Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Atténuation des biais basée sur la compréhension pour une segmentation CMR équitable
Created by
Haebom
Auteur
Tiarna Lee, Esther Puyol-Antoni , Bram Ruijsink, Pier-Giorgio Masci, Louise Keehn, Phil Chowienczyk, Emily Haseler, Miaojing Shi, Andrew P. King
Contour
Cet article examine l'efficacité de divers algorithmes d'atténuation des biais pour atténuer les biais raciaux (entre sujets noirs et blancs) dans les modèles de segmentation d'imagerie par résonance magnétique cardiaque (IRM). Nous tentons d'atténuer les biais par suréchantillonnage, pondération de l'importance, DRO de groupe et une combinaison de ces techniques, et évaluons également leur efficacité en combinaison avec des techniques de recadrage d'images IRM. Nous menons des expériences pour confirmer les performances élevées de la segmentation et l'absence de biais statistiquement significatif sur un ensemble de validation clinique externe.
Takeaways, Limitations
•
Takeaways:
◦
Nous démontrons que le suréchantillonnage peut être utilisé pour atténuer les biais raciaux dans le modèle de segmentation CMR, améliorant les performances du groupe minoritaire (noirs) sans dégrader de manière significative les performances du groupe majoritaire (blancs).
◦
Le recadrage d'image améliore les performances et réduit les biais pour les deux races, et lorsqu'il est combiné au suréchantillonnage, l'effet de réduction des biais est encore amélioré.
◦
A obtenu des performances élevées et un biais statistiquement insignifiant dans un ensemble de validation clinique externe.
•
Limitations:
◦
Cette étude s’est limitée à un groupe racial spécifique (les Noirs et les Blancs), limitant ainsi sa généralisabilité à d’autres groupes raciaux.
◦
Des recherches supplémentaires sont nécessaires sur l’efficacité d’autres techniques en plus de l’algorithme d’atténuation des biais utilisé.
◦
Des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité des stratégies de recadrage d’images et la détermination de la taille optimale.
