論文の概要: FRAME: separating sampling variation from representational cause in medical imaging fairness

• arxiv url: http://arxiv.org/abs/2608.25981v1
• Date: Wed, 26 Aug 2026 16:34:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.910956
• Title: FRAME: separating sampling variation from representational cause in medical imaging fairness
• Title（参考訳）: FRAME:医用画像の公平性における表現的原因からのサンプリング変異の分離
• Abstract要約: サブグループのパフォーマンスの違いは、医療画像における公平性バイアスの標準的な証拠である。 このような主張を監査するための2段階のフレームワークであるFair-model Reference And Mechanism Evaluation (FRAME)を紹介する。
• 参考スコア（独自算出の注目度）: 4.92072880988674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subgroup performance differences are the standard evidence for fairness bias in medical imaging, and the usual response removes the demographic information that a model encodes. Here we introduce Fair-model Reference And Mechanism Evaluation (FRAME), a two-step framework for auditing such a claim. The first step derives a fair-model reference, the distribution of the difference under exact fairness at the observed subgroup sizes. In the second step, we test the remainder with two operators in representation space. One operator cannot change a within-group ranking by construction. Across 702,206 images and 36 encoders, the reference accounts for a median 41% of the reported race difference and 22% of the age difference. Injecting demographic decodability leaves the remainder unchanged, while entangling the group with the disease direction raises the race difference from 0.077 to 0.118. No intervention we tested changes the remainder more than a change of random seed does. Those interventions reduce a difference at the operating point and leave the within-group ranking difference at a median of 0.000. Applied to 89 differences in 9 published studies across 6 medical imaging modalities, the reference accounts for a median 25% of a rate difference and 70% of a difference in the area under the receiver operating characteristic curve. Image-text pretraining instead raises worst-group performance by about 0.05. Applying FRAME before choosing an intervention could distinguish differences that need a mechanistic explanation from differences compatible with sampling variation at the current cohort sizes.
• Abstract（参考訳）: サブグループのパフォーマンスの違いは、医療画像における公平性バイアスの標準的な証拠であり、通常の反応は、モデルが符号化する人口統計情報を除去する。 本稿では、このような主張を監査するための2段階のフレームワークであるFair-model Reference And Mechanism Evaluation (FRAME)を紹介する。 最初のステップは、観測された部分群サイズにおける正確な公平さの下での差の分布であるフェアモデル参照を導出する。 2番目のステップでは、残りを表現空間内の2つの作用素でテストする。 1つの演算子は、構成によってグループ内のランクを変更することはできない。 702,206枚の画像と36枚のエンコーダを通して、この基準は報告された人種差の41%、年齢差の22%を占める。 人口動態の低下は残りは変わらないが、病気の方向でグループを絞ると0.077から0.118に人種差が生じる。 ランダムな種の変化以上の変化は、私たちがテストした介入はありませんでした。 これらの介入は、運用点における差を減らし、グループ内ランキングの差を0.000に抑える。 6つの医用画像モダリティにわたる9つの研究で89の差が認められたが、基準は、周波数差の中央値25%、受信機動作特性曲線下の領域の70%であった。 画像テキスト事前トレーニングは、代わりに、最悪のグループパフォーマンスを約0.05向上させる。 介入を選択する前にFRAMEを適用すると、現在のコホートサイズでのサンプリング変動と互換性のある相違から機械的説明を必要とする相違を区別することができる。

