論文の概要: Explainable AI for Screening Abuse-Related Trauma in Bangladeshi Children: A Training-Free Multimodal Framework Evaluated on Noise-Aware Synthetic Data
- arxiv url: http://arxiv.org/abs/2607.04010v1
- Date: Sat, 04 Jul 2026 20:12:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.790878
- Title: Explainable AI for Screening Abuse-Related Trauma in Bangladeshi Children: A Training-Free Multimodal Framework Evaluated on Noise-Aware Synthetic Data
- Title（参考訳）: バングラデシュの小児における悪用関連外傷のスクリーニングのための説明可能なAI:ノイズ認識合成データに基づくトレーニング不要なマルチモーダルフレームワーク
- Authors: Salma Hoque Talukdar Koli, Fahima Haque Talukder Jely,
- Abstract要約: バングラデシュの精神保健専門家は10万人あたり1.17人であり、全国の精神科医は6人しかいない。
ベンガル語で文化に適応した道具は、児童の虐待に関連する心理的外傷の早期スクリーニングには存在しない。
検証されたアンケート (SDQ, CPSS) , ベンガルの物語テキスト, ハウストレーパーソン (HTP) の描画機能, 顔への影響の4つの指標を融合した意思決定支援フレームワークである。
- 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: Bangladesh has an estimated 1.17 mental-health professionals per 100,000 population and only six child psychiatrists nationwide. No Bengali-language, culturally adapted tool exists for early screening of abuse-related psychological trauma in children. We present ShishuRaksha AI, a decision-support (not diagnostic) framework that fuses four screening modalities: validated questionnaires (SDQ, CPSS), Bengali narrative text, House-Tree-Person (HTP) drawing features, and facial affect. The fusion is training-free and clinically weighted, uses cross-modal attention, and includes a single-modality override rule. Every risk score is explained through clinically weighted, perturbation-based additive attribution and rendered as a bilingual (Bangla/English) report with referral routing to national child-protection services (OCC, DSS, NMHH) under the Children Act 2013. No clinical dataset of abused children can be collected ethically at this stage, so we introduce a noise-aware synthetic benchmark (500 cases, 116 positive [23.2%], four deliberate noise layers, literature-grounded HTP priors) and evaluate tree-ensemble surrogates of the fusion design (facial channel excluded) under 5-fold stratified cross-validation. The fused model reaches an AUC of 0.874 [0.834-0.908], against 0.756 [0.705-0.803] for an SDQ-only baseline, with ablation, operating-point, subgroup, and calibration analyses. We state all limitations openly, including synthetic-only data, no held-out set, text-feature circularity, and an urban-rural subgroup gap. This work is a feasibility study and a design contribution toward ethically deployable child-protection screening in low-resource settings.
- Abstract（参考訳）: バングラデシュの精神保健専門家は10万人あたり1.17人であり、全国の精神科医は6人しかいない。
ベンガル語で文化に適応した道具は、児童の虐待に関連する心理的外傷の早期スクリーニングには存在しない。
評価アンケート (SDQ, CPSS), ベンガル物語テキスト, ハウストレーパーソン (HTP) 描画機能, 顔への影響の4つの指標を融合した, 意思決定支援(診断なし)フレームワークであるShishuRaksha AIを提案する。
核融合は無訓練で臨床的に重み付けされており、クロスモーダルな注意を用いており、単一モダリティのオーバーライドルールを含んでいる。
すべてのリスクスコアは、2013年の児童保護法(OCC, DSS, NMHH)に基づき、臨床的に重み付けされた摂動に基づく付加的属性によって説明され、バイリンガル(バングラ/イングリッシュ)レポートとして表される。
