यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
यह शोधपत्र कार्डियक मैग्नेटिक रेजोनेंस इमेजिंग (सीएमआर) सेगमेंटेशन मॉडल में नस्लीय पूर्वाग्रह (काले और सफेद विषयों के बीच) को कम करने के लिए विभिन्न पूर्वाग्रह शमन एल्गोरिदम की प्रभावशीलता की जांच करता है। हम ओवरसैंपलिंग, महत्व पुनर्मूल्यांकन, समूह डीआरओ और इन तकनीकों के संयोजन का उपयोग करके पूर्वाग्रह को कम करने का प्रयास करते हैं, और सीएमआर इमेज क्रॉपिंग तकनीकों के संयोजन में प्रभावशीलता का भी मूल्यांकन करते हैं। हम बाहरी नैदानिक सत्यापन सेट पर उच्च विभाजन प्रदर्शन और सांख्यिकीय रूप से महत्वहीन पूर्वाग्रह की पुष्टि करने के लिए प्रयोग करते हैं।
Takeaways, Limitations
•
Takeaways:
◦
हम दर्शाते हैं कि ओवरसैंपलिंग का उपयोग सीएमआर विभाजन मॉडल में नस्लीय पूर्वाग्रह को कम करने के लिए किया जा सकता है, जिससे बहुसंख्यक समूह (श्वेत) के प्रदर्शन में उल्लेखनीय गिरावट लाए बिना अल्पसंख्यक समूह (अश्वेतों) के प्रदर्शन में सुधार हो सकता है।
◦
छवि क्रॉपिंग से दोनों प्रजातियों के लिए प्रदर्शन में सुधार होता है और पूर्वाग्रह कम होता है, और जब इसे ओवरसैंपलिंग के साथ जोड़ दिया जाता है, तो पूर्वाग्रह-घटाने का प्रभाव और भी बढ़ जाता है।
◦
बाह्य नैदानिक सत्यापन सेट में उच्च प्रदर्शन और सांख्यिकीय रूप से महत्वहीन पूर्वाग्रह हासिल किया गया।
•
Limitations:
◦
यह अध्ययन एक विशिष्ट नस्लीय समूह (अश्वेत और श्वेत) तक सीमित था, जिससे अन्य नस्लीय समूहों तक इसका सामान्यीकरण सीमित हो गया।
◦
प्रयुक्त पूर्वाग्रह शमन एल्गोरिथ्म के अतिरिक्त अन्य तकनीकों की प्रभावशीलता पर और अधिक शोध की आवश्यकता है।
◦
छवि क्रॉपिंग रणनीतियों और इष्टतम आकार निर्धारण की सामान्यता निर्धारित करने के लिए आगे अनुसंधान की आवश्यकता है।
