Fugu-MT 論文翻訳(概要): What Medicine Taught Us About Fairness and What It Missed: Lessons from Reconsidering Race-Specific Lung Function Reference Algorithms

論文の概要: What Medicine Taught Us About Fairness and What It Missed: Lessons from Reconsidering Race-Specific Lung Function Reference Algorithms

arxiv url: http://arxiv.org/abs/2605.24149v1
Date: Fri, 22 May 2026 19:16:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 18:32:16.008504
Title: What Medicine Taught Us About Fairness and What It Missed: Lessons from Reconsidering Race-Specific Lung Function Reference Algorithms
Title（参考訳）: 医学がフェアネスについて学んだこと:人種別肺機能基準アルゴリズムの再検討から学んだこと
Authors: Amin Adibi, Mohsen Sadatsafavi,
Abstract要約: レース固有のGLI-2012から、フェアネスレンズによるレース平均GLI-Globalへの移行を分析する。 i)GLI-Globalは,FEV1の黒白間隙の62%が露光関連であるかのように,健康の社会的決定因子に関する仮定を暗黙的に符号化していることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Since 2019, medical societies have reconsidered race-specific clinical equations often in parallel to and largely independent from algorithmic fairness research. Focusing on lung function reference algorithms that affect medical care, insurance, and employment for hundreds of millions globally, we analyze the transition from race-specific GLI-2012 to race-averaged GLI-Global through a fairness lens. Drawing on historical context, citation analysis, and quantitative evaluation, we show (i) limited cross-citation between FAccT and clinical guideline revision efforts; (ii) that GLI-Global implicitly encodes assumptions about social determinants of health, behaving as if ~62% of the Black-White gap in FEV1 is exposure-related; and (iii) clinical validation studies operationalized a sufficiency-like fairness criterion long before its formalization in fairness literature, while neglecting foundational results such as the impossibility theorem has led to inefficiencies in clinical research. Overall, our analysis highlights the value of deeper, mutually beneficial engagement between medical and fairness communities and the public to accelerate progress toward equitable healthcare algorithms.
Abstract（参考訳）: 2019年以降、医療社会はアルゴリズムフェアネス研究と並行して、しばしば人種固有の臨床方程式を再考してきた。医療,保険,雇用に影響を及ぼす肺機能基準アルゴリズムに着目し,人種別GLI-2012からフェアネスレンズによる人種別GLI-Globalへの移行を解析した。歴史的文脈, 引用分析, 定量的評価に基づく図面について, 以下に示す。一 FAccTと臨床ガイドライン改正の努力の相互引用の制限 (二)GLI-Globalは、健康の社会的決定因子に関する仮定を暗黙的に符号化し、FEV1の黒白間隙の六2%が露光関連であるかのように振る舞うこと。三臨床検証研究は、公正文学の定式化よりずっと前に、不合理性定理のような基礎的な結果を無視して、満足度のような公正度基準を運用し、臨床研究において効率の悪さを招いた。全体としては、医療・公正コミュニティと一般大衆の間での、より深く、相互に有益なエンゲージメントが、公平な医療アルゴリズムへの進歩を加速する価値を強調している。

関連論文リスト

FairLogue: Evaluating Intersectional Fairness across Clinical Machine Learning Use Cases using the All of Us Research Program [0.5951287048890108]
All of Usデータセットを使用して、レプリケーションと評価のために2つの機械学習モデルが選択された。観察的公正度は、人種、性別、交差するサブグループで計算され、続いて反事実分析が行われた。結果は、交差フェアネス監査の重要性を強調し、FairLogueが機械学習システムのバイアスに対する深い洞察を提供する方法を示している。
論文参考訳（メタデータ） (2026-04-07T19:50:10Z)
FL-MedSegBench: A Comprehensive Benchmark for Federated Learning on Medical Image Segmentation [57.930067699003764]
Federated Learning (FL)は、生データを共有せずに、協調的な医療画像分析のためのプライバシー保護パラダイムを提供する。 FL-MedSegBenchは,医用画像セグメンテーションにおけるフェデレーション学習のための総合的なベンチマークである。汎用FL(gFL)法とパーソナライズFL(pFL)法を多次元にわたって体系的に評価した。
論文参考訳（メタデータ） (2026-03-12T08:28:41Z)
PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文参考訳（メタデータ） (2026-02-27T07:19:23Z)
A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-01-29T18:48:21Z)
Medical Imaging AI Competitions Lack Fairness [50.895929923643905]
課題データセットが現実の臨床的多様性を代表するものなのか、FAIR原則に従ってアクセス可能で法的に再利用可能なものなのか、という2つの相補的な側面に沿って公正性を評価する。本研究の結果は, 地理的位置, モダリティ, 問題型関連バイアスなどのデータセット構成に有意な偏りがみられ, 現在のベンチマークは実世界の臨床多様性を十分に反映していないことが示唆された。これらの欠点は、ベンチマークエコシステムの基本的な制限を明らかにし、リーダボードの成功と臨床関連性との間の断絶を浮き彫りにします。
論文参考訳（メタデータ） (2025-12-19T13:48:10Z)
Achieving Fairness Without Harm via Selective Demographic Experts [16.212815178841087]
バイアス緩和技術は、公平性と正確性の間にトレードオフを課すことが多い。臨床診断のような高い領域では、そのようなトレードオフは倫理的にも現実的にも受け入れられない。我々は、異なる人口集団の異なる表現を学習し、公平で無害なアプローチを提案する。
論文参考訳（メタデータ） (2025-11-09T09:11:02Z)
Building Trust in Clinical LLMs: Bias Analysis and Dataset Transparency [3.097915343305639]
臨床言語モデルにおける下流バイアスの詳細な分析について述べる。我々は、民族、性別、年齢など、多様な人口集団にまたがる異なるオピオイド処方の傾向に注目した。 HC4: Healthcare Comprehensive Commons Corpusを紹介します。
論文参考訳（メタデータ） (2025-10-21T12:08:39Z)
Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
論文参考訳（メタデータ） (2025-03-06T18:35:39Z)
What is Fair? Defining Fairness in Machine Learning for Health [0.6311610943467981]
機械学習(ML)モデルが安全で効果的であり、すべての患者に公平であることを保証することは、臨床的な意思決定と、既存の健康格差の増幅を防ぐために重要である。機械学習モデルが不公平な判断に繋がる理由や、さまざまな現実世界のアプリケーションにおいて、公平さがどのように測定されたかなど、健康のためのMLにおいてフェアネスが概念化されているかを検討する。
論文参考訳（メタデータ） (2024-06-13T16:41:30Z)
Cross-Care: Assessing the Healthcare Implications of Pre-training Data on Language Model Bias [3.455189439319919]
大規模な言語モデル(LLM)におけるバイアスと実世界の知識を評価するための最初のベンチマークフレームワークであるCross-Careを紹介する。 ThePile$のような事前学習コーパスに埋め込まれた人口統計バイアスがLLMの出力にどのように影響するかを評価する。以上の結果から, LLMの病状有病率と, 集団間での実際の病状有病率との相違が明らかとなった。
論文参考訳（メタデータ） (2024-05-09T02:33:14Z)
Fair Machine Learning in Healthcare: A Review [90.22219142430146]
我々は、機械学習と医療格差における公正性の交差を分析する。機械学習の観点から、関連する公正度メトリクスを批判的にレビューする。本稿では,医療における倫理的かつ公平なMLアプリケーション開発を約束する新たな研究指針を提案する。
論文参考訳（メタデータ） (2022-06-29T04:32:10Z)

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。