論文の概要: Subgroup performance analysis of adaptation strategies for chest X-ray foundation models

• arxiv url: http://arxiv.org/abs/2608.19078v1
• Date: Wed, 19 Aug 2026 16:25:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.460272
• Title: Subgroup performance analysis of adaptation strategies for chest X-ray foundation models
• Title（参考訳）: 胸部X線基礎モデルの適応戦略のサブグループ解析
• Abstract要約: 我々はMIMIC-CXRを用いて、有病率保存、人口動態バランステストセット上で、人種、性別、画像ビューサブグループ間の8つの病態を評価する。 注意プーリングは、特にレースの属性を符号化するが、全体的なパフォーマンスの改善は、サブグループ格差を一貫して減少させるものではない。
• 参考スコア（独自算出の注目度）: 12.306643760835229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models are increasingly adapted for downstream medical imaging tasks, yet the influence of the chosen adaptation strategy on subgroup fairness remains poorly understood. We investigate how three parameter-efficient adaptation techniques, including linear heads on the raw CLS token, an MLP, and an attention-pooling module over multi-layer patch features, affect both pathology classification performance and subgroup disparities when applied to the frozen Rad-DINO chest X-ray encoder. Using MIMIC-CXR, we evaluate eight pathologies across race, sex, and imaging-view subgroups on a prevalence-preserving, demographically balanced test set, and additionally probe how strongly each adapter encodes protected attributes. We find that attention pooling achieves the strongest overall discriminative performance and encodes attributes, particularly race, most strongly, but that improved overall performance does not consistently reduce subgroup disparities. Notably, stronger attribute encoding did not correspond to larger disparities: early network layers encoded race most weakly yet produced the largest subgroup performance gaps. Exploring different attention-pooling layer combinations further revealed no consistent relationship between the layers pooled, attribute encoding strength, and subgroup fairness. Our results indicate that richer, more expressive representations can improve accuracy while leaving fairness implications task-dependent and unpredictable, which must be assessed directly and per-task rather than inferred from encoding strength or overall performance alone.
• Abstract（参考訳）: ファンデーションモデルは、下流の医療画像タスクに適応する傾向にあるが、選択された適応戦略がサブグループフェアネスに与える影響はよく分かっていない。 凍結したRad-DINO胸部X線エンコーダに適用した場合の病理分類性能とサブグループ差の両方に、生CRSトークン上のリニアヘッド、MLP、多層パッチ上のアテンションプーリングモジュールを含む3つのパラメータ効率適応手法がどう影響するかを検討する。 MIMIC-CXRを用いて、有病率保存、人口動態バランステストセットに基づいて、人種、性別、画像ビューサブグループにまたがる8つの病態を評価し、また、各アダプタが保護属性をエンコードする方法を調査した。 注意プーリングは、特にレースの属性を符号化するが、全体的なパフォーマンスの改善は、サブグループ格差を一貫して減少させるものではない。 初期のネットワーク層でエンコードされたレースは、最も弱いが、最大のサブグループパフォーマンスギャップを生み出した。 異なるアテンションプール層の組み合わせを探索したところ、プールされた層と属性エンコーディング強度、サブグループフェアネスの間には、一貫した関係は見られなかった。 以上の結果から,より豊かで表現力の高い表現は,タスク依存的かつ予測不可能な公平さを保ちながら精度を向上させることが可能であることが示唆された。

