論文の概要: Stride-Net: Fairness-Aware Disentangled Representation Learning for Chest X-Ray Diagnosis

• arxiv url: http://arxiv.org/abs/2602.10875v1
• Date: Wed, 11 Feb 2026 14:04:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.968546
• Title: Stride-Net: Fairness-Aware Disentangled Representation Learning for Chest X-Ray Diagnosis
• Title（参考訳）: Stride-Net:胸部X線診断のためのFairness-Aware Disentangled Representation Learning
• Authors: Darakshan Rashid, Raza Imam, Dwarikanath Mahapatra, Brejesh Lall,
• Abstract要約: 胸部X線分類のためのディープニューラルネットワークは、強い平均性能を達成するが、特定の集団群では性能が劣ることが多い。 胸部X線解析のための病原性差別的かつ人口動態的に不変な表現を学習するフェアネス対応フレームワークであるStride-Netを提案する。
• 参考スコア（独自算出の注目度）: 13.827727377759361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks for chest X-ray classification achieve strong average performance, yet often underperform for specific demographic subgroups, raising critical concerns about clinical safety and equity. Existing debiasing methods frequently yield inconsistent improvements across datasets or attain fairness by degrading overall diagnostic utility, treating fairness as a post hoc constraint rather than a property of the learned representation. In this work, we propose Stride-Net (Sensitive Attribute Resilient Learning via Disentanglement and Learnable Masking with Embedding Alignment), a fairness-aware framework that learns disease-discriminative yet demographically invariant representations for chest X-ray analysis. Stride-Net operates at the patch level, using a learnable stride-based mask to select label-aligned image regions while suppressing sensitive attribute information through adversarial confusion loss. To anchor representations in clinical semantics and discourage shortcut learning, we further enforce semantic alignment between image features and BioBERT-based disease label embeddings via Group Optimal Transport. We evaluate Stride-Net on the MIMIC-CXR and CheXpert benchmarks across race and intersectional race-gender subgroups. Across architectures including ResNet and Vision Transformers, Stride-Net consistently improves fairness metrics while matching or exceeding baseline accuracy, achieving a more favorable accuracy-fairness trade-off than prior debiasing approaches. Our code is available at https://github.com/Daraksh/Fairness_StrideNet.
• Abstract（参考訳）: 胸部X線分類のためのディープニューラルネットワークは、強い平均的な性能を達成するが、特定の人口構成群では性能が劣ることが多く、臨床安全性とエクイティに関する重要な懸念を提起する。 既存のデバイアス法は、データセット間で一貫性のない改善をしばしば得るか、全体的な診断ユーティリティを劣化させ、公正を学習された表現の特性ではなくポストホック制約として扱うことによって公正を達成する。 本研究では,胸部X線解析のための病原性差別的かつ人口的不変な表現を学習する公平なフレームワークであるStride-Netを提案する。 Stride-Netは、学習可能なストライドベースのマスクを使用して、ラベルに沿った画像領域を選択し、対向的混乱損失を通じて機密属性情報を抑圧する。 臨床意味論における表現の定着とショートカット学習の回避のために,画像特徴とBioBERTをベースとしたBioBERT病ラベルの組込みを,グループ・オプティマル・トランスポートを介して意味的アライメント(セマンティック・アライメント)を施行する。 我々は,MIMIC-CXRとCheXpertベンチマークのストライドネットを,レースと交差するレース・ジェンダーのサブグループで評価した。 ResNetやVision Transformersなどを含むアーキテクチャ全体において、Stride-Netは、基準値の精度を一致または超えることなく、常に公正度指標を改善し、事前のデバイアスアプローチよりも良好な精度と公正性のトレードオフを実現している。 私たちのコードはhttps://github.com/Daraksh/Fairness_StrideNetで公開されています。

関連論文リスト

• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• FairREAD: Re-fusing Demographic Attributes after Disentanglement for Fair Medical Image Classification [3.615240611746158]
  FairREAD (Fair Refusion After Disentanglement) は, センシティブな階層属性を公正な画像表現に再統合することで不公平を緩和するフレームワークである。 FairREADは、臨床に関係のある詳細を保存するために、制御された再灌流機構を使用しながら、人口統計情報をアンタングルする敵の訓練を採用している。 大規模臨床X線データセットの総合的評価は、FairREADが診断精度を維持しながら不公平度指標を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-12-20T22:17:57Z)
• 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)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Cross-supervised Dual Classifiers for Semi-supervised Medical Image Segmentation [10.18427897663732]
  半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。 本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。 LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-25T16:23:39Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Fairness meets Cross-Domain Learning: a new perspective on Models and Metrics [80.07271410743806]
  クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。 いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。 本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
  論文  参考訳（メタデータ） (2023-03-25T09:34:05Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)

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。