人工知能ベースの神経膠芽腫応答評価アルゴリズムにおける社会人口統計学的バイアスの評価

科学分野:

• 医療画像における人工知能
• 神経腫瘍学
• 放射線学および定量的画像処理

背景:

• 医療画像における人工知能（AI）モデルはバイアスを示す可能性がありますが、根本的な原因は完全には理解されていません。
• 本研究では、AIベースの神経膠芽腫MRIセグメンテーションにおける社会人口統計学的バイアスを調査します。
• 4つのnnUNetモデルが、サイズと人口統計学的な構成が異なるデータセットでトレーニングされました。

研究 の 目的:

• AI神経膠芽腫MRIセグメンテーションモデルにおける潜在的な社会人口統計学的バイアスを評価すること。
• AIモデルのパフォーマンスに対するトレーニングデータセットのサイズと人口統計学的な構成の影響を評価すること。
• AI駆動型腫瘍セグメンテーションにおけるバイアスに影響を与える要因を特定すること。

主な方法:

• 4つのAIモデル（FeTS2、BraTS 2024、小規模均質、小規模異質）を評価しました。
• 単一の学術センターからの480人の患者の独立したデータセットを使用してバイアス評価を実施しました。
• 自動セグメンテーション（FLAIR、増強腫瘍）をダイススコアで採点しました。ベータ回帰により社会人口統計学的な影響を分析しました。

主要な成果:

• 均質なデータセット（白人、非ヒスパニック系男性）でトレーニングされたモデルは、最も低いダイススコアを示し、年齢/喫煙状況のバイアスが顕著でした。
• BraTS 2024モデルは、最小限のバイアスで最高のダイススコア（FLAIR 0.996、増強 0.999）を達成しました。
• トレーニングデータにおける人口統計学的な多様性は、データセットのサイズに関係なく、バイアスの軽減と相関していました。

結論:

• 神経膠芽腫MRIセグメンテーションAIにおける社会人口統計学的バイアスは、一般的に低いレベルです。
• 小規模で均質なデータセットでトレーニングされたAIモデルは、より大きなバイアスを示します。
• トレーニングデータにおける人口統計学的な多様性の増加は、BraTSモデルの優れたパフォーマンスによって例示されるように、より大きなデータセットがなくてもAIバイアスを軽減します。