論文の概要: Beyond Predictive Fairness: Quantifying Attribution Consistency Across Demographic Groups in Diabetic Retinopathy Screening

• arxiv url: http://arxiv.org/abs/2608.18759v1
• Date: Wed, 19 Aug 2026 10:10:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.372188
• Title: Beyond Predictive Fairness: Quantifying Attribution Consistency Across Demographic Groups in Diabetic Retinopathy Screening
• Title（参考訳）: 糖尿病網膜症スクリーニングにおける画像群間の属性一貫性の定量化
• Abstract要約: この研究は、ジェンセン=シャノンの発散に基づくフェアネスを意識した計量であるExplaination Consistency Score (ECS)を紹介する。 実験によると、予測的なパフォーマンスは民族間で異なるが、説明の一貫性は比較的高いままである。
• 参考スコア（独自算出の注目度）: 5.70867735038766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness in medical imaging is commonly evaluated through subgroup performance metrics, yet it remains unclear whether models rely on consistent visual evidence across demographic groups. This work introduces the Explanation Consistency Score (ECS), a fairness-aware metric based on Jensen-Shannon divergence that quantifies the similarity of attribution maps across subgroups. Using diabetic retinopathy screening as a case study, ECS is evaluated globally and within disease severity. Experiments reveal that while predictive performance differs across ethnic groups, explanation consistency remains relatively high and shows no significant association with performance disparities. These findings suggest that predictive fairness and explanation consistency capture complementary dimensions of model behavior, motivating fairness evaluations that extend beyond predictive performance.
• Abstract（参考訳）: 医療画像の公平性は、サブグループのパフォーマンス指標によって評価されることが多いが、モデルが人口統計群全体にわたって一貫した視覚的証拠に依存しているかどうかは不明である。 この研究は、Jensen-Shannon分散に基づくフェアネス対応計量であるExplaination Consistency Score (ECS)を導入し、サブグループ間の帰属写像の類似性を定量化する。 糖尿病網膜症スクリーニングを症例として,心電図の重症度評価を行った。 実験によると、予測的パフォーマンスは民族間で異なるが、説明的一貫性は比較的高く、性能格差と有意な関係は示されていない。 これらの結果から,予測公正性と説明整合性はモデル行動の相補的な次元を捉え,予測性能を超える公平性評価を動機付けることが示唆された。

関連論文リスト

• A Statistical Framework for Data-Driven Discovery of Differential Performance in Clinical Risk Prediction Models [0.0]
  人工知能(AI)と機械学習(ML)を用いた予測モデルは、医療設定における意思決定支援にますます利用されている。 これらのモデルは、人種、年齢、性別、その他の要因によって定義された集団サブグループ間で異なる性能を示す可能性がある。 実世界の環境では、重要なモデル性能の相違は、複数の交差特性によって定義される未知の部分群に生じることがある。
  論文  参考訳（メタデータ） (2026-08-02T15:53:22Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• One Size Fits None: Rethinking Fairness in Medical AI [7.163867603298375]
  現実の医療データセットは、しばしばうるさい、不完全、不均衡である。 差異はフェアネスの懸念を生じさせ、特にマージン化グループに対する既存の不利を補強する場合に顕著である。
  論文  参考訳（メタデータ） (2025-06-17T10:59:02Z)
• Understanding challenges to the interpretation of disaggregated evaluations of algorithmic fairness [49.35494016290887]
  関係する人口を表わすが、実世界の格差を反映するデータである場合、サブグループ間での平等なパフォーマンスは、信頼できない公平さの尺度であることを示す。 本フレームワークでは, 因果関係の明示的な仮定と分析を相補して, 相反や分布変化の制御を提案する。
  論文  参考訳（メタデータ） (2025-06-04T17:40:31Z)
• Slicing Through Bias: Explaining Performance Gaps in Medical Image Analysis using Slice Discovery Methods [5.274804664403783]
  我々はSlice Discovery Methodsを用いて、観測された性能格差の原因に関する仮説とデータの解釈可能な未実行部分集合を同定する。 本研究は, 仮説定式化におけるSDMの有効性を実証し, 既往の男女間パフォーマンスの相違について解説する。
  論文  参考訳（メタデータ） (2024-06-17T23:08:46Z)
• 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)
• The Role of Subgroup Separability in Group-Fair Medical Image Classification [18.29079361470428]
  診断などの系統的バイアスを伴うデータを用いて, サブグループ分離性, サブグループ分離性, 性能劣化の関係について検討した。 私たちの発見は、モデルがどのように偏見を抱くかという問題に新たな光を当て、公正な医療画像AIの開発に重要な洞察を与えました。
  論文  参考訳（メタデータ） (2023-07-06T06:06:47Z)
• Evaluating the Fairness of Deep Learning Uncertainty Estimates in Medical Image Analysis [3.5536769591744557]
  深層学習(DL)モデルは多くの医療画像解析タスクで大きな成功を収めている。 しかし、結果として得られたモデルを実際の臨床状況に展開するには、異なるサブ集団間での堅牢性と公平性が必要である。 近年の研究では、人口統計学的サブグループにまたがるDLモデルに有意なバイアスが見られ、モデルに公平性が欠如していることが示されている。
  論文  参考訳（メタデータ） (2023-03-06T16:01:30Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)

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。