Fugu-MT 論文翻訳(概要): Fairness Definitions and Metrics in Deep Reinforcement Learning for Drug Discovery in Healthcare: A Rapid Evidence Review

論文の概要: Fairness Definitions and Metrics in Deep Reinforcement Learning for Drug Discovery in Healthcare: A Rapid Evidence Review

arxiv url: http://arxiv.org/abs/2606.02902v1
Date: Mon, 01 Jun 2026 21:18:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-03 22:00:04.611739
Title: Fairness Definitions and Metrics in Deep Reinforcement Learning for Drug Discovery in Healthcare: A Rapid Evidence Review
Title（参考訳）: 医療における薬物発見のための深層強化学習におけるフェアネス定義とメトリクス--迅速エビデンスレビュー
Authors: Esmaeil Shakeri, Ronnie de Souza Santos, Behrouz Far,
Abstract要約: DRLに基づく薬物発見において、公正性がどのように定義され、測定され、テストされるかの正確な合成は存在しない。 i)データセットの構成と戦略、特に足場とランダムの分割、評価と分配のシフト、(ii)報酬設計(QED、ドッキング、毒性、合成アクセシビリティ)が、がんターゲットに重点を置いたバイアスをいかに生み出すか、あるいは緩和するか、(iii)測定可能な指標がフェアネスを最もよく捉えているか、という3つの質問に焦点をあてる。
参考スコア（独自算出の注目度）: 2.198430261120653
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep reinforcement learning (DRL) is increasingly applied to de novo molecular design, but choices in data, rewards, and evaluation can yield uneven performance across disease areas and chemotypes. Despite this, there is no concise synthesis of how fairness is defined, measured, and tested in DRL-based drug discovery. In this rapid evidence review, we synthesize fairness definitions and metrics for DRL-driven molecule generation in healthcare. We focus on three questions: (i) how dataset composition and split strategies, especially scaffold versus random splits, affect evaluation and distribution shift; (ii) how reward design (e.g., QED, docking, toxicity, synthetic accessibility) can create or mitigate bias, with emphasis on cancer targets; and (iii) which measurable metrics best capture fairness. This includes parity across cancer versus non-cancer indications and across cancer subtypes. It also includes distributional balance in key physicochemical descriptors, scaffold/chemotype diversity, groupwise validity, toxicity, and synthetic accessibility. From 2017 onward, we searched major biomedical, computer science, and engineering literature databases and used arXiv for horizon scanning. Records were screened using PRISMA-style procedures and analyzed via content coding to link reported parity outcomes to dataset and reward choices. Our review provides a concise set of fairness definitions and metrics for DRL molecule generation. It offers practical guidance for reporting distribution parity and outcome parity. It also summarizes how dataset and reward choices relate to observed parity effects and identifies open gaps relevant to trustworthy, cancer-relevant DRL generation.
Abstract（参考訳）: 深部強化学習(DRL)はデ・ノボ分子設計にますます応用されているが、データ、報酬、評価の選択は、疾患領域や化学タイプの不均一なパフォーマンスをもたらす可能性がある。それにもかかわらず、DRLに基づく薬物発見において、公正性がどのように定義され、測定され、テストされるかの正確な合成は存在しない。この素早いエビデンスレビューでは、医療におけるDRL駆動分子生成のためのフェアネス定義とメトリクスを合成する。私たちは3つの質問に焦点をあてています。一データセットの構成及び分割戦略、特に足場とランダムの分割が評価及び分散シフトに与える影響二報酬設計(例えば、QED、ドッキング、毒性、合成アクセシビリティ)が、がん標的に重点を置いたバイアスを発生又は緩和する方法三測定可能な指標が公正を最もよく捉えているもの。これには、がんと非がんの表示、およびがんのサブタイプ間のパリティが含まれる。また、主要な物理化学的記述子、足場/化学タイプ多様性、集団的妥当性、毒性、合成アクセシビリティの分布バランスも含む。 2017年以降、我々はバイオメディカル、コンピュータサイエンス、工学文献データベースを検索し、地平線スキャンにarXivを使用した。 PRISMAスタイルのプロシージャを使用してレコードをスクリーニングし、コンテンツコーディングを通じて分析し、報告されたパリティ結果とデータセットと報酬の選択をリンクした。本稿では,DRL分子生成のための簡潔なフェアネス定義と指標について述べる。分布パリティと結果パリティを報告するための実践的なガイダンスを提供する。また、データセットと報酬の選択が観察されたパリティ効果とどのように関連しているかを要約し、信頼に値する癌関連DRL生成に関連するオープンギャップを特定する。

