KL正則化されたグループ分布的ロバスト最適化による公正で頑健な体積CT分類を目指して

要旨: 胸部コンピュータ断層撮影（CT）スキャンによる自動診断は、臨床導入において二つの持続的な課題に直面します：取得サイト間の分布シフトと、人口統計サブグループ間の性能格差。私たちはこれら二つを同時に、二つの補完的なタスクを通じて対処します：複数サイトCT体積からの二値COVID-19分類（タスク1）と、性別に基づく公平性制約を伴う四クラスの肺病理認識（タスク2）。本フレームワークは、軽量なMobileViT-XXSスライスエンコーダと二層のSliceTransformerアグリゲーターを組み合わせ、体積推論を行います。また、KL正則化付きのGroup Distributionally Robust Optimisation（Group DRO）目的関数で学習し、性能が低い取得センターと人口統計サブグループを適応的に重み付けして改善します。標準的なGroup DROとは異なり、KLペナルティはグループ重みの崩壊を防ぎ、最悪ケースの保護と平均的な性能の安定したバランスを提供します。Task 2では、性別クラスの粒度でグループを定義し、直接的に女性の扁平上皮癌のような極めて少数派の組み合わせを標的とします。タスク1において、我々の最良の設定はチャレンジF1スコア0.835を達成し、公開された最良のチャレンジエントリを+5.9ポイント上回りました。タスク2では、{\alpha} = 0.5を用いたGroup DROが、性別ごとの平均マクロF1を0.815に達し、最良のチャレンジエントリを+11.1ポイント上回り、女性の扁平上皮癌のF1を、Focal Lossベースラインに対して+17.4ポイント改善しました。