胸部X線分類器の公平性の改善【JST・京大機械翻訳】

Zhang Haoran; Dullerud Natalie; Roth Karsten; Oakden-Rayner Lauren; Pfohl Stephen Robert; Ghassemi Marzyeh

プレプリント

J-GLOBAL ID：202202214589093067 整理番号：22P0309259

胸部X線分類器の公平性の改善【JST・京大機械翻訳】

Improving the Fairness of Chest X-ray Classifiers

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年03月23日プレプリントサーバーでの情報更新日： 2022年03月23日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

深部学習モデルは,特に胸部X線を用いた疾患診断において,医学イメージングの分野での人間レベル性能に達し,または凌駕した。しかしながら,以前の研究は,そのような分類器が保護グループにわたって予測性能のギャップの形でバイアスを示すことができることを見出した。本論文では,予測性能(即ち,グループ公平性)においてゼロ格差を達成する努力が,最悪ケースグループの性能を最大化することに焦点を当てたミニマックス公平性に関して,臨床設定における適切な公平性定義であるかどうかを疑問視した。筆者らは,これら2つの定義を通して分類器公平性を改善する9つの方法の性能をベンチマークした。著者らは,非臨床データに関する以前の研究と一致して,より良い最悪グループ性能を達成するのに努める方法は,単純なデータバランスを上回らないことを示した。また,グループ公平性を達成する方法は,すべてのグループに対して性能の悪化によりそうであった。これらの結果を踏まえて,臨床設定における公平性定義の有用性について論じ,可能な場合には,根底にあるデータ生成過程におけるバイアス誘起機構の調査を勧める。【JST・京大機械翻訳】

, , , , ,
, , , , , 【Automatic Indexing@JST】

データ保護 , 移動通信

, ,

前のページに戻る