Fugu-MT 論文翻訳(概要): People-Centred Medical Image Analysis

論文の概要: People-Centred Medical Image Analysis

arxiv url: http://arxiv.org/abs/2604.26991v1
Date: Tue, 28 Apr 2026 22:13:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-01 16:31:53.702873
Title: People-Centred Medical Image Analysis
Title（参考訳）: 人中心医療画像解析
Authors: Zheng Zhang, Milad Masroor, Cuong Nguyen, Tahir Hassan, Yuanhong Chen, David Rosewarne, Kevin Wells, Thanh-Toan Do, Gustavo Carneiro,
Abstract要約: People-Centred Medical Image Analysis (PecMan)は、公正さ、診断精度、ワークフローの有効性を共同で最適化する人間とAIのフレームワークである。精度,公平性,臨床ワークロードのトレードオフを評価するために,FairHAI(Fairness and Human-Centred AI)ベンチマークを導入する。このベンチマークを用いた実験は、PecManが既存の手法を一貫して上回り、信頼性が高く、臨床的に実行可能なAIシステムへの道を開いたことを示している。
参考スコア（独自算出の注目度）: 28.028018247982686
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent advances in data-centric medical AI have produced highly accurate diagnostic systems, but the emphasis on data curation and performance metrics has not translated into widespread clinical adoption. We conjecture that this limited uptake stems from insufficient attention dedicated to the optimisation of fair performance across diverse patient populations and to workflow integration: performance biases can create regulatory barriers, and poorly integrated automation can disrupt clinical routines, degrade the quality of human-AI collaboration, and reduce clinicians' willingness to adopt AI tools. Prior work on workflow integration (e.g., Learning to Defer (L2D) and Learning to Complement (L2C)) and AI fairness has typically examined these challenges in isolation, overlooking their natural interdependence and the practical constraints of clinical environments, such as restricted clinician availability. We propose People-Centred Medical Image Analysis (PecMan), a human-AI framework that jointly optimises fairness, diagnostic accuracy, and workflow effectiveness through a dynamic gating mechanism that assigns cases to AI, clinicians, or both under clinician workload constraints. We also introduce the Fairness and Human-Centred AI (FairHAI) benchmark for evaluating trade-offs between accuracy, fairness, and clinician workload. Experiments using this benchmark show that PecMan consistently outperforms existing methods, paving the way for more trustworthy and clinically viable AI systems. Code will be available upon paper acceptance.
Abstract（参考訳）: データ中心の医療AIの最近の進歩は、高度に正確な診断システムを生み出しているが、データキュレーションとパフォーマンス指標に重点を置いているため、広く臨床応用されているわけではない。パフォーマンスバイアスは規制障壁を生じさせ、統合されていない自動化は臨床ルーチンを妨害し、人間とAIのコラボレーションの質を低下させ、臨床医のAIツールの採用意欲を低下させます。ワークフロー統合(L2D)、Learning to Defer(L2D)、Learning to Complement(L2C))、AIフェアネス(AI Fairness)といった以前の研究は、一般的に、これらの課題を分離して検討し、それらの自然な相互依存性と、クリニック可用性の制限のような臨床環境の実践的制約を見極めている。我々は,AI,臨床医,あるいはその両方にケースを割り当てる動的ゲーティング機構を通じて,公平さ,診断精度,ワークフロー効率を共同で最適化する人間中心型医用画像解析(PecMan)を提案する。また,Fairness and Human-Centred AI(FairHAI)ベンチマークを導入し,精度,公正性,臨床ワークロードのトレードオフを評価する。このベンチマークを用いた実験は、PecManが既存の手法を一貫して上回り、信頼性が高く、臨床的に実行可能なAIシステムへの道を開いたことを示している。コードは、論文の受理時に利用可能になる。

関連論文リスト

Augmenting Clinical Decision-Making with an Interactive and Interpretable AI Copilot: A Real-World User Study with Clinicians in Nephrology and Obstetrics [36.981753143345664]
共同臨床意思決定のための対話型・解釈可能なAIコラボロであるAICareについて紹介する。縦断的な電子健康記録を解析することにより、AICareは動的リスク予測を精査可能な可視化に基礎を置いている。
論文参考訳（メタデータ） (2026-01-31T13:41:32Z)
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)
Towards Human-AI Collaboration System for the Detection of Invasive Ductal Carcinoma in Histopathology Images [0.7150262752562336]
浸潤性乳管癌(Invasive ductal carcinoma,IDC)は乳癌の最も多い形態である。病理画像中のIDCを検出するためのHuman-in-the-loop(HITL)ディープラーニングシステムを提案する。
論文参考訳（メタデータ） (2025-08-11T11:45:57Z)
Over-Relying on Reliance: Towards Realistic Evaluations of AI-Based Clinical Decision Support [12.247046469627554]
私たちは、AIのタスクにおける信頼、信頼、受け入れ、パフォーマンスといった評価指標を超えて進むことを提唱します。私たちはコミュニティに、AIが医療専門家にもたらす創発的な価値を計測する、生態学的に有効な、ドメインに適した研究環境を優先するよう呼びかけています。
論文参考訳（メタデータ） (2025-04-10T03:28:56Z)
Ethical Challenges and Evolving Strategies in the Integration of Artificial Intelligence into Clinical Practice [1.0301404234578682]
我々は、正義と公正、透明性、患者の同意と機密性、説明責任、患者中心で公平なケアの5つの重要な倫理的関心事に焦点を当てる。この論文は、患者の信頼を維持する上でのバイアス、透明性の欠如、そして課題が、医療におけるAIアプリケーションの有効性と公正性を損なう可能性があるかを考察する。
論文参考訳（メタデータ） (2024-11-18T00:52:22Z)
AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
論文参考訳（メタデータ） (2024-02-15T06:46:48Z)
RAISE -- Radiology AI Safety, an End-to-end lifecycle approach [5.829180249228172]
放射線学へのAIの統合は、臨床ケアの供給と効率を改善する機会をもたらす。モデルが安全性、有効性、有効性の最高基準を満たすことに注力すべきである。ここで提示されるロードマップは、放射線学におけるデプロイ可能で信頼性があり、安全なAIの達成を早めることを目的としている。
論文参考訳（メタデータ） (2023-11-24T15:59:14Z)
Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文参考訳（メタデータ） (2022-07-21T09:35:38Z)

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。

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。