調性プロファイルを組み合わせた新しいパイプラインであるMultiRetNetを提案する。
  論文  参考訳（メタデータ） (2025-07-19T20:00:31Z)
• EyeSeg: An Uncertainty-Aware Eye Segmentation Framework for AR/VR [58.33693755009173]
  EyeSegは拡張現実(AR)と仮想現実(VR)のための不確実性を認識したアイセグメンテーションフレームワーク 我々は,従来のアプローチを超越したMIoU,E1,F1,ACCのセグメンテーション改善を実現していることを示す。
  論文  参考訳（メタデータ） (2025-07-13T14:33:10Z)
• Spatial-aware Transformer-GRU Framework for Enhanced Glaucoma Diagnosis from 3D OCT Imaging [3.093890460224435]
  本稿では3次元光コヒーレンス・トモグラフィー(OCT)画像の診断値を利用した新しいディープラーニングフレームワークを提案する。 我々は、リッチスライスな特徴抽出のための網膜データに事前学習された視覚変換器と、スライス間空間依存性をキャプチャするための双方向Gated Recurrent Unitを統合する。
  論文  参考訳（メタデータ） (2024-03-08T22:25:15Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Reliable Multimodality Eye Disease Screening via Mixture of Student's t Distributions [49.4545260500952]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインEyeMoStについて紹介する。 本モデルでは,一様性に対する局所的不確実性と融合モードに対する大域的不確実性の両方を推定し,信頼性の高い分類結果を生成する。 パブリックデータセットと社内データセットの両方に関する実験結果から、我々のモデルは現在の手法よりも信頼性が高いことが判明した。
  論文  参考訳（メタデータ） (2023-03-17T06:18:16Z)

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。