バイアスのある評議会からの適応的合意を学ぶことで医療データセットのバイアスを軽減する
カテゴリ：診断支援・画像解析
公開日：2026年2月19日
タイトル：Mitigating medical dataset bias by learning adaptive agreement from a biased council
雑誌名：Med Image Anal. 2025 Oct; 105: 103629.
概 要：
本研究は、医療画像におけるデータセットバイアスの問題に対処するための新しいフレームワーク「Adaptive Agreement from a Biased Council（Ada-ABC）」を提案します。データセットバイアスは、深層学習モデルが誤った相関を学習し、不正確で信頼性のないモデルを生じさせる原因となります。Ada-ABCは、明示的なバイアスラベルに依存せず、複数の分類器からなるバイアスのある評議会を構築し、データセットバイアスを学習します。このフレームワークは、正しく予測されたサンプルに同意し、誤って予測されたサンプルには異議を唱えることで、ターゲット属性を学習します。実験により、Ada-ABCは他の競合手法を上回る効果を示しました。
方 法：
本研究は、複数の分類器を用いたコホート研究で、一般化交差エントロピー損失を最適化してバイアスを学習します。バイアスのある評議会の指導の下、デバイアスモデルを同時に訓練し、正しい予測に同意し、誤った予測には異議を唱えるように設計されています。データセットは、7つの異なるバイアスシナリオを含む4つのデータセットから構成され、初の医療デバイアスベンチマークを構築しました。
結 果：
提案したAda-ABCは、医療画像分類におけるデータセットバイアスを軽減する上で、競合手法よりも優れた性能を示しました。具体的には、Ada-ABCは、バイアスのあるモデルがデータセットバイアスを正しく捉えた場合にターゲット特徴を学習できることを理論的に示しました。
結 論：
Ada-ABCは、医療画像におけるデータセットバイアスを効果的に軽減する新しいアプローチを提供し、臨床応用における深層学習モデルの信頼性向上に寄与する可能性があります。