論文の概要: Radiologist-Guided Causal Concept Bottleneck Models for Chest X-Ray Interpretation

• arxiv url: http://arxiv.org/abs/2605.07785v1
• Date: Fri, 08 May 2026 14:21:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.109293
• Title: Radiologist-Guided Causal Concept Bottleneck Models for Chest X-Ray Interpretation
• Title（参考訳）: 胸部X線解釈のための放射線技師誘導因果概念ボトルネックモデル
• Authors: Amy Rafferty, Rishi Ramaesh, Ajitha Rajan,
• Abstract要約: 医療画像における概念ボトルネックモデル(CBM)は、最終診断の前に中間的臨床概念を予測することにより、モデル解釈性を改善することを目的としている。 我々はXpertCausalを胸部X線解釈のための放射線技師誘導型因果CBMとして提案し,病理と概念の関係をモデル化した。 我々はXpertCausal on MIMIC-CXRの病理分類性能,校正,説明品質,および放射線技師が定義した推論経路との整合性について検討した。
• 参考スコア（独自算出の注目度）: 3.295369583957252
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Concept Bottleneck Models (CBMs) in medical imaging aim to improve model interpretability by predicting intermediate clinical concepts before final diagnoses. However, most existing CBMs treat concepts as discriminative predictors of pathology labels, without explicitly modelling the underlying clinical generative process where diseases produce observable radiographic findings. We propose XpertCausal, a radiologist-guided causal CBM for chest X-ray interpretation which models pathology-to-concept relationships using a probabilistic noisy-OR framework. This generative model is then inverted via Bayesian inference to estimate pathology probabilities from predicted concepts. Radiologist-curated concept-pathology associations are used to constrain model structure to radiologist-defined clinically plausible reasoning pathways. We evaluate XpertCausal on MIMIC-CXR across pathology classification performance, calibration, explanation quality, and alignment with radiologist-defined reasoning pathways. Compared with both a non-causal CBM baseline and a causal ablation with unconstrained learned associations, XpertCausal achieves improved AUROC, calibration, and clinically relevant explanation quality, while learning concept-pathology relationships that more closely align with expert knowledge. These results demonstrate that incorporating clinically motivated causal structure and expert domain knowledge into CBMs can lead to more accurate, interpretable, and clinically aligned models for CXR interpretation.
• Abstract（参考訳）: 医療画像における概念ボトルネックモデル(CBM)は、最終診断の前に中間的臨床概念を予測することにより、モデル解釈性を改善することを目的としている。 しかし、既存のほとんどのCBMは、疾患が観測可能なX線像を生成する基礎となる臨床生成過程を明示的にモデル化することなく、概念を病理ラベルの識別的予測因子として扱う。 本稿では,XpertCausalの胸部X線解釈のためのXpertCausalを提案する。 この生成モデルはベイズ推定によって逆転し、予測された概念から病理確率を推定する。 放射線医が作成した概念-病理学協会は、放射線医が定義した臨床的に妥当な推論経路にモデル構造を拘束するために用いられる。 我々はXpertCausal on MIMIC-CXRの病理分類性能,校正,説明品質,および放射線技師が定義した推論経路との整合性について検討した。 非因果的CBMベースラインと無拘束の学習関係による因果的アブレーションの両方と比較して、XpertCausalはAUROCの改善、校正、臨床的に関連する説明品質を達成し、一方で、専門家の知識とより緊密に一致する概念と病理の関係を学習する。 これらの結果は、臨床動機付けされた因果構造と専門的なドメイン知識をCBMに組み込むことで、CXR解釈のためのより正確で、解釈可能で、臨床的に整合したモデルが得られることを示している。

関連論文リスト

• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Vision-Language Models Encode Clinical Guidelines for Concept-Based Medical Reasoning [3.2723884637302443]
  概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、AIを解釈するための重要なフレームワークである。 臨床ガイドラインを視覚言語と推論モデルと統合する概念ベースの推論フレームワークであるMedCBRを提案する。 本フレームワークは,医用画像解析から意思決定までの終端ブリッジを構築できる。
  論文  参考訳（メタデータ） (2026-03-09T20:39:46Z)
• CutisAI: Deep Learning Framework for Automated Dermatology and Cancer Screening [0.0]
  本稿では,統計学習理論,トポロジカルデータ解析,ベイズ変換推論を組み合わせたコンフォーマルベイズ皮膚学(CBDC)フレームワークを提案する。 CBDCは分類精度を達成し、臨床の観点から解釈可能な校正された予測を生成する。 本研究は, 深部皮膚科診断における理論的, 実践的な飛躍であり, 機械学習理論の臨床応用インターフェースを開拓する。
  論文  参考訳（メタデータ） (2026-01-05T21:29:08Z)
• 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)
• RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
  RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。 システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
  論文  参考訳（メタデータ） (2025-06-17T03:10:33Z)
• 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)
• Interpretable Vertebral Fracture Diagnosis [69.68641439851777]
  ブラックボックスニューラルネットワークモデルは、骨折診断のための臨床的に関連する特徴を学習する。 この研究は、CT画像における脊椎骨折の診断にネットワークが使用する概念を特定する。
  論文  参考訳（メタデータ） (2022-03-30T13:07:41Z)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)

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。