論文の概要: ShifaMind: A Multiplicative Concept Bottleneck for Interpretable ICD-10 Coding
- arxiv url: http://arxiv.org/abs/2605.08482v1
- Date: Fri, 08 May 2026 20:58:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.67892
- Title: ShifaMind: A Multiplicative Concept Bottleneck for Interpretable ICD-10 Coding
- Title（参考訳）: ShifaMind: 解釈可能なICD-10符号化のための乗法的概念ボトルネック
- Authors: Mohammed Sameer Syed, Xuan Lu,
- Abstract要約: 提案するShifaMindは,Multiplicative Concept Bottleneck (MCB) を中心に構築された,概念ベースアーキテクチャである。
ShifaMindは、F1、AUC、ランキングメトリクスで最強のベースラインであるLAATとパフォーマンスを競う。
キャパシティにマッチしたVanilla CBMに比べて、予測パフォーマンスと解釈可能性指向のメトリクスの両方で大幅に向上し、ボトルネック設計の重要性を強調している。
- 参考スコア（独自算出の注目度）: 1.533641293144986
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated ICD-10 coding from clinical discharge summaries requires models that are both accurate on long-tailed multi-label classification tasks and interpretable to clinicians. Concept Bottleneck Models (CBMs) offer a principled framework for interpretability by routing predictions through human-interpretable concepts, but this transparency often comes at a cost: compressing rich clinical text representations into a narrow concept layer can restrict gradient flow and limit predictive capacity. We present ShifaMind, a concept-grounded architecture built around a Multiplicative Concept Bottleneck (MCB), which changes the form, rather than the width, of the bottleneck. Instead of projecting through a narrow concept layer, ShifaMind uses a learned multiplicative gate over a concept-grounded representation while retaining a scalar concept interface for inspection. On MIMIC-IV top-50 ICD-10 coding, ShifaMind achieves performance competitive with LAAT, the strongest baseline, across F1, AUC, and ranking metrics, while outperforming five additional ICD-coding baselines and providing concept-mediated explanations. Its substantial gains over a capacity-matched Vanilla CBM in both predictive performance and interpretability-oriented metrics highlight the importance of the bottleneck design.
- Abstract（参考訳）: 臨床退院サマリーからのICD-10の自動符号化は、長い尾の多ラベル分類タスクにおいて正確であり、臨床医に解釈可能なモデルを必要とする。
概念ボトルネックモデル(CBM)は、人間の解釈可能な概念を通して予測をルーティングすることで、解釈可能性の原則的な枠組みを提供するが、この透明性は、しばしばコストがかかる: リッチな臨床テキスト表現を狭い概念層に圧縮することは、勾配の流れを制限し、予測能力を制限する。
本稿では,MCB(Multiplicative Concept Bottleneck)を中心に構築された概念基底アーキテクチャであるShifaMindについて紹介する。
ShifaMindは、狭い概念層を投影する代わりに、学習した乗法ゲートを概念基底表現の上に使用し、検査用のスカラー概念インターフェースを保持する。
MIMIC-IVトップ50のICD-10コーディングにおいて、ShifaMindはF1、AUC、ランキングの指標で最強のベースラインであるLAATと性能を競い合う一方で、5つのICDコーディングベースラインを上回り、概念に基づく説明を提供する。
キャパシティにマッチしたVanilla CBMよりも大幅に向上し、予測パフォーマンスと解釈可能性指向のメトリクスの両方がボトルネック設計の重要性を強調している。
関連論文リスト
- Rethinking Concept Bottleneck Models: From Pitfalls to Solutions [53.84388497227224]
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の基底予測である。
CBM-Suiteはこれらの課題に対処するための方法論的なフレームワークである。
論文 参考訳（メタデータ） (2026-03-05T19:37:49Z) - Controllable Concept Bottleneck Models [55.03639763625018]
制御可能な概念ボトルネックモデル(CCBM)
CCBMは、概念ラベルレベル、概念レベル、データレベルという3つのモデル編集の粒度をサポートする。
CCBMは、数学的に厳密な閉形式近似を享受し、再訓練の必要性を和らげる影響関数から導かれる。
論文 参考訳（メタデータ） (2026-01-01T19:30:06Z) - Towards more holistic interpretability: A lightweight disentangled Concept Bottleneck Model [5.700536552863068]
概念ボトルネックモデル(CBM)は、人間の理解可能な概念を中間表現として予測することにより、解釈可能性を高める。
本稿では,視覚的特徴を意味論的に意味のある構成要素に自動的に分類する軽量なDECBMを提案する。
3つの多様なデータセットの実験により、LCDBMはより高い概念とクラス精度を達成し、解釈可能性と分類性能の両方において従来のCBMよりも優れていたことが示されている。
論文 参考訳（メタデータ） (2025-10-17T15:59:30Z) - Interpretable Reward Modeling with Active Concept Bottlenecks [54.00085739303773]
本稿では,解釈可能な嗜好学習を可能にする報酬モデリングフレームワークであるConcept Bottleneck Reward Models (CB-RM)を紹介する。
不透明報酬関数に依存する標準的なRLHF法とは異なり、CB-RMは報酬予測を人間の解釈可能な概念に分解する。
我々は,最も情報性の高い概念ラベルを動的に取得する能動的学習戦略を定式化する。
論文 参考訳（メタデータ） (2025-07-07T06:26:04Z) - MVP-CBM:Multi-layer Visual Preference-enhanced Concept Bottleneck Model for Explainable Medical Image Classification [17.91330444111181]
概念ボトルネックモデル(CBM)は、予測と人間の理解可能な概念をリンクすることで、解釈可能性を改善する。
MVP-CBM(Visual Preference-enhanced Concept Bottleneck Model)を提案する。
MVP-CBMは、多層視覚情報を包括的に活用して、より微妙で正確なモデル決定の説明を提供する。
論文 参考訳（メタデータ） (2025-06-14T16:52:04Z) - Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。
パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。
我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
論文 参考訳（メタデータ） (2025-06-05T06:39:43Z) - VLG-CBM: Training Concept Bottleneck Models with Vision-Language Guidance [16.16577751549164]
Concept Bottleneck Models (CBM) は解釈可能な予測を提供する。
CBMは人間の理解可能な概念を符号化し、モデルの判断を説明する。
本稿では,VLG-CBM(Vision-Language-Guided Concept Bottleneck Model)を提案する。
論文 参考訳（メタデータ） (2024-07-18T19:44:44Z) - 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) - Incremental Residual Concept Bottleneck Models [29.388549499546556]
Concept Bottleneck Models (CBM) は、ディープニューラルネットワークによって抽出されたブラックボックスの視覚表現を、解釈可能な概念のセットにマッピングする。
本稿では,概念完全性の課題を解決するために,インクリメンタル・Residual Concept Bottleneck Model (Res-CBM)を提案する。
提案手法は,任意のCBMの性能向上を目的としたポストホック処理法として,ユーザ定義の概念バンクに適用できる。
論文 参考訳（メタデータ） (2024-04-13T12:02:19Z)
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。