性別敵対的アテンションと多重インスタンス学習を用いた胸部CTからの公正な肺疾患診断

要旨: 私たちは、胸部CT体積からの多クラス肺疾患診断の公平性を考慮したフレームワークを提示します。これはPHAROS-AIF-MIHワークショップ（CVPR 2026）でのFair Disease Diagnosis Challengeのために開発されたものです。
このチャレンジは、CTスキャンを4つのカテゴリ -- Healthy, COVID-19, Adenocarcinoma, and Squamous Cell Carcinoma -- に分類することが求められ、性能は性別ごとのマクロF1スコアの平均として測定され、性別による不公平な予測が明示的にペナルティを受けます。
私たちのアプローチは、数百枚のスライスにわたる希薄な病理信号と、疾患クラスと性別にまたがって深刻化する人口統計的不均衡という2つの核心的な難点に対処します。
ConvNeXtバックボーン上で、診断上関連するスライスをスライスレベルの監視なしに識別するよう学習する、注意機構ベースのMIL（Multiple Instance Learning）モデルを提案します。これに、学習済みのスキャン表現における性別予測の構造を対立的に抑制するGradient Reversal Layer（GRL）を組み合わせています。
トレーニングには、ラベル平滑化を組み込んだフォーカルロス、結合（クラス、性別）階層に基づく層別クロスバリデーション、そして最も過少に表現されるサブグループのオーバーサンプリングをターゲットに含めています。
推論時には、5つのfoldすべてのチェックポイントを、ソフトロジット投票と水平反転のテスト時拡張を用いたアンサンブルで統合し、堅牢性を高めるためにフォールド外の閾値最適化を行います。
私たちのモデルは平均検証競技スコア0.685（標準偏差0.030）を達成し、最良の単一フォールドは0.759に達します。
すべての学習および推論コードは https://github.com/ADE-17/cvpr-fair-chest-ct で公開されています。