論文の概要: The Impact of Preprocessing Methods on Racial Encoding and Model Robustness in CXR Diagnosis

• arxiv url: http://arxiv.org/abs/2603.05157v1
• Date: Thu, 05 Mar 2026 13:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.242438
• Title: The Impact of Preprocessing Methods on Racial Encoding and Model Robustness in CXR Diagnosis
• Title（参考訳）: CXR診断における前処理法が顔面符号化とモデルロバスト性に及ぼす影響
• Authors: Dishantkumar Sutariya, Eike Petersen,
• Abstract要約: ディープラーニングモデルは、胸部X線記録(CXR)から高い精度で人種識別を行うことができる。 人種的アイデンティティの関数としての診断予測を体系的にバイアスするモデルを意図せずに学習する、人種的ショートカット学習の可能性については、広く懸念されている。
• 参考スコア（独自算出の注目度）: 1.8620637029128548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models can identify racial identity with high accuracy from chest X-ray (CXR) recordings. Thus, there is widespread concern about the potential for racial shortcut learning, where a model inadvertently learns to systematically bias its diagnostic predictions as a function of racial identity. Such racial biases threaten healthcare equity and model reliability, as models may systematically misdiagnose certain demographic groups. Since racial shortcuts are diffuse - non-localized and distributed throughout the whole CXR recording - image preprocessing methods may influence racial shortcut learning, yet the potential of such methods for reducing biases remains underexplored. Here, we investigate the effects of image preprocessing methods including lung masking, lung cropping, and Contrast Limited Adaptive Histogram Equalization (CLAHE). These approaches aim to suppress spurious cues encoding racial information while preserving diagnostic accuracy. Our experiments reveal that simple bounding box-based lung cropping can be an effective strategy for reducing racial shortcut learning while maintaining diagnostic model performance, bypassing frequently postulated fairness-accuracy trade-offs.
• Abstract（参考訳）: ディープラーニングモデルは、胸部X線記録(CXR)から高い精度で人種識別を行うことができる。 したがって、人種的アイデンティティの関数としての診断予測を体系的にバイアスするモデルを不注意に学習する、人種的ショートカット学習の可能性については、広く懸念されている。 このような人種的偏見は、特定の人口集団を体系的に誤認するため、医療の株式とモデルの信頼性を脅かす。 人種的ショートカットは拡散しており、非局在化され、全CXRレコードに分散しているため、画像前処理法は人種的ショートカット学習に影響を及ぼす可能性があるが、そのようなバイアスを減らす方法の可能性はまだ探索されていない。 本稿では,肺マスク,肺刈り,コントラスト限定適応ヒストグラム等化(CLAHE)などの画像前処理方法の効果について検討する。 これらの手法は、診断精度を保ちながら、人種情報をコードする急激な手がかりを抑えることを目的としている。 本実験により, 簡便な拘束箱式肺刈りは, 診断モデルの性能を維持しながら, 人種的ショートカット学習を減らし, 頻繁なフェアネス・精度のトレードオフを回避できる可能性が示唆された。

関連論文リスト

• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• From Detection to Mitigation: Addressing Bias in Deep Learning Models for Chest X-Ray Diagnosis [3.9236980712240217]
  胸部X線で診断を行う際に,性別,年齢,人種による格差を対象とする包括的バイアス検出・緩和フレームワークを提案する。 我々は,CNNの最終層をeXtreme Gradient Boosting分類器に置き換えることで,全体の予測性能を維持したり改善したりしながら,サブグループの公平性を向上させることを示す。 さらに,この軽量なアダプタトレーニング手法と,対角訓練,再重み付け,データ強化,アクティブラーニングなどの従来のフルモデル学習バイアス軽減手法を比較し,本手法が計算コストのごく一部で競争力あるいは優れたバイアス低減を提供することを示した。
  論文  参考訳（メタデータ） (2025-10-12T22:20:08Z)
• Predict Patient Self-reported Race from Skin Histological Images [1.5356047676189333]
  ディープラーニングモデルは、デジタル化された皮膚病理学スライドから自己報告された人種を予測することができる。 白と黒の人口集団は高い予測性能を維持した。 注意分析の結果,表皮は重要な予測的特徴であった。
  論文  参考訳（メタデータ） (2025-07-29T15:27:39Z)
• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• 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)
• Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
  本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。 実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
  論文  参考訳（メタデータ） (2023-05-20T03:17:44Z)
• 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)
• Reading Race: AI Recognises Patient's Racial Identity In Medical Images [9.287449389763413]
  画像の解釈を行う人間の専門家にとって明らかな、医療画像における人種の相関関係は知られていない。 標準的なディープラーニングモデルは、複数の画像モダリティにまたがる高性能な医療画像から競合を予測するためにトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-07-21T21:10:16Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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)
• Potential Features of ICU Admission in X-ray Images of COVID-19 Patients [8.83608410540057]
  本稿では,患者ICU入院ラベルを用いたデータセットから,重症度と相関する意味的特徴を抽出する手法を提案する。 この手法は、肺の病態を認識して意味的特徴を抽出するために訓練されたニューラルネットワークを使用する。 この方法では、学習した特徴の画像を選択でき、肺内の一般的な位置に関する情報を翻訳することができる。
  論文  参考訳（メタデータ） (2020-09-26T13:48:39Z)

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。