この段階では、虐待を受けた子供の臨床データセットを倫理的に収集することができないため、ノイズ対応の総合ベンチマーク(500例、116例[23.2%]、意図的なノイズ層4例、文献的根拠のあるHTP前駆体)を導入し、5倍の層状クロスバリデーションの下で、融合設計(界面チャネルを除外)の木の集合的サロゲートを評価する。
融合モデルは、SDQのみのベースラインに対して 0.756 [0.705-0.803] に対して 0.874 [0.834-0.908] の AUC に達する。
我々は、合成専用データ、ホールドアウトセットなし、テキスト機能円形、都市と農村のサブグループギャップなど、すべての制限を公然と述べる。
この研究は、低リソース環境での倫理的に展開可能な児童保護スクリーニングに向けた実現可能性研究であり、設計貢献である。
関連論文リスト
- ASD-Bench: A Four-Axis Comprehensive Benchmark of AI Models for Autism Spectrum Disorder [0.0]
ASD-Benchは、ML、ディープラーニング、基礎モデルの構成を3つの年齢コホートで評価する体系的なベンチマークである。
4,068 AQ-10レコードのキュレートされたv3データセットに適用する。
成人分類では,10/17モデルでF1とAUCを達成し,青年期ではF1天井0.837対0.915)が困難である。
論文 参考訳（メタデータ） (2026-05-11T18:01:21Z) - AI Safety Training Can be Clinically Harmful [15.31927635809423]
本稿では,250例の長期曝露療法シナリオと146例のCBT認知再構成演習の4つの生成モデルについて検討した。
全てのモデルは表面の承認 (0.91-1.00) でほぼ完璧に得点し、治療適性は4つのモデル中3つの最重度で0.22-0.33に低下した。
論文 参考訳（メタデータ） (2026-04-25T21:09:50Z) - 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) - From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。
商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。
低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文 参考訳（メタデータ） (2026-03-02T13:02:13Z) - Child Mortality Prediction in Bangladesh: A Decade-Long Validation Study [0.0]
バングラデシュの2011-2022年の人口統計調査(DHS)データ(n = 33,962)は,本論文で使用される。
モデルを(2011-2014)データでトレーニングし、2017年データで検証し、2022年データでテストしました。
モデルの最初のテストから8年後、遺伝的アルゴリズムをベースとしたNeural Architecture Searchは、XGBoostよりも優れた単層ニューラルネットワークを発見した。
論文 参考訳（メタデータ） (2026-02-03T19:18:50Z) - FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。
FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。
Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
論文 参考訳（メタデータ） (2026-01-22T01:34:39Z) - Bridging the Trust Gap: Clinician-Validated Hybrid Explainable AI for Maternal Health Risk Assessment in Bangladesh [0.0]
本研究では、アンテホックファジィ論理とポストホックSHAP説明を組み合わせたハイブリッドAIフレームワークを提案する。
本研究では,1014人の母体保健記録にファジィXGBoostモデルを適用し,88.67%の精度を達成した。
バングラデシュの14人の医療専門家によるバリデーション調査では、ハイブリッドな説明が強く好まれていた。
論文 参考訳（メタデータ） (2026-01-10T16:12:38Z) - MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。
因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。
MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
論文 参考訳（メタデータ） (2025-11-14T06:47:21Z) - CLIN-LLM: A Safety-Constrained Hybrid Framework for Clinical Diagnosis and Treatment Generation [0.31984926651189866]
LLM(Large Language Model)ベースのシステムは、しばしば医学的な根拠がなく、不確実性を定量化できない。
CLIN-LLMは,マルチモーダル患者エンコーディング,不確実性校正疾患分類,検索・拡張治療生成を統合した安全拘束型ハイブリッドパイプラインである。
論文 参考訳（メタデータ） (2025-10-26T10:11:53Z) - 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) - Few-Shot Cross-lingual Transfer for Coarse-grained De-identification of
Code-Mixed Clinical Texts [56.72488923420374]
事前学習型言語モデル (LM) は低リソース環境下での言語間移動に大きな可能性を示している。
脳卒中におけるコードミキシング(スペイン・カタラン)臨床ノートの低リソース・実世界の課題を解決するために,NER (name recognition) のためのLMの多言語間転写特性を示す。
論文 参考訳（メタデータ） (2022-04-10T21:46:52Z)
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。