深層学習モデルにおける胸部X線診断のバイアス検出から緩和まで

科学分野:

• 医療画像
• 人工知能
• 健康の公平性

背景:

• 深層学習モデルは胸部X線診断を強化しますが、人口統計グループ間でのパフォーマンスのばらつきにより、医療格差を悪化させるリスクがあります。
• 既存のバイアス緩和技術は計算集約的であり、必ずしも最適な結果をもたらすとは限りません。

研究 の 目的:

• 胸部X線診断AIにおける性別、年齢、人種に基づく格差を検出し、緩和するための包括的なフレームワークを開発および評価すること。
• 公平性を向上させ、予測パフォーマンスを維持する上でのCNN-XGBoostパイプラインの有効性を評価すること。

主な方法:

• 4つの医学的状態にわたる胸部X線のマルチラベル分類のためにCNN-XGBoostパイプラインを拡張しました。
• DenseNet-121およびResNet-50バックボーンを使用して、モデルに依存しない一般化可能性を評価しました。
• 軽量アダプターのトレーニングアプローチを、敵対的トレーニング、再重み付け、データ拡張、アクティブラーニングなどの従来のバイアス緩和方法と比較しました。

主要な成果:

• eXtreme Gradient Boosting分類器でCNNの最終層を置き換えることで、全体的な予測パフォーマンスを維持または向上させながら、サブグループの公平性が向上しました。
• 提案手法は、従来の技術と比較して、計算コストが低く、競争力のある、またはそれを上回るバイアス削減効果を示しました。
• eXtreme Gradient Boostingの再学習とアクティブラーニングを組み合わせることで、CheXpertおよびMIMICデータセットのすべての人口統計サブグループにわたる最も顕著なバイアス削減を達成しました。

結論:

• CNN-XGBoostアプローチは、胸部X線分析のための深層学習モデルにおけるバイアスを削減するための実用的で計算効率の高いソリューションを提供します。
• このフレームワークは、すべての患者集団に対して診断精度を向上させることを保証し、AIの臨床放射線科への公平な展開を促進します。
• モデルに依存しない性質と強力なパフォーマンスは、医療画像AIにおける広範な適用可能性の可能性を強調しています。