関連論文リスト

• Counterfactual Fairness Audits of Multi-Step Clinical LLM Agents Require a Measured Per-Action Instability Floor [3.0704370207786265]
  本研究は, アクションフロアを横に置かずに報告した反実的公正度推定値が, 相違の証拠として読めないことを示す。 FairMedAgentは, 臨床適応剤の作用の差異を評価するための評価ハーネスである。
  論文  参考訳（メタデータ） (2026-09-02T23:38:17Z)
• Automated binary classification of hazelnut X-ray images: A deep-learning benchmark for quality assessment [33.72751145910978]
  非破壊的なX線撮影では、外部検査だけでは検出が難しい内部のハゼルナッツの欠陥が明らかになる。 799セグメントのシングルカーネルX線画像に基づくバイナリ・ヘーゼルナットの品質分類のベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-08-12T07:55:22Z)
• Compared to What? Baselines and Metrics for Counterfactual Prompting [39.56472929066589]
  患者の性別を外科的に変化させると,MedQAの14.9%のフリップ率を予測する。 本稿では,目標介入下で観察される相違点と,パラフレーズ入力によって引き起こされる相違点を比較検討する枠組みを提案する。 一般モデル感度を考慮すると,これらの効果は大きく消散することがわかった。
  論文  参考訳（メタデータ） (2026-05-01T19:23:33Z)
• Mitigating Individual Skin Tone Bias in Skin Lesion Classification through Distribution-Aware Reweighting [0.4784604186682396]
  本研究では,皮膚病変分類における個性評価と緩和のための分布に基づく枠組みを提案する。 我々は,スキントーンを分類ラベルではなく連続属性として扱い,その分布をモデル化するためにカーネル密度推定(KDE)を用いる。
  論文  参考訳（メタデータ） (2025-12-09T15:45:20Z)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• 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)
• Assessing Racial Disparities in Healthcare Expenditures via Mediator Distribution Shifts [4.357338639836869]
  本研究は,媒介変数の分布の変化を通じて,このような相違を分解する枠組みを開発する。 我々は,保険アクセスや健康行動,健康状態などの仲介者が人種集団間で平等化されている場合,支出格差が持続または減少する程度について検討した。
  論文  参考訳（メタデータ） (2025-04-30T14:23:50Z)
• On Biases in a UK Biobank-based Retinal Image Classification Model [0.0]
  本研究は,イギリスバイオバンクの眼底網膜画像に違いが存在するかどうかを,これらの画像上での疾患分類モデルの評価とトレーニングにより検討する。 モデル全体の性能は高いが、大きな違いがある。 これらの手法は, 偏見に適応したより良い偏見緩和法の必要性を浮き彫りにして, 公平性を高めることができないことが判明した。
  論文  参考訳（メタデータ） (2024-07-30T10:50:07Z)
• FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
  FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-11T19:12:23Z)
• Finetuning Text-to-Image Diffusion Models for Fairness [43.80733100304361]
  公平性は分布的アライメント問題である。 経験的手法では、職業的プロンプトに対する性別、人種、およびそれらの交叉バイアスを著しく低減する。 我々の手法は絶対的平等を超えた公平性の多様な視点を支えている。
  論文  参考訳（メタデータ） (2023-11-11T05:40:54Z)
• MEDFAIR: Benchmarking Fairness for Medical Imaging [44.73351338165214]
  MEDFAIRは、医療画像のための機械学習モデルの公正性をベンチマークするフレームワークである。 モデル選択基準の未検討の問題は、公正な結果に重大な影響を及ぼす可能性がある。 異なる倫理的原則を必要とするさまざまな医療応用シナリオを推奨する。
  論文  参考訳（メタデータ） (2022-10-04T16:30:47Z)
• Learning to Infer Counterfactuals: Meta-Learning for Estimating Multiple Imbalanced Treatment Effects [41.06974193338288]
  本稿では,治療群間のデータエピソードをメタラーニングタスクとみなす。 そこで本研究では,ソース処理グループから十分なサンプルを用いてメタラーナーを訓練し,対象治療における限られたサンプルによる勾配降下によるモデル更新を行う。 実世界の2つのデータセットの実験を行い、推測精度と一般化能力を評価する。
  論文  参考訳（メタデータ） (2022-08-13T23:22:12Z)
• Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
  この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。 我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
  論文  参考訳（メタデータ） (2020-06-13T06:43:37Z)

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。