論文の概要: Neuron Incidence Redistribution for Fairness in Medical Image Classification

• arxiv url: http://arxiv.org/abs/2605.19393v1
• Date: Tue, 19 May 2026 05:39:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.14589
• Title: Neuron Incidence Redistribution for Fairness in Medical Image Classification
• Title（参考訳）: 医用画像分類におけるフェアネスのためのニューロン入射再分配
• Authors: Abin Shoby, Lyle John Palmer, Nikhil Cherian Kurian,
• Abstract要約: そこで本研究では,1層ニューロン間での予測確率重み付き平均アクティベーションのばらつきを,学習時に階層ラベルを必要としない,軽量な正規化手法を提案する。 HAM10000では、TPRの格差は年齢層で10.81%から0.93%に減少し、性別で12.04%から0.74%に減少し、AUCは0.51ポイントに改善した。 ハーバード大学のOCT-RNFLでは、NIRはFPRの人種差(15.68%から10.66%)と年齢(12.69%から1.80%)を減らしている。
• 参考スコア（独自算出の注目度）: 0.937662628834354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models for medical image classification are susceptible to subgroup performance disparities across demographic attributes such as age, gender, and race. We identify a latent representational mechanism underlying these disparities: in transfer-learned models, the dominant penultimate-layer activation channel under positive predictions is co-activated by both disease-positive samples and privileged demographic groups (male, older patients), producing over-diagnosis; conversely, the dominant channel under negative predictions is co-activated by disadvantaged groups (female, younger patients), producing systematic under-diagnosis. To address this, we propose Neuron Incidence Redistribution (NIR), a lightweight regularization method that penalizes the variance of predicted-probability-weighted mean activations across penultimate-layer neurons, requiring no demographic labels at training time. On HAM10000, TPR disparity drops from 10.81% to 0.93% across age groups and from 12.04% to 0.74% across gender, with a marginal AUC improvement of 0.51 points. On Harvard OCT-RNFL, NIR reduces FPR disparity for race (from 15.68% to 10.66%) and age (from 12.69% to 1.80%), demonstrating that distributing latent disease evidence across the full penultimate layer is a principled and effective strategy for improving demographic fairness in medical AI.
• Abstract（参考訳）: 医用画像分類のための深層学習モデルは、年齢、性別、人種などの人口統計特性のサブグループのパフォーマンス格差に影響を受けやすい。 移入学習モデルでは, 有意な予測下での有意な有意な一層活性化チャネルは, 疾患陽性のサンプルと特権的人口集団(男性, 高齢者)の両方で共活性化され, 過剰診断を生じ, 逆に, 負の予測下での優越的なチャネルは不利なグループ(女性, 若年患者)で共活性化され, 体系的な下診断を生じる。 そこで本研究では,予測確率重み付き平均アクティベーションの変動をペナライズする軽量な正規化手法であるNuron Incidence Redistribution (NIR)を提案する。 HAM10000では、TPRの格差は年齢層で10.81%から0.93%に減少し、性別で12.04%から0.74%に減少し、AUCは0.51ポイントに改善した。 ハーバード大学のOCT-RNFLでは、NIRは人種のFPR格差(15.68%から10.66%まで)と年齢(12.69%から1.80%まで)を減らし、潜在性疾患の証拠を全垂直層に分散させることは、医療AIにおける人口の公平性を改善するための原則的かつ効果的な戦略であることを示した。

関連論文リスト

• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Intersectional Fairness in Vision-Language Models for Medical Image Disease Classification [25.30858592524878]
  CMAC-MMD(Cross-Modal Alignment Consistency)は、横断的な患者サブグループ間で診断の確実性を標準化するトレーニングフレームワークである。 皮膚科コホートでは, 交叉異常診断ギャップ(正陽性率差$TPR)を0.50から0.26に減らした。 緑内障検診では、TPRが0.41ドルから0.31ドルに値下げされ、より良いAUCが0.72ドル(vs. 0.71ベースライン)となった。
  論文  参考訳（メタデータ） (2025-12-17T09:47:29Z)
• Comparative assessment of fairness definitions and bias mitigation strategies in machine learning-based diagnosis of Alzheimer's disease from MR images [4.569587135821805]
  本研究では,MCIとアルツハイマー病(AD)の診断のための機械学習モデル(ML)の公平性解析をMRIによる神経画像特徴から行う。 マルチコホートデータセットにおける年齢,人種,性別に関連するバイアスについて検討した。 その結果、年齢や人種に関連するバイアスの存在が明らかとなったが、有意な性別バイアスは観察されなかった。
  論文  参考訳（メタデータ） (2025-05-29T15:07:19Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Adapting Machine Learning Diagnostic Models to New Populations Using a Small Amount of Data: Results from Clinical Neuroscience [21.420302408947194]
  我々は、ソースグループからのデータを最適に組み合わせ、ターゲットグループで予測する、重み付き経験的リスク最小化手法を開発した。 本研究では,アルツハイマー病の診断と脳年齢推定のためのMLモデルを構築するため,20の神経画像研究から15,363人のマルチソースデータに適用した。
  論文  参考訳（メタデータ） (2023-08-06T18:05:39Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。