論文の概要: Representation Disentanglement for Fair Chest X-Ray Diagnosis

• arxiv url: http://arxiv.org/abs/2610.06041v1
• Date: Mon, 05 Oct 2026 09:40:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 19:12:06.261331
• Title: Representation Disentanglement for Fair Chest X-Ray Diagnosis
• Title（参考訳）: 胸部X線診断における表現障害
• Abstract要約: マルチレベルデコリレーションとプロトタイプ誘導型クロスグループコントラスト学習を組み合わせた単一エンコーダフレームワークを提案する。 さらに,病的表現における人口構造の減少を定量化する新しい指標であるDRAR(Demographic Representation Alignment Reduction)を提案する。
• 参考スコア（独自算出の注目度）: 6.2347869481352625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has advanced chest X-ray (CXR) diagnosis, yet demographic biases in learned representations may contribute to performance disparities across intersectional groups. We propose a single-encoder framework combining dual-level decorrelation with prototype-guided cross-group contrastive learning to reduce demographic dependence while accounting for within-class variation. We further propose Demographic Representation Alignment Reduction (DRAR), a new metric that quantifies the reduction in demographic structure within disease representations. The framework is evaluated on four classification tasks using 34,809 CheXpert test images across eight intersectional groups, defined by age, sex and ethnicity. Compared with empirical risk minimization (ERM), our method reduces the mean equalized-odds gap from 15.41\% to 10.86\% and the AUC gap from 5.95\% to 5.01\%. Our method achieves a DRAR of 59.04\% relative to ERM, with only a slight decrease in mean AUC. These results demonstrate that representation disentanglement can reduce demographic bias and improve intersectional fairness. Code is available at \url{https://github.com/06Yujie/Fair-Medical-Imaging}.
• Abstract（参考訳）: ディープラーニングには高度な胸部X線診断(CXR)があるが、学習表現における人口統計バイアスは、交叉群間のパフォーマンス格差に寄与する可能性がある。 本稿では,2段階のデコリレーションとプロトタイプ誘導型クロスグループコントラスト学習を組み合わせた単一エンコーダフレームワークを提案する。 さらに,病的表現における人口構造の減少を定量化する新しい指標であるDRAR(Demographic Representation Alignment Reduction)を提案する。 このフレームワークは、年齢、性別、民族によって定義された8つの交差点グループにわたる34,809のCheXpertテストイメージを使用して、4つの分類タスクで評価される。 経験的リスク最小化 (ERM) と比較すると, 平均等化オード間隙は15.41\%から10.86\%, AUC間隙は5.95\%から5.01\%に減少する。 本手法はERMと比較して59.04\%のDRARを実現し,平均AUCはわずかに減少した。 これらの結果は、表現の絡み合いが人口統計バイアスを減らし、交差点の公平性を改善することを示している。 コードは \url{https://github.com/06Yujie/Fair-Medical-Imaging} で公開されている。

関連論文リスト

• DMAD: Distribution Matching as Adversarial Distillation for Fast Visual Generation [50.43969311607643]
  DMAD, Distribution Matching as Adversarial Distillationを導入し, 分布マッチングを分類として再放送する。 判別器では,これらの損失が分布マッチングの基礎となるDMDを回復することを示す。 DMADはFréchet Inception Distance (FID) 1.04、ImageNet-64x64 14.47、COCO-10Kの4ステップSDXL、VBenchの合計スコアは85.15、Wan2.1-T2V-14Bである。
  論文  参考訳（メタデータ） (2026-10-01T17:59:01Z)
• Worst-Group Equalized Odds Regularization for Multi-Attribute Fair Medical Image Classification [2.811881431797407]
  最低群等化オードスマージン正規化器を提案する。 これは推論における真正と偽正の双方のサブグループレベルの偏差をターゲットにしている。 等化オッドと等化オッドの格差をAUCに最小限の影響で一貫して減少させる。
  論文  参考訳（メタデータ） (2026-05-19T00:35:02Z)
• FairMed-XGB: A Bayesian-Optimised Multi-Metric Framework with Explainability for Demographic Equity in Critical Healthcare Data [1.7915158401181968]
  批判的ケア設定にデプロイされた機械学習モデルは、人口統計バイアス、特に性別格差を示す。 本稿では,ジェンダーベースの予測バイアスを体系的に検出し緩和する新しいフレームワークであるFairMed-XGBを紹介する。 FairMed-XGBは、公平な臨床試験のための堅牢で解釈可能で倫理的に整合したソリューションを提供する。
  論文  参考訳（メタデータ） (2026-03-16T07:57:40Z)
• Fair Lung Disease Diagnosis from Chest CT via Gender-Adversarial Attention Multiple Instance Learning [6.302369456012738]
  胸部CTボリュームからの多型肺疾患診断のためのフェアネス・アウェア・フレームワークについて検討した。 この課題は、CTスキャンを健康、新型コロナウイルス、腺癌、扁平上皮癌という4つのカテゴリに分類する必要がある。 我々のアプローチは、何百ものスライスにまたがるまばらな病理信号と、病気の階級と性別にまたがる深刻な人口不均衡の2つの問題に対処する。
  論文  参考訳（メタデータ） (2026-03-13T13:42:52Z)
• 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)
• Mitigating Subgroup Disparities in Multi-Label Speech Emotion Recognition: A Pseudo-Labeling and Unsupervised Learning Approach [53.824673312331626]
  Implicit Demography Inference (IDI)モジュールは、k平均クラスタリングを用いて、音声感情認識(SER)におけるバイアスを軽減する 実験により、擬似ラベルIDIはサブグループの格差を減らし、フェアネスの指標を28%以上改善することが示された。 教師なしのIDIは、SERのパフォーマンスが3.6%未満のフェアネス指標を4.6%以上改善する。
  論文  参考訳（メタデータ） (2025-05-20T14:50:44Z)
• FairREAD: Re-fusing Demographic Attributes after Disentanglement for Fair Medical Image Classification [3.615240611746158]
  FairREAD (Fair Refusion After Disentanglement) は, センシティブな階層属性を公正な画像表現に再統合することで不公平を緩和するフレームワークである。 FairREADは、臨床に関係のある詳細を保存するために、制御された再灌流機構を使用しながら、人口統計情報をアンタングルする敵の訓練を採用している。 大規模臨床X線データセットの総合的評価は、FairREADが診断精度を維持しながら不公平度指標を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-12-20T22:17:57Z)
• 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)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)

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。