論文の概要: CIPHER: Causal Intervention Pathways for Healthcare Equity and Robustness
- arxiv url: http://arxiv.org/abs/2607.02596v1
- Date: Wed, 01 Jul 2026 09:36:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.344641
- Title: CIPHER: Causal Intervention Pathways for Healthcare Equity and Robustness
- Title（参考訳）: CIPHER:医療の質とロバスト性のための因果的介入経路
- Authors: Xinyu Jia, Weidong Guo, Wangyuan Zhao, Yi Guo, Zeju Li, Yuanyuan Wang,
- Abstract要約: 構造因果モデルを用いて医用画像形成過程を定式化する。
CIPHERは4つの因果経路すべてに介入するように設計されたフレームワークである。
マルチパス介入戦略を用いて,最悪のグループ格差を平均35.8%削減した。
- 参考スコア（独自算出の注目度）: 12.8473199678431
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models for medical diagnosis frequently exhibit substantial performance disparities across sensitive subgroups (e.g., race, sex), even when average accuracy is high. While generative data augmentation offers a route to mitigate this, existing strategies are suboptimal; they typically address only one or two dependency channels between sensitive attributes and image features. We formalize the medical image formation process via a structural causal model, revealing that sensitive attributes actually influence image content through four distinct pathways-a structural complexity neglected by prior works. Based on this insight, we introduce CIPHER (Causal Intervention Pathways for Healthcare Equity and Robustness), a framework designed to systematically intervene on all four causal paths. To achieve this, CIPHER utilizes a diffusion backbone equipped with classifier-free guidance and null-text inversion. This technical design enables the faithful reconstruction of patient-specific anatomy while allowing for the precise, editable synthesis of counterfactuals required to break sensitive dependency chains. We tested CIPHER using chest X-ray and dermoscopy benchmarks across both standard and shifted data distributions. By employing a multi-pathway intervention strategy, our model reduced worst-group disparities by an average of 35.8% compared to disease-conditioned synthesis baselines, while also improving total diagnostic accuracy
- Abstract（参考訳）: 医学診断のための深層学習モデルは、平均精度が高い場合でも、センシティブなサブグループ(例えば、人種、性別)間で大きなパフォーマンス格差を示すことが多い。
生成的データ拡張は、これを緩和するルートを提供するが、既存の戦略は、通常、機密属性と画像特徴の間の1つか2つの依存性チャネルにのみ対処する。
本研究では, 医用画像形成過程を構造因果モデルにより定式化し, 感度特性が4つの異なる経路を通して画像内容に実際に影響を与えていることを明らかにする。
この知見に基づいて,4つの因果経路すべてに体系的に介入するように設計されたCIPHER(Causal Intervention Pathways for Healthcare Equity and Robustness)を導入する。
これを実現するためにCIPHERは、分類子なしのガイダンスとnull-textインバージョンを備えた拡散バックボーンを使用する。
この技術設計は、患者固有の解剖学を忠実に再構築し、センシティブな依存鎖を断ち切るために必要なカウンターファクトの正確な編集可能な合成を可能にする。
胸部X線と皮膚内視鏡のベンチマークを用いてCIPHERを標準およびシフトしたデータ分布で試験した。
マルチパスの介入戦略を用いることで, 疾患条件の合成ベースラインと比較して, 最悪のグループ格差を平均35.8%削減し, 診断精度も向上した。
関連論文リスト
- Disentangled Anatomy-Disease Diffusion (DADD) for Controllable Ulcerative Colitis Progression Synthesis [4.554894288663752]
我々は,長期医療画像の制御可能な病期における合成の課題に対処する。
本誌のフレームワークDisentangled Anatomy Diffusionは、2つの相補的な埋め込みに潜時拡散モデルを適用している。
疾患関連チャネルを識別・抑制するクロスアテンションに基づく消去機構であるFeatureを導入する。
提案手法は,全重度レベルの高忠実度画像を生成し,スキュートクラス分布を効果的に再バランスさせる。
論文 参考訳（メタデータ） (2026-05-03T12:35:12Z) - Pathology-Aware Multi-View Contrastive Learning for Patient-Independent ECG Reconstruction [0.12277343096128711]
Pathology-Aware Multi-View Contrastive Learningは、病理多様体を通して潜在空間を規則化するフレームワークである。
我々のアーキテクチャは、高忠実度時間領域波形と、教師付きコントラストアライメントによって学習された病理認識埋め込みを統合している。
PTB-XLデータセットでは,患者非依存環境での最先端モデルと比較して,RMSEの約76%の削減が達成されている。
論文 参考訳（メタデータ） (2026-03-18T01:06:30Z) - Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。
In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。
IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
論文 参考訳（メタデータ） (2026-03-11T06:14:11Z) - A WDLoRA-Based Multimodal Generative Framework for Clinically Guided Corneal Confocal Microscopy Image Synthesis in Diabetic Neuropathy [8.701084151107652]
糖尿病性末梢神経障害(DPN)における角膜共焦点顕微鏡による小線維損傷の評価
強靭で自動的なディープラーニングに基づく診断モデルの開発は、角膜神経形態学におけるラベル付きデータの不足ときめ細かい変化によって制限される。
臨床誘導CCM画像合成のためのWDLoRAに基づくマルチモーダル生成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-14T09:32:44Z) - HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis [1.8747639074211104]
医用画像解析における双曲表現学習の総合的検証について述べる。
我々は11の分布内データセットと3つのViTモデルに対して統計的に有意な利得を示した。
提案手法は,ドメイン不変性を促進し,平均2.1%のAUCで最先端のユークリッド法より優れる。
論文 参考訳（メタデータ） (2026-02-03T08:50:24Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - A Dual-Task Synergy-Driven Generalization Framework for Pancreatic Cancer Segmentation in CT Scans [10.62594407632477]
膵癌は、その顕著な有病率と死亡率によって特徴づけられ、正確な病変の脱線を要求される。
本稿では, ピクセルレベルの分類と回帰処理を相乗化して, 病変を正確に記述する一般化フレームワークを提案する。
膵癌分節タスクの難易度を9.51%改善した。
論文 参考訳（メタデータ） (2025-05-03T00:54:00Z) - Shifting Focus: From Global Semantics to Local Prominent Features in Swin-Transformer for Knee Osteoarthritis Severity Assessment [42.09313885494969]
我々はSwin Transformerの能力を利用して階層的な枠組みを通じて画像内の空間的依存関係を識別する。
我々の新しい貢献は、局所的な特徴表現を精細化し、分類器の最終的な分布に特化することにある。
Knee osteoArthritis (KOA) グレード分類のための2つの確立されたベンチマークを広範囲に検証した結果,本モデルは有意な堅牢性と精度を示した。
論文 参考訳（メタデータ） (2024-03-15T01:09:58Z) - Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。
提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-05-20T03:12:23Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z)
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。