[論文レビュー] Patient-Conditioned Adaptive Offsets for Reliable Diagnosis across Subgroups

Gelei Xu, Yuying Duan+4 more|arXiv (Cornell University)|Jan 19, 2026

Machine Learning in Healthcare被引用数 0

ひとこと要約

論文はHyperAdaptという患者条件付き適応フレームワークを提案。共有の診断バックボーンを保持しつつ、患者属性に基づくターゲットを絞った低ランク残差モジュレーションを適用して、全体の精度を損なうことなくサブグループの信頼性を向上させる。

ABSTRACT

AI models for medical diagnosis often exhibit uneven performance across patient populations due to heterogeneity in disease prevalence, imaging appearance, and clinical risk profiles. Existing algorithmic fairness approaches typically seek to reduce such disparities by suppressing sensitive attributes. However, in medical settings these attributes often carry essential diagnostic information, and removing them can degrade accuracy and reliability, particularly in high-stakes applications. In contrast, clinical decision making explicitly incorporates patient context when interpreting diagnostic evidence, suggesting a different design direction for subgroup-aware models. In this paper, we introduce HyperAdapt, a patient-conditioned adaptation framework that improves subgroup reliability while maintaining a shared diagnostic model. Clinically relevant attributes such as age and sex are encoded into a compact embedding and used to condition a hypernetwork-style module, which generates small residual modulation parameters for selected layers of a shared backbone. This design preserves the general medical knowledge learned by the backbone while enabling targeted adjustments that reflect patient-specific variability. To ensure efficiency and robustness, adaptations are constrained through low-rank and bottlenecked parameterizations, limiting both model complexity and computational overhead. Experiments across multiple public medical imaging benchmarks demonstrate that the proposed approach consistently improves subgroup-level performance without sacrificing overall accuracy. On the PAD-UFES-20 dataset, our method outperforms the strongest competing baseline by 4.1% in recall and 4.4% in F1 score, with larger gains observed for underrepresented patient populations.

研究の動機と目的

• 医療診断における公平性と信頼性を、情報量の多い患者属性を抑制せずに動機づける。
• 患者属性を活用して診断を調整する文脈対応モデルを開発する。
• オーバーヘッドを最小化するため低ランク・ボトルネック型の適応で効率性を確保する。
• 公開医用画像ベンチマークでサブグループ性能の改善を実証する。

提案手法

• 臨床的に関連する属性（例：年齢、性別）をコンパクトな埋め込みにエンコードする。
• 埋め込みに条件付けられたハイパーネットワーク風のモジュールを用いて、選択されたバックボーン層の残差モジュレーションパラメータを生成する。
• 低ランクおよびボトルネック型のパラメータ化を適用して適応を制約し計算を削減する。
• 共有の診断バックボーンを維持しつつ、患者固有の調整を可能にする。
• 複数の公開ベンチマークにわたり、効率性とロバスト性を示す。

Figure 1 : Comparison of paradigms for integrating patient attributes. (1) Standard training leads to biased performance; (2) Group-blind suppression degrades overall accuracy; (3) Our HyperAdapt enables context-aware reliability.

実験結果

リサーチクエスチョン

• RQ1 患者 conditioned adaptation は全体の精度を損なうことなくサブグループの信頼性を向上させることができるか？
• RQ2 低ランク・ボトルネック型の残差モジュレーションは文脈対応調整の効率的な機構を提供するか？
• RQ3 HyperAdapt は医用画像タスクにおいて過小表現の患者サブグループでどのように性能を示すか？

主な発見

• HyperAdapt は複数の公開医用画像ベンチマークでサブグループレベルの性能を一貫して改善する。
• PAD-UFES-20 において、最強ベースラインを Recallで4.1%、F1スコアで4.4%上回る。
• 過小表現の患者集団に対して性能向上の効果が大きい。
• バックボーンが学習した一般的な医療知識を保持しつつ、患者固有の調整を可能にする。