Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات
Submitted 28 August, 2024; originally announced August 2024. , Comments: Preprint of paper to be presented at Fairness of AI in Medical Imaging (FAIMI) during MICCAI 2024
توضیحات به فارسی
ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: پیش نویس مقاله که در انصاف هوش مصنوعی در تصویربرداری پزشکی (FAIMI) در طول Miccai 2024 ارائه می شود
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Ensuring consistent performance across diverse populations and incorporating fairness into machine learning models are crucial for advancing medical image diagnostics and promoting equitable healthcare. However, many databases do not provide protected attributes or contain unbalanced representations of demographic groups, complicating the evaluation of model performance across different demographics and the application of bias mitigation techniques that rely on these attributes. This study aims to investigate the effectiveness of using the backbone of Foundation Models as an embedding extractor for creating groups that represent protected attributes, such as gender and age. We propose utilizing these groups in different stages of bias mitigation, including pre-processing, in-processing, and evaluation. Using databases in and out-of-distribution scenarios, it is possible to identify that the method can create groups that represent gender in both databases and reduce in 4.44% the difference between the gender attribute in-distribution and 6.16% in out-of-distribution. However, the model lacks robustness in handling age attributes, underscoring the need for more fundamentally fair and robust Foundation models. These findings suggest a role in promoting fairness assessment in scenarios where we lack knowledge of attributes, contributing to the development of more equitable medical diagnostics.
چکیده به فارسی (ترجمه ماشینی)
اطمینان از عملکرد مداوم در بین جمعیت های متنوع و ترکیب انصاف در مدل های یادگیری ماشین برای پیشبرد تشخیص تصویر پزشکی و ترویج مراقبت های بهداشتی عادلانه بسیار مهم است.با این حال ، بسیاری از بانکهای اطلاعاتی ویژگی های محافظت شده را ارائه نمی دهند یا حاوی بازنمایی های نامتعادل از گروه های جمعیتی هستند ، و ارزیابی عملکرد مدل در جمعیتی مختلف و استفاده از تکنیک های کاهش تعصب را که به این ویژگی ها متکی هستند ، پیچیده می کند.این مطالعه با هدف بررسی اثربخشی استفاده از ستون فقرات مدل های بنیاد به عنوان یک استخراج کننده جاسازی شده برای ایجاد گروه هایی که نمایانگر ویژگی های محافظت شده مانند جنسیت و سن هستند.ما استفاده از این گروه ها را در مراحل مختلف کاهش تعصب ، از جمله پیش پردازش ، پردازش و ارزیابی پیشنهاد می کنیم.با استفاده از پایگاه داده ها در سناریوهای توزیع و خارج از توزیع ، می توان تشخیص داد که این روش می تواند گروه هایی را ایجاد کند که جنسیت را در هر دو بانک اطلاعاتی نشان دهند و در 4.44 ٪ تفاوت بین ویژگی های جنسیت و 6.16 ٪ در خارج از کشورتوزیعبا این حال ، این مدل فاقد استحکام در دستیابی به ویژگی های سنی است و تأکید بر نیاز به مدلهای بنیادی اساساً عادلانه و قوی تر است.این یافته ها نقش مهمی در ارتقاء ارزیابی انصاف در سناریوها نشان می دهد که در آن ما فاقد آگاهی از ویژگی ها هستیم و به توسعه تشخیص پزشکی عادلانه تر کمک می کند.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
