論文の概要: FairGen: Preference-Aligned Diffusion for Demographically Equitable Medical Image Synthesis

• arxiv url: http://arxiv.org/abs/2606.14727v1
• Date: Mon, 01 Jun 2026 15:45:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-21 20:00:42.748027
• Title: FairGen: Preference-Aligned Diffusion for Demographically Equitable Medical Image Synthesis
• Title（参考訳）: FairGen: 医用画像の復号化のための選好整合拡散
• Authors: Zhimin Li, Ruichen Zhang, Zhen Tan, Howard J Aizenstein, Jingtong Hu, Tianlong Chen,
• Abstract要約: 人口統計学的にバランスの取れた医療画像を合成するフェアネス対応拡散フレームワークであるFairGenを紹介する。 医師の好みを生成プロセスに組み込むことで、FairGenは合成時のカバレッジと下流の分類を改善する。
• 参考スコア（独自算出の注目度）: 44.21684876717324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical imaging is central to modern diagnostics, and artificial intelligence (AI) systems are increasingly used to support image-based analysis by improving efficiency, accuracy, and access to care. However, inequities in healthcare access and differential disease prevalence create severe demographic imbalances in clinical image data. Such imbalances are compounded by the fact that diseases can manifest with distinct features across demographic groups, rendering certain phenotypic presentations naturally rare. AI models trained on such imbalanced data risk perpetuating diagnostic bias and widening healthcare disparities. Here we introduce FairGen, a fairness-aware diffusion framework that synthesizes demographically balanced medical images while preserving pathology-relevant visual features. By embedding physician-aligned preferences into the generation process, FairGen improves subgroup coverage during synthesis and downstream classification. Applied to dermatology, radiology, and neuroimaging benchmark tasks, FairGen achieves fairness improvements of 95.9% for skin images, 80.0% for chest radiography, and 35.2% for brain MRI, while maintaining competitive diagnostic accuracy relative to models trained on original clinical data. Clinician-facing expert review and external validation on independent cohorts further support that these gains extend beyond standard fidelity metrics and are not confined to the original in-distribution datasets.
• Abstract（参考訳）: 医療画像は現代の診断の中心であり、人工知能(AI)システムは、効率、正確性、ケアへのアクセスを改善することで、画像に基づく分析をサポートするためにますます利用されている。 しかし、医療アクセスやディファレンス病の有病率の不均衡は、臨床画像データに深刻な不均衡をもたらす。 このような不均衡は、特定の表現型プレゼンテーションが自然に稀であるように、集団間で異なる特徴を持つ疾患が現れるという事実によって複雑化されている。 このような不均衡なデータリスクをトレーニングしたAIモデルは、診断バイアスを持続させ、医療格差を広げる。 ここでは,病的関連視覚的特徴を保ちながら,人口動態バランスの取れた医療画像を合成するフェアネス対応拡散フレームワークであるFairGenを紹介する。 医師の好みを生成プロセスに組み込むことで、FairGenは合成と下流の分類においてサブグループカバレッジを改善する。 皮膚科、放射線学、神経イメージングのベンチマークタスクに適用すると、FairGenは95.9%の皮膚画像、80.0%の胸部X線撮影、35.2%の脳MRIの公平性向上を実現し、元の臨床データで訓練されたモデルと比較して、競争力のある診断精度を維持している。 臨床向きの専門家レビューと独立したコホートに対する外部の検証は、これらの利得が標準忠実度指標を超えて拡張され、元のインディストリビューションデータセットに限定されていないことをさらに支持している。

関連論文リスト

• Bias-constrained multimodal intelligence for equitable and reliable clinical AI [20.359655610649476]
  BiasCareVLはバイアス対応のマルチモーダル学習フレームワークで、モデル設計に直接バイアス制御を導入する。 視覚的質問応答、疾患分類、セグメンテーション、レポート生成など様々な臨床タスクをサポートする。 20の最先端の手法を一貫して上回り、臨床的に困難なシナリオで顕著な成果を上げている。
  論文  参考訳（メタデータ） (2026-04-18T07:23:34Z)
• Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
  そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。 本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
  論文  参考訳（メタデータ） (2025-04-20T01:54:18Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• FairREAD: Re-fusing Demographic Attributes after Disentanglement for Fair Medical Image Classification [3.615240611746158]
  FairREAD (Fair Refusion After Disentanglement) は, センシティブな階層属性を公正な画像表現に再統合することで不公平を緩和するフレームワークである。 FairREADは、臨床に関係のある詳細を保存するために、制御された再灌流機構を使用しながら、人口統計情報をアンタングルする敵の訓練を採用している。 大規模臨床X線データセットの総合的評価は、FairREADが診断精度を維持しながら不公平度指標を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-12-20T22:17:57Z)
• Demographic Bias of Expert-Level Vision-Language Foundation Models in Medical Imaging [13.141767097232796]
  自己監督型視覚言語基盤モデルは、明示的なトレーニングアノテーションに頼ることなく、幅広い病態を検出することができる。 これらのAIモデルが人間の偏見を反映または増幅しないことを保証することが不可欠である。 本研究では,5つのグローバルソースデータセットを対象とした胸部X線診断における最先端の視覚言語基盤モデルのアルゴリズム的公正性について検討した。
  論文  参考訳（メタデータ） (2024-02-22T18:59:53Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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。