論文の概要: Auditing Sybil: Explaining Deep Lung Cancer Risk Prediction Through Generative Interventional Attributions
- arxiv url: http://arxiv.org/abs/2602.02560v1
- Date: Fri, 30 Jan 2026 15:21:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:14.934432
- Title: Auditing Sybil: Explaining Deep Lung Cancer Risk Prediction Through Generative Interventional Attributions
- Title（参考訳）: Auditing Sybil: 先天性インターベンショナルアトリビューションによる深部肺がんリスク予測の解説
- Authors: Bartlomiej Sobieski, Jakub Grzywaczewski, Karol Dobiczek, Mateusz Wójcik, Tomasz Bartczak, Patryk Szatkowski, Przemysław Bombiński, Matthew Tivnan, Przemyslaw Biecek,
- Abstract要約: 肺癌ががん死亡の主な原因である。
現在の評価は純粋に観測基準に依存している。
モデルに依存しない監査フレームワークであるS(H)NAPを提案する。
- 参考スコア（独自算出の注目度）: 13.541880000403323
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lung cancer remains the leading cause of cancer mortality, driving the development of automated screening tools to alleviate radiologist workload. Standing at the frontier of this effort is Sybil, a deep learning model capable of predicting future risk solely from computed tomography (CT) with high precision. However, despite extensive clinical validation, current assessments rely purely on observational metrics. This correlation-based approach overlooks the model's actual reasoning mechanism, necessitating a shift to causal verification to ensure robust decision-making before clinical deployment. We propose S(H)NAP, a model-agnostic auditing framework that constructs generative interventional attributions validated by expert radiologists. By leveraging realistic 3D diffusion bridge modeling to systematically modify anatomical features, our approach isolates object-specific causal contributions to the risk score. Providing the first interventional audit of Sybil, we demonstrate that while the model often exhibits behavior akin to an expert radiologist, differentiating malignant pulmonary nodules from benign ones, it suffers from critical failure modes, including dangerous sensitivity to clinically unjustified artifacts and a distinct radial bias.
- Abstract（参考訳）: 肺がんは依然としてがん死亡の主な原因であり、放射線科医の作業負荷を軽減するための自動スクリーニングツールの開発を推進している。
この取り組みの最前線に立っているSybilは、高い精度でCT(Computed tomography)のみから将来のリスクを予測することができるディープラーニングモデルである。
しかし、広範な臨床的検証にもかかわらず、現在の評価は純粋に観察基準に依存している。
この相関に基づくアプローチは、臨床展開前に堅牢な意思決定を保証するために因果検証への移行を必要とする、モデルの実際の推論メカニズムを見落としている。
本稿では,S(H)NAPを提案する。S(H)NAPは,専門放射線技師が検証した遺伝子的介入属性を構成する,モデルに依存しない監査フレームワークである。
現実的な3次元拡散ブリッジモデルを用いて解剖学的特徴を体系的に修正することにより,リスクスコアに対するオブジェクト固有の因果関係を分離する。
今回,Sybil の初回介入検査を行った結果,悪性肺結節と良性肺結節を鑑別し,専門的な放射線技師に類似した行動を示すことが多かったが,臨床的に不適当なアーティファクトに対する危険感度や放射偏見など,致命的な障害モードに悩まされていることが示唆された。
関連論文リスト
- X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
胸部X線撮影における長期肺腫瘍の診断は困難であった。
尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。
そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
論文 参考訳（メタデータ） (2025-12-24T06:14:55Z) - A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。
本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
論文 参考訳（メタデータ） (2025-12-23T13:26:13Z) - An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳（メタデータ） (2025-10-21T17:18:55Z) - RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。
RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
論文 参考訳（メタデータ） (2025-09-24T10:36:14Z) - Multi-pathology Chest X-ray Classification with Rejection Mechanisms [36.0596663889937]
ディープラーニングモデルの過信は、高精細度の医療画像タスクにおいて重大なリスクをもたらす。
本研究では,DenseNet-121バックボーンを用いた胸部X線診断のための不確実性認識フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-12T15:36:26Z) - Explainability Through Human-Centric Design for XAI in Lung Cancer Detection [2.380494879018844]
XpertXAI(XpertXAI)について検討した。
XpertXAIは、複数の肺疾患を検出するためにスケーリングしながら、人間の解釈可能な臨床概念を保存する。
既存の手法では臨床的に意味のある説明が得られないことが多い。
論文 参考訳（メタデータ） (2025-05-14T19:40:12Z) - Conformal Risk Control for Pulmonary Nodule Detection [0.6494572832138593]
肺癌検診における肺結節検出の1例を経験したので報告する。
我々は、共形リスク制御(CRC)と呼ばれる不確実性定量化手法により高度な検出モデルを強化する。
安全クリティカルな医療領域における予測の不確実性の指標として, 整合性保証付き予測セットが魅力的であることを示す。
論文 参考訳（メタデータ） (2024-12-28T14:41:57Z) - Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。
提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-05-20T03:12:23Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z)
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。