Πρωτότυπος Τίτλος:
Μελέτη του αντίκτυπου μεροληψίας λόγω ιδιαιτεροτήτων της απεικονιστικής διαδικασίας σε ακτινογραφίες
Συγγραφέας:
Μαραγκουδάκης, Εμμανουήλ, Παύλος
Επιβλέπων καθηγητής:
Δίου, Χρήστος
Περίληψη:
Η ενσωμάτωση της βαθιάς μάθησης (DL) στην ιατρική απεικόνιση έχει φέρει επανάσταση
στις διαγνωστικές διαδικασίες. Ωστόσο, η παρουσία μεροληψίας σε αυτά τα συστήματα
δημιουργεί σημαντικές προκλήσεις για την αξιοπιστία και τη δικαιοσύνη τους. Παρόλο
που οι δημογραφικές μεροληψίες έχουν μελετηθεί εκτενώς, η μεροληψία που προέρχεται
από τις διαφορές στον εξοπλισμό απεικόνισης και τα πρωτόκολλα (device bias) παραμένει
ένα λιγότερο εξερευνημένο ζήτημα με κρίσιμες επιπτώσεις στην απόδοση των μοντέλων.
Η μελέτη αυτή εξετάζει την επίδραση της μεροληψίας λόγω ιδιαιτεροτήτων του εξοπλισμού
στην ταξινόμηση ακτινογραφιών θώρακα, χρησιμοποιώντας το σύνολο δεδομένων MIMIC-
CXR-JPG. Εισάγουμε συστηματικά διαφορετικών εςιδών θόρυβο, όπως ζώνες φωτεινότητας,
θόρυβο Gauss, θόρυβο ’salt and pepper’ και λογότυπα ιδρυμάτων, ώστε να προσομοιώσουμε
πραγματικές διαφοροποιήσεις στην απεικόνιση και να αξιολογήσουμε την επίδρασή
τους στην ακρίβεια της διάγνωσης. Τα αποτελέσματά μας δείχνουν πως αυτές οι μεροληψίες
οδηγούν σε ’shortcut learning’, όπου τα μοντέλα βασίζονται σε μη κλινικά χαρακτηριστικά,
υπονομεύοντας έτσι τη δυνατότητα γενίκευσης και τη δικαιοσύνη. Για να αντιμετωπίσουμε
αυτό το ζήτημα, χρησιμοποιούμε τη μέθοδο FLAC (Fairness-Aware Representation Learn-
ing by Suppressing Attribute-Class Associations), η οποία αξιοποιεί έναν ταξινομητή
προστατευμένων χαρακτηριστικών για τη μείωση της μεροληψίας κατά την εκπαίδευση.
Αυτή η έρευνα αναδεικνύει την ανάγκη για δίκαιες και αξιόπιστες μεθόδους στη σχεδίαση
διαγνωστικών εργαλείων, συμβάλλοντας στην κατανόηση και την αντιμετώπιση της
μεροληψίας στις ιατρικές απεικονίσεις.
στις διαγνωστικές διαδικασίες. Ωστόσο, η παρουσία μεροληψίας σε αυτά τα συστήματα
δημιουργεί σημαντικές προκλήσεις για την αξιοπιστία και τη δικαιοσύνη τους. Παρόλο
που οι δημογραφικές μεροληψίες έχουν μελετηθεί εκτενώς, η μεροληψία που προέρχεται
από τις διαφορές στον εξοπλισμό απεικόνισης και τα πρωτόκολλα (device bias) παραμένει
ένα λιγότερο εξερευνημένο ζήτημα με κρίσιμες επιπτώσεις στην απόδοση των μοντέλων.
Η μελέτη αυτή εξετάζει την επίδραση της μεροληψίας λόγω ιδιαιτεροτήτων του εξοπλισμού
στην ταξινόμηση ακτινογραφιών θώρακα, χρησιμοποιώντας το σύνολο δεδομένων MIMIC-
CXR-JPG. Εισάγουμε συστηματικά διαφορετικών εςιδών θόρυβο, όπως ζώνες φωτεινότητας,
θόρυβο Gauss, θόρυβο ’salt and pepper’ και λογότυπα ιδρυμάτων, ώστε να προσομοιώσουμε
πραγματικές διαφοροποιήσεις στην απεικόνιση και να αξιολογήσουμε την επίδρασή
τους στην ακρίβεια της διάγνωσης. Τα αποτελέσματά μας δείχνουν πως αυτές οι μεροληψίες
οδηγούν σε ’shortcut learning’, όπου τα μοντέλα βασίζονται σε μη κλινικά χαρακτηριστικά,
υπονομεύοντας έτσι τη δυνατότητα γενίκευσης και τη δικαιοσύνη. Για να αντιμετωπίσουμε
αυτό το ζήτημα, χρησιμοποιούμε τη μέθοδο FLAC (Fairness-Aware Representation Learn-
ing by Suppressing Attribute-Class Associations), η οποία αξιοποιεί έναν ταξινομητή
προστατευμένων χαρακτηριστικών για τη μείωση της μεροληψίας κατά την εκπαίδευση.
Αυτή η έρευνα αναδεικνύει την ανάγκη για δίκαιες και αξιόπιστες μεθόδους στη σχεδίαση
διαγνωστικών εργαλείων, συμβάλλοντας στην κατανόηση και την αντιμετώπιση της
μεροληψίας στις ιατρικές απεικονίσεις.
Ημερομηνία κατάθεσης:
2025-03-11
Γλώσσες Τεκμηρίου:
Αγγλικά
Θεματικές Κατηγορίες:
Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών
Λοιπά Θέματα:
Ιατρική - πληροφορική
Λέξεις-κλειδιά:
Ακτινογραφία θώρακα,Μεροληψία ιδιαιτεροτήτων εξοπλισμού,Μείωση μεροληψίας
Περιγραφή:
44 σ.,εικ.
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
