論文の概要: A Framework for Exploring and Disentangling Intersectional Bias: A Case Study in Fetal Ultrasound
- arxiv url: http://arxiv.org/abs/2605.02942v1
- Date: Fri, 01 May 2026 10:09:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.522585
- Title: A Framework for Exploring and Disentangling Intersectional Bias: A Case Study in Fetal Ultrasound
- Title（参考訳）: 間欠性バイアスの探索と遠位化のための枠組み : 胎児超音波を例として
- Authors: Aya Elgebaly, Joris Fournel, Benjamin Laine Jønch Jurgensen, Kamil Mikolaj, Anders Christensen, Martin Tolsgaard, Claes Ladefoged, Aasa Feragen,
- Abstract要約: 医療用AIにおける交差バイアスを探索し,検出する構造的枠組みを提案する。
我々は,最先端ディープラーニング(DL)モデルと臨床標準ハドロックのバイアスを分析した。
交差解析の結果,PS関連信号の一部がGAで説明され,PS関連改善はBMI層全体で継続していた。
- 参考スコア（独自算出の注目度）: 5.625936286443172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bias in medical AI is often framed as a problem of representation. However, in image-based tasks such as fetal ultrasound, performance disparities can arise even when representation is adequate, because predictive accuracy depends strongly on image quality. Image quality is shaped by acquisition conditions and operator expertise, as well as patient-dependent factors such as maternal body mass index (BMI), all of which may correlate with sensitive demographic features. Consequently, observed disparities may reflect the combined influence of demographic, clinical, and acquisition-related factors rather than data imbalance alone, and may obscure underlying interaction or confounding effects. We propose a structured framework to explore and detect intersectional bias, combining unsupervised slice discovery, systematic factor-wise analysis, and targeted intersectional evaluation. In a case study of over 94{,}000 ultrasound images for fetal weight estimation, we analyze bias in a state-of-the-art deep learning (DL) model and the clinical standard Hadlock, a regression formula using biometric measurements. Pixel spacing (PS) -- a parameter considered suboptimal in current acquisition protocols -- emerged as a consistent driver of performance differences, with higher PS associated with improvements of up to 24\% in selected subgroups for both models. Because PS is often adapted in cases of high BMI or low gestational age (GA), this effect carries a substantial risk of confounding. Our intersectional analysis revealed that part of the PS-associated signal is explained by GA, while PS-related improvements persist across BMI strata, highlighting the importance of acquisition-aware and interaction-aware evaluation in medical AI fairness research.
- Abstract（参考訳）: 医療用AIのバイアスは、しばしば表現の問題として扱われる。
しかし、胎児超音波などの画像ベースタスクでは、予測精度が画像品質に大きく依存するため、表現が適切であっても性能格差が発生する可能性がある。
画像の質は、取得条件とオペレーターの専門知識、および母体質量指数(BMI)などの患者依存因子によって形成され、これらすべてがセンシティブな人口統計学的特徴と相関する可能性がある。
その結果、観察された格差は、データ不均衡のみではなく、人口統計学的、臨床的、および買収関連要因の複合的な影響を反映し、基礎となる相互作用や相反する効果を曖昧にする可能性がある。
本研究では,非教師付きスライス発見,系統的因子分析,対象交差点評価を組み合わせた,交差点バイアスの探索と検出のための構造化フレームワークを提案する。
胎児体重推定のための94{,}000以上の超音波画像のケーススタディでは、最先端のディープラーニング(DL)モデルと、生体計測を用いた回帰式であるHadlockを用いてバイアスを分析する。
現行の取得プロトコルで最適と考えられるパラメータであるピクセルスペーシング(PS)は、パフォーマンスの違いの一貫性のあるドライバとして登場した。
PSは、高BMIまたは低妊娠年齢(GA)の場合にしばしば適応されるため、この効果は相反するリスクを負う。
交差解析の結果,PS関連信号の一部がGAによって説明され,PS関連改善はBMI層全体で継続され,医療AIフェアネス研究における買収意識と相互作用意識の評価の重要性が強調された。
関連論文リスト
- Understanding Sources of Demographic Predictability in Brain MRI via Disentangling Anatomy and Contrast [3.675697215590061]
年齢、性別、人種などのデモグラフィック属性は、医療画像から予測することができ、臨床AIシステムのバイアスに関する懸念を提起する。
脳MRIでは、このシグナルは解剖学的変異、獲得に依存したコントラスト差、あるいは両方から生じる可能性がある。
本稿では,脳MRIを解剖学に焦点を絞った表現に分解する,アンタングル表現学習に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-04T14:33:07Z) - Interpretability and Individuality in Knee MRI: Patient-Specific Radiomic Fingerprint with Reconstructed Healthy Personas [40.168029561784216]
放射線指紋(Radiomic fingerprint)は、MRIから派生した患者固有の特徴である。
健康なペルソナは、各患者に対して病理のないベースラインを合成する。
病理像から抽出した特徴を人格と比較すると、正常な解剖学からの逸脱が強調される。
論文 参考訳（メタデータ） (2026-01-13T14:48:01Z) - Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。
健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。
我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
論文 参考訳（メタデータ） (2025-12-01T11:03:27Z) - Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。
本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
論文 参考訳（メタデータ） (2025-05-12T01:57:25Z) - HepatoGEN: Generating Hepatobiliary Phase MRI with Perceptual and Adversarial Models [33.7054351451505]
肝胆道相(HBP)画像の初期コントラスト位相からの深層学習に基づく合成手法を提案する。
pGANの定量的評価は, 視力評価とブラインドドラジオロジカル・レビューの併用により, pGANが最高の定量的性能を示した。
対照的に、U-Netは、より少ないアーティファクトで一貫した肝拡張を発生させ、DDPMは、微細構造の詳細の保存が限られているため、性能が低下した。
論文 参考訳（メタデータ） (2025-04-25T15:01:09Z) - Towards unraveling calibration biases in medical image analysis [2.4054878434935074]
典型的に採用されるキャリブレーションの指標が,サンプルサイズに対して体系的に偏りがあることを示す。
これは、データ不均衡が人口構成群間で劇的なサンプルサイズ差をもたらすフェアネス研究に特に関係している。
論文 参考訳（メタデータ） (2023-05-09T00:11:35Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Explaining medical AI performance disparities across sites with
confounder Shapley value analysis [8.785345834486057]
マルチサイト評価は、このような格差を診断する鍵となる。
本フレームワークは,各種類のバイアスが全体の性能差に与える影響を定量化する手法を提供する。
本研究は, 深部学習モデルを用いて気胸の有無を検知し, その有用性を実証するものである。
論文 参考訳（メタデータ） (2021-11-12T18:54:10Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。