甲状腺がんのための人工知能モデルの表現とバイアス:体系的なレビュー

Rashi Ramchandani^1,2, Eddie Guo³, Sanaz G Biglou¹

¹Faculty of Medicine, University of Ottawa, Ottawa, Ontario, Canada.

Thyroid : official journal of the American Thyroid Association

|August 27, 2025

まとめ

甲状腺がんの治療における人工知能 (AI) は有望ですが,偏ったデータセットのために課題に直面しています. このレビューでは,AIモデルにおける人口統計学的な有意な不足が認められ,全般的な患者診断の改善のためにより公平なデータが必要となった.

科学分野:

医療情報学
腫瘍学
人工知能

背景:

甲状腺がんの治療のための人工知能 (AI) に関する関心が高まり,診断を改善し,結果を予測し,治療をパーソナライズすることを目指しています.
甲状腺がんのアルゴリズムにおけるAIバイアスの可能性, 代表者が少ない集団のケアにおける格差につながる.
甲状腺がんのAIモデルにおける人口表現とバイアスの体系的な評価の必要性

研究の目的:

甲状腺がんの治療に用いられる AI モデルを体系的に検討する.
人口表現を評価し,これらのAIモデル内の潜在的なバイアスを特定する.
世界的な甲状腺がん流行病学とAIモデルデータの整合性を評価する.

主な方法:

2024年1月までのEMBASE,PubMed,Google Scholarでの体系的な文献検索
甲状腺がん管理のためのAIを含む研究を人口統計データに含める.
PROSPEROに登録された2人の独立審査員によるデータ抽出とバイアスのリスク評価

主要な成果:

主に診断 (133) と予測/予後 (47) に焦点を当てた197件の研究が検討された.
主要な参加者は中国 (124) と米国 (26) で,男性 (4222) よりも女性 (12,410) が多かった.
東アジア人の有意な不足と,白人と黒人の参加者の過剰な割合が,世界規模での普及に比べ,社会経済的要因がしばしば省略されている.

結論:

甲状腺がんに関する現在のAIモデルは,データの多様性と代表性において大きなギャップを示しています.
AIモデルは,一般的な流行病学的な傾向と一致していますが,包括的な人口統計の含有性は欠いています.
多様な人口と社会文化的背景を考慮したより公平なAIモデルの開発は,世界的な甲状腺がんケアを改善するために不可欠です.

キーワード:

人工知能バイアス多様性イクティブ含める甲状腺がん

さらに関連する動画

04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

2.0K

03:55

Computer-Aided Three-Dimensional Visualization in the Treatment of Locally Advanced Thyroid Cancer

Published on: June 9, 2023

620

関連する概念動画

01:20

Synthesis and Regulation of Thyroid Hormones

5.1K

Low blood levels of the thyroid hormones — triiodothyronine (T3) and thyroxine (T4) — signal the hypothalamus to release the thyrotropin-releasing hormone (TRH). TRH then reaches the pituitary gland and stimulates the release of thyroid-stimulating hormone(TSH) into the bloodstream.
Upon reaching the thyroid gland, TSH stimulates the follicular cells' active uptake of iodide ions from the blood. The ions diffuse to the apical surface of the cells and are oxidized to iodine. The...

5.1K

01:29

Bias in Epidemiological Studies

671

Biases can arise at various stages of research, from study design and data collection to analysis and interpretation. Recognizing and addressing these biases is essential to ensure the validity and reliability of epidemiological findings.Broadly speaking, biases in epidemiology fall into three main categories: selection bias, information bias, and confounding. A more detailed description of possible biases is:

671

関連する実験動画