論文の概要: Interpretable Aneurysm Classification via 3D Concept Bottleneck Models: Integrating Morphological and Hemodynamic Clinical Features

• arxiv url: http://arxiv.org/abs/2603.07399v1
• Date: Sun, 08 Mar 2026 01:03:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.403341
• Title: Interpretable Aneurysm Classification via 3D Concept Bottleneck Models: Integrating Morphological and Hemodynamic Clinical Features
• Title（参考訳）: 3次元概念ボトルネックモデルによる解釈可能な動脈瘤分類 : 形態学的および血行動態学的特徴の統合
• Authors: Toqa Khaled, Ahmad Al-Kabbany,
• Abstract要約: 本稿では,高次元神経画像の特徴を,大動脈瘤の同定のための形態的および血行力学的概念の離散セットにマッピングする,エンドツーエンドの3Dコンセプト・ボトルネックフレームワークを提案する。 本研究では,ResNet-34アーキテクチャでは93.33%+/-4.5%,DenseNet-121モデルでは91.43%+/-8%のピークタスク分類精度を示した。
• 参考スコア（独自算出の注目度）: 0.6445605125467574
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We are concerned with the challenge of reliably classifying and assessing intracranial aneurysms using deep learning without compromising clinical transparency. While traditional black-box models achieve high predictive accuracy, their lack of inherent interpretability remains a significant barrier to clinical adoption and regulatory approval. Explainability is paramount in medical modeling to ensure that AI-driven diagnoses align with established neurosurgical principles. Unlike traditional eXplainable AI (XAI) methods -- such as saliency maps, which often provide post-hoc, non-causal visual correlations -- Concept Bottleneck Models (CBMs) offer a robust alternative by constraining the model's internal logic to human-understandable clinical indices. In this article, we propose an end-to-end 3D Concept Bottleneck framework that maps high-dimensional neuroimaging features to a discrete set of morphological and hemodynamic concepts for aneurysm identification. We implemented this pipeline using a pre-trained 3D ResNet-34 backbone and a 3D DenseNet-121 to extract features from CTA volumes, which were subsequently processed through a soft bottleneck layer representing human-interpretable clinical concepts. The model was optimized using a joint-loss function to balance diagnostic focal loss and concept mean squared error (MSE), validated via stratified five-fold cross-validation. Our results demonstrate a peak task classification accuracy of 93.33% +/- 4.5% for the ResNet-34 architecture and 91.43% +/- 5.8% for the DenseNet-121 model. Furthermore, the implementation of 8-pass Test-Time Augmentation (TTA) yielded a robust mean accuracy of 88.31%, ensuring diagnostic stability during inference. By maintaining an accuracy-generalization gap of less than 0.04, this framework proves that high predictive performance can be achieved without sacrificing interpretability.
• Abstract（参考訳）: 我々は,臨床的透明性を損なうことなく,深層学習を用いて頭蓋内大動脈瘤を確実に分類・評価することが課題である。 従来のブラックボックスモデルは高い予測精度を達成するが、それらの固有の解釈可能性の欠如は、臨床応用と規制承認にとって重要な障壁である。 説明可能性(Explainability)は、AIによる診断が確立された神経外科の原則と一致することを保証するために、医療モデリングにおいて最重要である。 従来のeXplainable AI(XAI)メソッドとは違って、サリエンシマップ(saliency map)は、ポストホックで非カジュアルな視覚的相関を提供することが多いが、コンセプト・ボトルネック・モデル(Concept Bottleneck Models, CBM)は、モデルの内部ロジックを人間の理解可能な臨床指標に制限することで、堅牢な代替手段を提供する。 本稿では,高次元神経画像特徴を,大動脈瘤同定のための形態的および血行力学的概念の離散セットにマッピングするエンドツーエンドの3次元概念ボトルネックフレームワークを提案する。 我々は,3D ResNet-34バックボーンと3D DenseNet-121を用いて,CTAボリュームから特徴を抽出し,それを人間の解釈可能な臨床概念を表すソフトボトルネック層で処理した。 このモデルは、診断焦点損失と概念平均二乗誤差(MSE)のバランスをとるために、ジョイントロス関数を用いて最適化され、成層5倍のクロスバリデーションによって検証された。 本研究では,ResNet-34アーキテクチャでは93.33%+/-4.5%,DenseNet-121モデルでは91.43%+/-8%のピークタスク分類精度を示した。 さらに、TTA (8-pass Test-Time Augmentation) の実装により、88.31%の堅牢な平均精度が得られ、推論中に診断の安定性が保証された。 この枠組みは、0.04未満の精度一般化ギャップを維持することにより、解釈性を犠牲にすることなく高い予測性能を達成できることを証明している。

