論文の概要: Fairness or Fallacy? Mapping the Landscape of AI Bias in Disease Detection

• arxiv url: http://arxiv.org/abs/2610.26215v1
• Date: Mon, 19 Oct 2026 11:41:10 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-21 06:57:27.40831
• Title: Fairness or Fallacy? Mapping the Landscape of AI Bias in Disease Detection
• Title（参考訳）: フェアネスかフォールシーか? 疾患検出におけるAIバイアスの景観マッピング
• Abstract要約: 本研究は,様々な疾患検出分野に提案されている最先端技術について概説する。 提案手法は、使用する入力データの種類、モデルのアーキテクチャ、バイアスの種類に基づいて区別される。
• 参考スコア（独自算出の注目度）: 0.8423694424745954
• License:
• Abstract: Artificial intelligence (AI) has several transformative effects on healthcare, like to facilitate clinicians in disease detection and to manage patient care with enhanced precision. Due to the increasing complexity of medical data and the growing volume of diagnostic images, the substantial computational power needed to process such information creates both opportunities and challenges. To accomplish this objective, numerous methodologies have been proposed to integrate AI into disease detection systems. All these methodologies consider different aspects of clinical diagnosis, considering key parameters such as the type of AI model employed, the nature of input data, and the population demographics being analysed. In this paper, we review different state-of-the-art techniques which have been proposed for various areas of disease detection, specifically focusing on bias identification and mitigation. The proposed solutions are distinguished based on the type of input data they utilize, the architecture of model, and type of bias (algorithmic bias, demographic bias, model bias, and deployment bias). The time frame chosen to filter out relevant studies is between 2015 and 2026. Eventually, we review 23 related articles out of 64,389 analyzed from seven different digital libraries. The obtained results guide us to reach a conclusion with respect to state-of-the-art selected studies. Furthermore, these results reveal significant research gaps that can assist researchers in addressing AI-related bias in medical diagnosis. By prioritizing explainability, data diversity, and fairness in algorithmic design, as well as equitable access for affected patient populations, they can utilize available healthcare resources more effectively.
• Abstract（参考訳）: 人工知能(AI)は、疾患検出における臨床医の促進や、より精密な患者のケアの管理など、医療にいくつかの変革的な効果がある。 医療データの複雑化と診断画像の量の増加により、そのような情報を処理するために必要な計算能力は、機会と課題の両方を生み出している。 この目的を達成するために、AIを疾患検出システムに統合するための多くの方法論が提案されている。 これらの手法はすべて、採用されるAIモデルの種類、入力データの性質、分析対象の人口統計といった重要なパラメータを考慮して、臨床診断の異なる側面を考慮している。 本稿では,種々の疾患検出分野に提案されている様々な最先端技術について,特にバイアス識別と緩和に焦点を当てて検討する。 提案したソリューションは、使用する入力データの種類、モデルのアーキテクチャ、バイアスの種類(アルゴリズムバイアス、人口統計バイアス、モデルバイアス、デプロイメントバイアス)に基づいて区別される。 関連する研究をフィルタリングするために選択された時間枠は、2015年から2026年までである。 最終的に、7つのデジタルライブラリから分析された64,389件のうち23件の関連記事についてレビューする。 得られた結果は,最先端の選択された研究の結論にたどり着くための手がかりとなる。 さらに、これらの結果は、研究者が医療診断におけるAI関連バイアスに対処するのに役立つ重要な研究ギャップを明らかにしている。 アルゴリズム設計における説明可能性、データの多様性、公平性を優先順位付けし、患者に対する公平なアクセスを提供することで、利用可能な医療資源をより効果的に活用することができる。

関連論文リスト

• Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
  本研究は,AI支援医療診断における信頼性の重要課題について論じる。 本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。 我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:21Z)
• Artificial intelligence-enabled detection and assessment of Parkinson's disease using multimodal data: A survey [2.06242362470764]
  現在、パーキンソン病の診断、重症度の評価、進行の追跡に有効なバイオマーカーは存在しない。 現在、多くのAIアルゴリズムがPD診断と治療に使われており、多モードおよび異種疾患の症状データに基づいて様々な分類タスクを実行することができる。 PDの可能性を予測し、個人または複数の症状の重症度を評価し、早期発見を支援し、リハビリテーションと治療効果を評価することを含む、表現力のあるフィードバックを提供する。
  論文  参考訳（メタデータ） (2025-02-15T07:26:52Z)
• A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
  神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。 重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。 人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
  論文  参考訳（メタデータ） (2024-05-21T06:44:40Z)
• Unmasking Bias in AI: A Systematic Review of Bias Detection and Mitigation Strategies in Electronic Health Record-based Models [6.300835344100545]
  人工知能を電子健康記録と共に活用することは、医療を改善する変革の可能性を秘めている。 しかし、医療格差を悪化させるAIのバイアスに対処することは見過ごせない。 本研究では,EHRデータを用いたAIモデルにおいて,多様なバイアスを検出・緩和する手法について検討する。
  論文  参考訳（メタデータ） (2023-10-30T18:29:15Z)
• AI Framework for Early Diagnosis of Coronary Artery Disease: An Integration of Borderline SMOTE, Autoencoders and Convolutional Neural Networks Approach [0.44998333629984877]
  我々は,データのバランスが不均衡でサンプルサイズが小さい場合に,より正確な予測を行うために,データのバランスと拡張のための方法論を開発する。 実験の結果,提案手法の平均精度は95.36であり,ランダムフォレスト(RF),決定木(DT),サポートベクターマシン(SVM),ロジスティック回帰(LR),人工ニューラルネットワーク(ANN)よりも高かった。
  論文  参考訳（メタデータ） (2023-08-29T14:33:38Z)
• Wearable-based Fair and Accurate Pain Assessment Using Multi-Attribute Fairness Loss in Convolutional Neural Networks [4.451479907610764]
  臨床的な痛み評価におけるAIの採用は、パーソナライゼーションや公平性といった課題によって妨げられている。 機械学習やディープラーニングを含む多くのAIモデルは偏見を示し、性別や民族に基づいて特定のグループを識別する。 本稿では、データ中の保護属性を考慮に入れたマルチ属性フェアネス損失(MAFL)に基づく畳み込みニューラルネットワーク(CNN)モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-03T09:21:36Z)

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。