関連論文リスト

• Evolution-Aware MSA Reasoning for Subsampling via Factor Graphs [55.715754117956514]
  複数のシーケンスアライメントは、明示的な進化コンテキストを持つタンパク質言語モデルを提供する。 MSAサブサンプリングは限定的なトークン予算では避けられない。 本稿では,因子グラフ推論を用いて固定予算MSAサブセットを推定するAP-REASONERを提案する。
  論文  参考訳（メタデータ） (2026-07-24T13:55:21Z)
• PulmoSight-XAI: An Explainable Multi-View Attention Ensemble with Gradient Boosting Meta-Learning for Multi-Label Chest X-Ray Classification [1.2744523252873352]
  14の胸部病理の堅牢な分類のための説明可能な階層的多視点アンサンブルフレームワークを提案する。 このフレームワークは、フロントとサイドのラジオグラフィーを独立してモデル化することで、ビュー固有のトレーニングを採用する。 このフレームワークは最先端のマクロ平均AUROCスコアを前頭葉で0.9319、横線で0.9154と達成している。
  論文  参考訳（メタデータ） (2026-07-05T19:50:53Z)
• Exploring Entropy-based Active Learning for Fair Brain Segmentation [9.205575630735263]
  アクティブラーニングは、医用画像のセグメンテーションに伴う禁止費用を削減する重要な戦略として現れてきた。 本稿では,現在グループ固有の性能推定値に基づいて不確実性を変調する,重み付きエントロピー選択戦略を備えたフェアネス対応能動学習フレームワークを提案する。 実験により,本手法は,ランダムサンプリングや標準不確実性サンプリングと比較して,グループ間の性能格差を著しく低減することが示された。
  論文  参考訳（メタデータ） (2026-05-03T04:21:48Z)
• Component-Adaptive and Lesion-Level Supervision for Improved Small Structure Segmentation in Brain MRI [0.0]
  我々は,CATMILと呼ばれる統一目的関数を提案し,異なるレベルで動作する2つの補助的監督用語を用いて,ベースセグメンテーション損失を増大させる。 提案した目的を,一貫したnnU-Netフレームワークと5倍のクロスバリデーションを用いてMSLesSegデータセット上で評価する。 その結果, CATMILはセグメンテーション精度, 病変検出, エラー制御において最もバランスのとれた性能を達成できた。
  論文  参考訳（メタデータ） (2026-04-09T09:15:10Z)
• Reducing Class-Wise Performance Disparity via Margin Regularization [82.81746960548382]
  ディープニューラルネットワークは、クラスバランスのデータでトレーニングされた場合でも、クラスレベルでの精度において大きな違いを示すことが多い。 本稿では,性能格差低減のためのMargin Regularization for Performance Disparity Reduction (MR$2$)を提案する。 分析の結果,クラスごとの機能変動がエラーにどのように寄与するかが明らかとなり,ハードクラスに対するより大きなマージンの利用が動機となった。
  論文  参考訳（メタデータ） (2026-01-30T12:56:08Z)
• SG-CLDFF: A Novel Framework for Automated White Blood Cell Classification and Segmentation [0.0]
  SG-CLDFF(Saliency-Guided Cross-Layer Deep Feature Fusion framework) 軽量なハイブリッドバックボーン(Swin-style)は、ResNeXt-CCinspired cross-layer fusion moduleによって融合されたマルチレゾリューション表現を生成する。 解釈性はGrad-CAMビジュアライゼーションと唾液濃度の整合性チェックを通じて実施され、モデル決定を地域レベルで検査することができる。
  論文  参考訳（メタデータ） (2025-10-20T08:07:39Z)
• Addressing Bias in VLMs for Glaucoma Detection Without Protected Attribute Supervision [6.381985108365988]
  本研究は網膜基底画像からの緑内障の自動スクリーニングに焦点を当てた。 画像-画像埋め込みの教師なしクラスタリングを通じてプロキシサブグループを推論する属性非依存型デバイアス手法を提案する。 EOD (Equalized Odds Distance)、ES AUC (Equalized Subgroup AUC)、グループワイズAUC (Groupwise AUC) を報告し, 以下の結果を得た。
  論文  参考訳（メタデータ） (2025-08-12T17:07:58Z)
• Class-attribute Priors: Adapting Optimization to Heterogeneity and Fairness Objective [54.33066660817495]
  現代の分類問題は、個々のクラスにまたがって不均一性を示す。 本稿では,クラス固有の学習戦略を効果的かつ汎用的に生成するCAPを提案する。 CAPは先行技術と競合しており、その柔軟性により、バランスの取れた精度以上の公平性目標に対する明確なメリットが期待できる。
  論文  参考訳（メタデータ） (2024-01-25T17:43:39Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to Improve Segmentation Performance [61.04246102067351]
  本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。 実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-02T10:39:29Z)
• Fairness via Adversarial Attribute Neighbourhood Robust Learning [49.93775302674591]
  本稿では,分類ヘッドを損なうために,UnderlineRobust underlineAdversarial underlineAttribute underlineNeighbourhood (RAAN)損失を原則として提案する。
  論文  参考訳（メタデータ） (2022-10-12T23:39:28Z)

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。