論文の概要: Explanation-Aware Learning for Enhanced Interpretability in Biomedical Imaging

• arxiv url: http://arxiv.org/abs/2605.10054v1
• Date: Mon, 11 May 2026 06:27:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.573621
• Title: Explanation-Aware Learning for Enhanced Interpretability in Biomedical Imaging
• Title（参考訳）: バイオメディカルイメージングにおける解釈可能性向上のための説明認識学習
• Authors: Zubair Faruqui, Rahul Dubey,
• Abstract要約: ポストホックな説明法は、サリエンシマップの形でモデル決定を可視化するために広く用いられている。 本稿では,説明の喪失設計と監督力の違いが,説明の空間的忠実度と予測性能に与える影響について分析する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks for medical image diagnosis often achieve high predictive accuracy while relying on spurious or clinically irrelevant visual cues, limiting their trustworthiness in practice. Post-hoc explanation methods are widely used to visualize model decisions in the form of saliency maps; however, these explanations do not influence how models learn during training, allowing non-causal or confounding features to persist. This motivates the incorporation of explanation supervision directly into the training objective to guide model attention toward clinically meaningful regions and promote clinically grounded decision-making. This paper presents a systematic approach to integrate explanation loss into model training and analyzes how different explanation loss designs and supervision strengths influence both predictive performance and spatial faithfulness of explanations. To quantitatively assess interpretability, two complementary explanation performance metrics-annotation coverage and saliency precision-are introduced, enabling rigorous evaluation beyond qualitative visualization. Our experimental results reveal a clear trade-off between explanation quality and explanation loss coefficients. Furthermore, quantitative statistical analysis yields consistently improved explanation alignment while maintaining comparable accuracy. Experiments were conducted on annotated chest X-ray datasets; however, the proposed framework is applicable to a broad range of annotated biomedical imaging modalities. Overall, these findings demonstrate that explanation supervision is not a monolithic design choice and provide practical guidance for incorporating explanation loss into training objectives under noisy clinical annotations.
• Abstract（参考訳）: 医用画像診断のためのディープニューラルネットワークは、しばしば、刺激的または臨床的に無関係な視覚的手がかりに依存しながら、高い予測精度を達成する。 ポストホックな説明法は、サリエンシマップの形でモデル決定を視覚化するために広く用いられているが、これらの説明はトレーニング中にモデルがどのように学習するかに影響を与えず、因果関係のない特徴が持続することを可能にする。 これにより、トレーニング目的に直接説明監督を組み込むことで、モデル注意を臨床的に意味のある領域へ誘導し、臨床的に根拠付けられた意思決定を促進する。 本稿では、モデル学習に説明損失を組み込む体系的なアプローチを提案し、説明損失設計と監督力の違いが説明の予測性能と空間的忠実性の両方にどのように影響するかを分析する。 解釈可能性を定量的に評価するために、2つの相補的な説明性能指標(注釈付きカバレッジと精度精度)を導入し、定性的な可視化を超えた厳密な評価を可能にした。 実験結果から,説明品質と説明損失係数との明確なトレードオフが明らかになった。 さらに、定量的統計分析は、同等の精度を維持しながら、説明アライメントを一貫して改善する。 注釈付胸部X線データセットを用いて実験を行ったが,提案手法は広範囲の注釈付生医学的画像モダリティに適用可能である。 以上の結果から,説明指導はモノリシックな設計選択ではなく,ノイズのある臨床アノテーションの下での訓練目的に説明損失を組み込むための実践的ガイダンスが得られた。

関連論文リスト

• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• Improving ARDS Diagnosis Through Context-Aware Concept Bottleneck Models [2.3802351706765017]
  病気を理解するための新しいリソースとして、大規模で一般公開された臨床データセットが登場した。 これらのデータセットは、もともと研究目的で収集されていないデータから派生しており、その結果、しばしば不完全であり、重要なラベルが欠落している。 多くのAIツールは、疾患分類を実行するなど、これらのデータセットを振り返ってラベル付けするために開発されている。 従来の研究は、高レベルな臨床概念にマッピングする解釈可能な概念を学ぶConcept Bottleneck Models (CBMs)を用いて、予測を説明しようと試みてきた。 我々は,急性呼吸障害症候群(ARDS)の診断を,臨床ノートからコンテキスト情報を取り入れて改善することの価値を実証するために,挑戦的なテストケースとして用いている。
  論文  参考訳（メタデータ） (2025-08-13T11:19:30Z)
• Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
  既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。 我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
  論文  参考訳（メタデータ） (2025-02-15T06:33:02Z)
• Explaining Explainability: Towards Deeper Actionable Insights into Deep Learning through Second-order Explainability [70.60433013657693]
  2階説明可能なAI(SOXAI)は、最近インスタンスレベルからデータセットレベルまで説明可能なAI(XAI)を拡張するために提案されている。 そこで本研究では,SOXAIの動作可能な洞察に基づくトレーニングセットから無関係な概念を除外することで,モデルの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-06-14T23:24:01Z)
• Diagrammatization and Abduction to Improve AI Interpretability With Domain-Aligned Explanations for Medical Diagnosis [9.904990343076433]
  本稿では,解釈可能性のギャップを低減するため,図式および帰納的推論によるドメインアライメントの改善を提案する。 DiagramNetは,心臓の聴診から心臓の診断を予測し,基準評価に基づいて最適な仮説を選定し,臨床的に関連のある大腿骨の図を用いて説明する。
  論文  参考訳（メタデータ） (2023-02-02T17:23:28Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• Dual Decomposition of Convex Optimization Layers for Consistent Attention in Medical Images [12.844658658362325]
  医学における機械学習モデルの統合における主要な関心事は、推論を解釈する能力である。 共起層間の一貫した解釈を行う多層アテンション機構を提案する。 提案手法は,弱い注釈付き医用画像データを活用し,モデルの予測に対する完全かつ忠実な説明を提供する。
  論文  参考訳（メタデータ） (2022-06-06T17:38:00Z)
• Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
  本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。 本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:59:50Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)

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。