関連論文リスト

Eliciting Medical Reasoning with Knowledge-enhanced Data Synthesis: A Semi-Supervised Reinforcement Learning Approach [62.0906177191353]
既存のアプローチでは、教師付き微調整を経て、大規模プロプライエタリモデルからの連鎖推論トレースを蒸留し、強化学習(RL)を実施している。 MedSSRは,医療知識を付加したデータ合成と半教師付き強化学習フレームワークである。本フレームワークはまず, 分布制御可能な推論質問を合成するために, 稀な疾患知識を利用する。次に、ポリシーモデル自体を利用して高品質な擬似ラベルを生成する。これにより、擬似ラベルデータ上での自己教師型RLと、人間の注釈付き実データ上での教師型RLの2段階固有の訓練パラダイムが実現される。
論文参考訳（メタデータ） (2026-04-13T14:37:38Z)
MedConclusion: A Benchmark for Biomedical Conclusion Generation from Structured Abstracts [6.305549902494417]
MedConclusionは、バイオメディカルな結論生成のための構造化抽象化の大規模データセットである。各インスタンスは、抽象的でない部分とオリジナルの著者による結論とをペアリングする。 MedConclusionには、バイオメディカルカテゴリやSJRといったジャーナルレベルのメタデータも含まれている。
論文参考訳（メタデータ） (2026-04-07T22:34:02Z)
An Interpretable Machine Learning Framework for Non-Small Cell Lung Cancer Drug Response Analysis [3.416642353308202]
パーソナライズドメディカルでは、治療は個人の遺伝情報と生活様式に応じて調整される。本稿では,遺伝子プロファイルに着目した患者データを用いたパーソナライズされた治療計画の開発に焦点をあてる。がんにおける薬物感受性ゲノミクスのマルチオミクスデータは、予測モデルを構築するために使われてきた。 XGBoostorは、がんデータセットから抽出された分子的および細胞的特徴に焦点を当てた薬物応答を予測するために使用される。
論文参考訳（メタデータ） (2026-03-17T10:01:26Z)
Exploring Drug Safety Through Knowledge Graphs: Protein Kinase Inhibitors as a Case Study [3.487220175067471]
逆薬物反応(英: Adverse Drug Reactions, ADRs)は、致死率と死亡率の主要な原因である。既存の予測方法は、主に化学類似性、構造化データベースでの機械学習、あるいは孤立したターゲットプロファイルに依存している。本稿では,多様な情報源,薬物標的データ(EMBL),臨床試験文献(ChBL),トライアルメタデータ(ClinicalTrials.gov),販売後安全報告(FAERS)を統一した知識グラフベースのフレームワークを提案する。得られたネットワークは、有効性、表現型およびターゲット類似性の文脈的比較と、ターゲット-逆-事象相関によるADR予測を可能にする。
論文参考訳（メタデータ） (2026-02-17T12:30:33Z)
Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文参考訳（メタデータ） (2025-10-05T12:35:01Z)
Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文参考訳（メタデータ） (2024-11-10T16:40:27Z)
Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文参考訳（メタデータ） (2024-05-23T13:22:17Z)
Bt-GAN: Generating Fair Synthetic Healthdata via Bias-transforming Generative Adversarial Networks [3.3903891679981593]
本稿では,医療領域に特化して設計されたGANベースの合成データジェネレータであるBias-transforming Generative Adversarial Networks (Bt-GAN)について述べる。以上の結果から,Bt-GANはSOTA精度を向上し,公平性とバイアスの最小化を図った。
論文参考訳（メタデータ） (2024-04-21T12:16:38Z)
Unsupervised EHR-based Phenotyping via Matrix and Tensor Decompositions [0.6875312133832078]
本稿では,低ランク近似に基づく計算表現法について概観する。近年,様々な制約を組み込んだ低ランクデータ近似手法が開発され,解釈可能性の向上が図られている。
論文参考訳（メタデータ） (2022-09-01T09:47:27Z)
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)
A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。