論文の概要: Responsible Quantum Machine Learning for Medical Imaging: A Fairness Audit Across Sensitive Subgroups

• arxiv url: http://arxiv.org/abs/2610.37819v1
• Date: Tue, 27 Oct 2026 18:33:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.313364
• Title: Responsible Quantum Machine Learning for Medical Imaging: A Fairness Audit Across Sensitive Subgroups
• Title（参考訳）: 医用イメージングのための応答性量子機械学習:感性サブグループ間の公正監査
• Abstract要約: QML(Quantum Machine Learning)は、医学的な分類のために研究されているが、サブグループ対応の公正度基準の下での行動はいまだ検討されていない。 医用画像の古典的および量子的分類器について,QMLが本質的に公平でないと仮定して,実証的公正度監査を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning (QML) is increasingly explored for medical classification, yet its behaviour under subgroup-aware fairness criteria remains understudied. We present an empirical fairness audit of classical and quantum classifiers for medical imaging, assuming QML is not inherently fair. Two scenarios are evaluated: dermatological lesions on DDI (sensitive attribute: Fitzpatrick skin type) and chest X-rays on CheXpert-derived data (sensitive attribute: age group). Using ResNet-18 embeddings, we train SVM, MLP, QSVM and QCNN under a baseline and three mitigation settings: differentiable Equalized Odds (EO) regularisation, Gradient Reversal Learning (GRL), and both combined. Foundation models (PanDerm, EVA-X) serve as external references. Quantum classifiers may achieve competitive aggregate performance while still exhibiting subgroup disparities. Since a smaller subgroup AUC gap may stem from degrading the best group rather than improving the worst, each mitigation is also tested against a pre-specified non-inferiority margin relative to its baseline. Under this criterion, several configurations with the smallest disparity, notably QCNN with GRL on DDI, are not clinically acceptable due to loss of global discrimination. On DDI, QSVM with GRL+EO performed best and approached PanDerm in the performance/fairness trade-off; on CheXpert, QCNN with GRL achieved the highest aggregate performance but increased disparity, and EVA-X remained stronger. Fairness effects are model- and dataset-dependent, so QML requires empirical subgroup-aware evaluation. All quantum models run in classical simulation; we claim no quantum advantage.
• Abstract（参考訳）: QML(Quantum Machine Learning)は、医学的な分類のために研究されているが、サブグループ対応の公正度基準の下での行動はいまだ検討されていない。 医用画像の古典的および量子的分類器について,QMLが本質的に公平でないと仮定して,実証的公正度監査を行う。 DDI(感性属性:フィッツパトリック皮膚型)の皮膚病変とCheXpert由来のデータ(感性属性:年齢群)の胸部X線像の2つのシナリオが評価された。 ResNet-18組み込みを使用して、SVM、MLP、QSVM、QCNNをベースラインでトレーニングし、3つの緩和設定を緩和する。 ファンデーションモデル(PanDerm, EVA-X)は外部参照として機能する。 量子分類器は、サブグループ差を示しながら、競争的な集約性能を達成することができる。 より小さなサブグループAUCギャップは、最悪の状態を改善するよりも、最高のグループを分解することに起因する可能性があるため、それぞれの緩和は、そのベースラインに対して予め特定された非不等式マージンに対してテストされる。 この基準の下では、特にDDI上のGRLを持つQCNNは、世界的差別の喪失により臨床的に受け入れられない。 DDIでは、GRL+EOのQSVMが最高のパフォーマンスを示し、パフォーマンス/フェアネストレードオフにおいてPanDermに近づいた。 フェアネス効果はモデルとデータセットに依存しているため、QMLは経験的なサブグループ認識を必要とする。 すべての量子モデルは古典的なシミュレーションで実行されます。

関連論文リスト

• Disease Burden over Skin Tone: Decomposing the Dermatology-AI Generalization Gap [0.7068165275780814]
  一般化不良は, 主にスキン・トーン・アンダーレプレメンテーションや病因分布シフトによって引き起こされるか検討した。 モデルは、トーン層化疾患マッチングデータセットと、疾患シフトトーン多様性データセットで評価される。 以上の結果より, 疾患分布の変化が皮膚のトーン以上に寄与していることが示唆された。
  論文  参考訳（メタデータ） (2026-09-02T04:55:23Z)
• Subgroup performance analysis of adaptation strategies for chest X-ray foundation models [12.306643760835229]
  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。
  論文  参考訳（メタデータ） (2026-08-19T16:25:44Z)
• From Pixels to Explanations: Interpretable Diabetic Retinopathy Grading with CNN-Transformer Ensembles, Visual Explainability and Vision-Language Models [7.782282985072339]
  本研究では,強い識別モデルとマルチモーダルな説明を組み合わせた方法論を提案する。 そこで我々はGrad-CAM++の視覚属性マップと短いテキスト論理式を作成した。 説明の質のために、Grad-CAM++は可塑性だが粗いローカライゼーションを提供し、VLMの合理性は概してグレード一貫性がある。
  論文  参考訳（メタデータ） (2026-04-25T00:21:11Z)
• Stage-Specific Benchmarking of Deep Learning Models for Glioblastoma Follow-Up MRI [1.1458853556386799]
  追従型MRIのための深層学習モデルの第1段階別横断的ベンチマークを行う。 アーキテクチャ性能がタイムポイントに依存するかどうかをテストするために,異なるポストRTスキャンを独立に解析する。 これらの結果は、時系列モデリング、マルチシーケンスMRI、より大規模なマルチセンターコホートを組み込んだステージアウェア・ベンチマークを確立し、今後の研究を動機付けている。
  論文  参考訳（メタデータ） (2025-11-23T19:38:03Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• A Quad-Step Approach to Uncertainty-Aware Deep Learning for Skin Cancer Classification [13.993637404760355]
  ディープラーニングモデルは、皮膚がんの分類を自動化することを約束している。 しかし、データ不足と不確実性に対する認識が限られているため、課題は残る。 本研究では,HAM10000データセットを用いたDLベースの皮膚病変分類の包括的評価を行った。
  論文  参考訳（メタデータ） (2025-06-12T02:29:16Z)
• 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)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)

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。