論文の概要: Bias-constrained multimodal intelligence for equitable and reliable clinical AI

• arxiv url: http://arxiv.org/abs/2604.16884v1
• Date: Sat, 18 Apr 2026 07:23:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.215223
• Title: Bias-constrained multimodal intelligence for equitable and reliable clinical AI
• Title（参考訳）: 公平で信頼性の高い臨床AIのためのバイアス拘束型マルチモーダルインテリジェンス
• Authors: Cheng Li, Weijian Huang, Jiarun Liu, Hao Yang, Qi Yang, Song Wu, Ye Li, Hairong Zheng, Shanshan Wang,
• Abstract要約: BiasCareVLはバイアス対応のマルチモーダル学習フレームワークで、モデル設計に直接バイアス制御を導入する。 視覚的質問応答、疾患分類、セグメンテーション、レポート生成など様々な臨床タスクをサポートする。 20の最先端の手法を一貫して上回り、臨床的に困難なシナリオで顕著な成果を上げている。
• 参考スコア（独自算出の注目度）: 20.359655610649476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of medical imaging and clinical text has enabled the emergence of generalist artificial intelligence (AI) systems for healthcare. However, pervasive biases, such as imbalanced disease prevalence, skewed anatomical region distributions, heterogeneous imaging protocols, and demographic disparities, pose significant challenges to the fairness and reliability of vision-language systems in real-world clinical settings. Here we present BiasCareVL, a bias-aware multimodal learning framework that introduces bias control directly into model design, rather than treating it as a post hoc correction. BiasCareVL incorporates adaptive uncertainty modeling with optional human-in-the-loop refinement to regulate the influence of dominant data patterns and to promote equitable reasoning under distributional imbalance. Trained on 3.44 million samples spanning over 15 imaging modalities, the framework supports diverse clinical tasks, including visual question answering, disease classification, segmentation, and report generation within a unified representation space. Across eight public benchmarks covering dermatology, oncology, radiology, and pathology, BiasCareVL consistently outperforms 20 state-of-the-art methods, with pronounced gains in clinically challenging scenarios, including over 10% accuracy improvement in multi-class skin lesion diagnosis and more than 20% Dice improvement in small tumor segmentation. Furthermore, BiasCareVL achieves diagnostic performance exceeding human accuracy with substantially reduced time requirements when evaluated with board-certified radiologists. By open-sourcing BiasCareVL, we aim to promote a transparent, reproducible, and equitable future for AI in healthcare, paving the way for general-purpose, trustworthy, and clinically reliable AI systems.
• Abstract（参考訳）: 医療画像と臨床テキストの統合により、医療のための汎用人工知能(AI)システムが出現した。 しかし、不均衡疾患の有病率、歪んだ解剖学的領域分布、異種イメージングプロトコル、人口格差などの広範囲なバイアスは、現実の臨床環境での視覚言語システムの公平性と信頼性に重大な課題をもたらす。 本稿では,バイアスを考慮したマルチモーダル学習フレームワークであるBiasCareVLについて述べる。 BiasCareVLは、アダプティブ不確実性モデリングとオプションのHuman-in-the-loopリファインメントを組み込んで、支配的なデータパターンの影響を規制し、分散不均衡下での等価推論を促進する。 15の画像モダリティにまたがる3.44万のサンプルに基づいてトレーニングされたこのフレームワークは、視覚的質問応答、疾患分類、セグメンテーション、および統一された表現空間内でのレポート生成など、さまざまな臨床タスクをサポートする。 BiasCareVLは、皮膚科、腫瘍学、放射線学、病理学をカバーする8つの公開ベンチマークで、20以上の最先端の手法を一貫して上回り、多型皮膚病変の診断において10%以上の精度の改善と20%以上のDiceの改善を含む、臨床的に困難なシナリオにおいて顕著に向上している。 さらに、BiasCareVLは、基板認証放射線技師による評価において、時間要件を著しく低減して、人間の精度を超える診断性能を達成する。 BiasCareVLをオープンソース化することで、医療におけるAIの透明性と再現性、公平な未来を推進し、汎用的で信頼性があり、臨床的に信頼できるAIシステムへの道を開くことを目指している。

関連論文リスト

• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Patient-Conditioned Adaptive Offsets for Reliable Diagnosis across Subgroups [11.237134615215977]
  我々は,共有診断モデルを維持しながらサブグループ信頼性を向上させる患者条件適応フレームワークであるHyperAdaptを紹介する。 複数の公開医用画像ベンチマークによる実験により、提案手法は、全体的な精度を犠牲にすることなく、サブグループレベルのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-01-19T14:33:41Z)
• A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
  Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。 本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
  論文  参考訳（メタデータ） (2025-12-23T13:26:13Z)
• MedXAI: A Retrieval-Augmented and Self-Verifying Framework for Knowledge-Guided Medical Image Analysis [0.5581472054346949]
  MedXAIは、深層視覚モデルと臨床から派生した専門知識を統合して、一般化を改善し、希少な偏見を減らし、人間の理解に足る説明を提供する。 我々は,MedXAIを多種多様性で評価し, (i) 静置型fMRIによる静注オンセットゾーンの局在と, (ii) 糖尿病網膜症をグレードする2つの課題について検討した。
  論文  参考訳（メタデータ） (2025-12-10T21:40:04Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• Multi-Modal Explainable Medical AI Assistant for Trustworthy Human-AI Collaboration [17.11245701879749]
  Generalist Medical AI (GMAI) システムは、バイオメディカル認知タスクにおいて、専門家レベルのパフォーマンスを実証している。 本稿では,XMedGPTについて紹介する。XMedGPTはクリニック中心のマルチモーダルAIアシスタントで,テキストと視覚の解釈性を統合している。 我々は,マルチモーダル解釈可能性,不確実性定量化,予測モデリング,厳密なベンチマークの4つの柱にまたがってXMedGPTを検証する。
  論文  参考訳（メタデータ） (2025-05-11T08:32:01Z)
• AI-Driven MRI Spine Pathology Detection: A Comprehensive Deep Learning Approach for Automated Diagnosis in Diverse Clinical Settings [0.0]
  本研究では,MRI脊椎病理診断のための自律型AIシステムの開発について述べる。 データセットは年齢層、性別、スキャナーメーカー間でバランスを取り、堅牢性と適応性を保証する。 このシステムは、インドの主要医療機関13社に展開され、診断センター、大病院、政府施設を含む。
  論文  参考訳（メタデータ） (2025-03-26T08:33:03Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)

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。