論文の概要: Stable Vision Concept Transformers for Medical Diagnosis

• arxiv url: http://arxiv.org/abs/2506.05286v1
• Date: Thu, 05 Jun 2025 17:43:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.861146
• Title: Stable Vision Concept Transformers for Medical Diagnosis
• Title（参考訳）: 医療診断のための安定型視覚概念変換器
• Authors: Lijie Hu, Songning Lai, Yuan Hua, Shu Yang, Jingfeng Zhang, Di Wang,
• Abstract要約: 概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、モデルの潜在空間を人間に理解できない高レベルな概念に制限することを目的としている。 CBMはモデルの予測を決定するために概念的機能のみに依存している。 既存の手法は、モデルの予測を決定するために概念的特徴のみに依存している。
• 参考スコア（独自算出の注目度）: 14.082818181995776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transparency is a paramount concern in the medical field, prompting researchers to delve into the realm of explainable AI (XAI). Among these XAI methods, Concept Bottleneck Models (CBMs) aim to restrict the model's latent space to human-understandable high-level concepts by generating a conceptual layer for extracting conceptual features, which has drawn much attention recently. However, existing methods rely solely on concept features to determine the model's predictions, which overlook the intrinsic feature embeddings within medical images. To address this utility gap between the original models and concept-based models, we propose Vision Concept Transformer (VCT). Furthermore, despite their benefits, CBMs have been found to negatively impact model performance and fail to provide stable explanations when faced with input perturbations, which limits their application in the medical field. To address this faithfulness issue, this paper further proposes the Stable Vision Concept Transformer (SVCT) based on VCT, which leverages the vision transformer (ViT) as its backbone and incorporates a conceptual layer. SVCT employs conceptual features to enhance decision-making capabilities by fusing them with image features and ensures model faithfulness through the integration of Denoised Diffusion Smoothing. Comprehensive experiments on four medical datasets demonstrate that our VCT and SVCT maintain accuracy while remaining interpretable compared to baselines. Furthermore, even when subjected to perturbations, our SVCT model consistently provides faithful explanations, thus meeting the needs of the medical field.
• Abstract（参考訳）: 透明性は医学分野で最も重要な関心事であり、研究者は説明可能なAI(XAI)の領域を掘り下げる必要がある。 これらのXAI手法の中で、概念ボトルネックモデル(CBM)は、概念的特徴を抽出する概念的層を生成することによって、モデルの潜在空間を人間の理解可能な高レベル概念に制限することを目的としており、近年注目を集めている。 しかし,既存の手法では,医用画像に内在的な特徴が埋め込まれているのを見越して,モデルの予測を決定するために,概念的特徴のみに頼っている。 オリジナルモデルとコンセプトベースモデルとのユーティリティギャップに対処するために,視覚概念変換器(VCT)を提案する。 さらに、それらの利点にもかかわらず、CBMはモデルの性能に悪影響を及ぼし、入力摂動に直面すると安定した説明が得られず、医療分野への適用が制限されている。 この忠実度問題に対処するために,視覚変換器(ViT)をバックボーンとして利用し,概念層を組み込んだ,VCTに基づく安定ビジョン概念変換器(SVCT)を提案する。 SVCTはイメージ特徴と融合することで意思決定能力を高めるために概念的特徴を採用し、Denoized Diffusion Smoothingの統合によりモデルの忠実性を確保する。 4つの医学データセットに関する総合的な実験は、VCTとSVCTがベースラインと比較して解釈可能でありながら精度を維持していることを示している。 さらに,摂動を受ける場合であっても,SVCTモデルは一貫して忠実な説明を提供し,医療分野のニーズを満たす。

関連論文リスト

• Towards generating more interpretable counterfactuals via concept vectors: a preliminary study on chest X-rays [46.667021835430155]
  我々は、臨床概念を生成モデルの潜在空間にマッピングし、概念活性化ベクトル(CAV)を同定する。 抽出された概念はデータセット全体にわたって安定しており、臨床的に関連する特徴を強調する視覚的説明を可能にする。 胸部X線検査の予備的結果から, 胸部X線検査は, 心筋症などの大きな病態を呈するが, より小さな病態はいまだに困難である。
  論文  参考訳（メタデータ） (2025-06-04T15:23:12Z)
• Concept Complement Bottleneck Model for Interpretable Medical Image Diagnosis [8.252227380729188]
  本稿では,医用画像診断のための補完的ボトルネックモデルを提案する。 そこで本研究では,概念の相違点を抽出し,それぞれの注意チャンネルで概念をスコアリングするために,概念アダプタを利用することを提案する。 本モデルでは,概念検出と疾患診断の課題において,最先端の競争相手よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-20T16:52:09Z)
• Evidential Concept Embedding Models: Towards Reliable Concept Explanations for Skin Disease Diagnosis [24.946148305384202]
  CBM(Concept Bottleneck Models)は、人間の解釈可能な概念を意思決定に取り入れた、アクティブな解釈可能なフレームワークとして登場した。 本研究では,概念の不確かさをモデル化するために明らかな学習を利用する概念埋め込みモデル(evi-CEM)を提案する。 本評価は,evi-CEMが概念予測において優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2024-06-27T12:29:50Z)
• Improving Intervention Efficacy via Concept Realignment in Concept Bottleneck Models [57.86303579812877]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念に基づいて、解釈可能なモデル決定を可能にする画像分類である。 既存のアプローチは、強いパフォーマンスを達成するために、画像ごとに多数の人間の介入を必要とすることが多い。 本稿では,概念関係を利用した学習型概念認識介入モジュールについて紹介する。
  論文  参考訳（メタデータ） (2024-05-02T17:59:01Z)
• MICA: Towards Explainable Skin Lesion Diagnosis via Multi-Level Image-Concept Alignment [4.861768967055006]
  本稿では, 医療画像と臨床関連概念を多層的に意味的に整合させるマルチモーダル説明型疾患診断フレームワークを提案する。 提案手法は, モデル解釈可能性を維持しながら, 概念検出と疾患診断に高い性能とラベル効率を実現する。
  論文  参考訳（メタデータ） (2024-01-16T17:45:01Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
  我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。 画像の異なる20種類の画像分割作業において,その有効性を検証する。
  論文  参考訳（メタデータ） (2023-01-19T03:42:36Z)
• Explainable fetal ultrasound quality assessment with progressive concept bottleneck models [6.734637459963132]
  胎児超音波品質評価のための総合的,説明可能な方法を提案する。 タスクに「可読性の概念」を導入し、シーケンシャルな専門家による意思決定プロセスを模倣する。 実験により、我々のモデルは、社内データセット上で同等のコンセプトフリーモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-19T09:31:19Z)
• Towards Trustworthy Healthcare AI: Attention-Based Feature Learning for COVID-19 Screening With Chest Radiography [70.37371604119826]
  信頼性を備えたAIモデルの構築は、特に医療などの規制領域において重要である。 これまでの研究では、畳み込みニューラルネットワークをバックボーンアーキテクチャとして使用していた。 本稿では,視覚変換器を用いた特徴学習手法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T14:55:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。