核心概念
FM APIを使用した医療画像のバイアスに対処するための普遍的なバイアス補正編集戦略を提案します。
摘要
AI時代において、医学診断をより公平にするための実用的な解決策である普遍的なバイアス補正編集戦略(UDE)が提案されました。この手法は、FM API埋め込みと画像自体の両方で偏りを軽減し、白箱およびブラックボックスFM APIに適しています。UDEノイズを生成してFM API埋め込み内部および画像自体の偏りをマスクし、公平性と有用性を保持することが可能です。さらに、GeZO最適化を導入してブラックボックスAPIで勾配が利用できない場合でもUDEが機能するようにしています。この手法は、直接モデル操作や大規模な計算リソースを必要とせず、様々な医療コンテキストで公平性意識の画像編集を可能にします。実証結果は、この手法が異なる患者グループや疾患間で公平性と有用性を保持する効果的であることを示しています。
统计
UDEは白箱およびブラックボックスFM APIに適しています。
UDEは偏りを軽減し、公平性と有用性を保持します。
GeZO最適化はブラックボックスAPI向けです。
引用
"In the era of AI-driven medicine, this work contributes to making healthcare diagnostics more equitable, showcasing a practical solution for bias mitigation in pre-trained image FMs."
"Our whole pipeline enables fairness-aware image editing that can be applied across various medical contexts without requiring direct model manipulation or significant computational resources."