関連論文リスト

• Uncovering Modality Discrepancy and Generalization Illusion for General-Purpose 3D Medical Segmentation [26.70378621396797]
  3D医療基盤モデルは汎用機能を備えた多目的ツールとして想定されている。 このデータセットは、490体のPET/CTと464体のPET/MRIスキャンからなる。
  論文  参考訳（メタデータ） (2026-02-07T17:54:10Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Automated Labeling of Intracranial Arteries with Uncertainty Quantification Using Deep Learning [2.6279333406008476]
  3D Time-of-light Magnetic Resonance Angiography (3D ToF-MRA) を用いたディープラーニングによる自動動脈ラベル作成フレームワークを提案する。 我々のフレームワークは、自動脳血管ラベリングのためのスケーラブルで正確で不確実なソリューションを提供し、下流血行動態解析をサポートし、臨床統合を容易にする。
  論文  参考訳（メタデータ） (2025-09-22T12:57:21Z)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• Latent Diffusion Autoencoders: Toward Efficient and Meaningful Unsupervised Representation Learning in Medical Imaging [41.446379453352534]
  LDAE(Latent Diffusion Autoencoder)は、医用画像における効率的で有意義な教師なし学習のための、エンコーダ-デコーダ拡散に基づく新しいフレームワークである。 本研究は,ADNIデータベースの脳MRIを用いたアルツハイマー病(AD)を事例として検討した。
  論文  参考訳（メタデータ） (2025-04-11T15:37:46Z)
• An Intrinsically Explainable Approach to Detecting Vertebral Compression Fractures in CT Scans via Neurosymbolic Modeling [9.108675519106319]
  脊椎圧迫骨折(VCFs)は骨粗しょう症の一般的な原因であり、潜在的に重篤な結果である。 機会論的診断のような高度なシナリオでは、モデル解釈可能性がAIレコメンデーションの採用の鍵となる。 我々はCTボリュームにおけるVCF検出のためのニューロシンボリックアプローチを導入する。
  論文  参考訳（メタデータ） (2024-12-23T04:01:44Z)
• Analyzing the Effect of $k$-Space Features in MRI Classification Models [0.0]
  医用イメージングに適した説明可能なAI手法を開発した。 我々は、画像領域と周波数領域の両方にわたるMRIスキャンを分析する畳み込みニューラルネットワーク(CNN)を採用している。 このアプローチは、初期のトレーニング効率を高めるだけでなく、追加機能がモデル予測にどのように影響するかの理解を深めます。
  論文  参考訳（メタデータ） (2024-09-20T15:43:26Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Enhancing mTBI Diagnosis with Residual Triplet Convolutional Neural Network Using 3D CT [1.0621519762024807]
  3D Computed Tomography (CT) 画像を用いた mTBI 診断の革新的手法を提案する。 我々は,mTBI症例と健常症例を識別するために,Residual Triplet Convolutional Neural Network (RTCNN)モデルを提案する。 我々のRTCNNモデルはmTBI診断において有望な性能を示し、平均精度は94.3%、感度は94.1%、特異性は95.2%である。
  論文  参考訳（メタデータ） (2023-11-23T20:41:46Z)
• AI-enabled Automatic Multimodal Fusion of Cone-Beam CT and Intraoral Scans for Intelligent 3D Tooth-Bone Reconstruction and Clinical Applications [29.065668174732014]
  仮想歯科治療計画における重要なステップは、CBCTから全ての歯骨構造を正確に切り離すことである。 従来の研究では、深層学習を用いたCBCTセグメンテーションのいくつかの方法が確立されている。 本稿では,CBCTセグメンテーションモデル,口腔内スキャン(IOS)セグメンテーションモデル,および3次元融合クラウン・ルート構造を生成する融合モデルからなる深部歯科用マルチモーダル分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-11T07:50:15Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)

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。