論文の概要: Comparing Post-Hoc Explainable AI Methods for Interpreting Black-Box EEG Models in Depression Detection

• arxiv url: http://arxiv.org/abs/2605.28977v1
• Date: Wed, 27 May 2026 18:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.22876
• Title: Comparing Post-Hoc Explainable AI Methods for Interpreting Black-Box EEG Models in Depression Detection
• Title（参考訳）: 抑うつ検出におけるブラックボックス脳波モデル解釈のためのポストホック説明可能なAI手法の比較
• Authors: Antonia Šarčević, Nikolina Frid,
• Abstract要約: 本研究では,脳波による抑うつ検出のためのインセプションタイムアーキテクチャに適用した複数のポストホック説明可能性手法について検討した。 評価により,前頭葉,側頭葉,後頭葉の脳波領域に連続的に強調される部分収束帰属パターンが認められた。 以上の結果から,脳波に基づく抑うつ検出のための深層学習モデルにおいて,様々なポストホック説明可能性アプローチが部分的に重複する関連構造を捉えていることが示唆された。
• 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: Recent advances in deep learning have enabled increasingly accurate electroencephalography (EEG)-based classification of Major Depressive Disorder (MDD), but the decision-making processes of high-capacity models remain difficult to interpret. This study investigates multiple post-hoc explainability methods applied to an InceptionTime architecture trained for EEG-based MDD detection. The analysis includes Shapley-based, gradient-based, and perturbation-based attribution approaches: DeepSHAP, Integrated Gradients, GradCAM, Occlusion, and Permutation Feature Importance. Explainability analysis was performed within a subject-level stratified 5-fold cross-validation framework using global attribution aggregation across EEG segments and subjects. The evaluated methods revealed partially convergent attribution patterns, with recurring emphasis on frontal, temporal, and posterior EEG regions, particularly in the right hemisphere. Quantitative comparison demonstrated substantial agreement between gradient- and perturbation-based approaches, while DeepSHAP produced comparatively distinct attribution distributions. At the same time, variability between explainability methods highlighted the influence of methodological assumptions on the resulting explanations. Overall, the results suggest that different post-hoc explainability approaches capture partially overlapping relevance structures in EEG-based deep learning models for depression detection. Although the observed attribution patterns are broadly consistent with several previous EEG studies of MDD, the analysis should be interpreted as exploratory rather than evidence of definitive neurophysiological biomarkers or clinical applicability. The study highlights both the usefulness and limitations of post-hoc explainability for interpreting black-box EEG classifiers in psychiatric applications.
• Abstract（参考訳）: 近年のディープラーニングの進歩により、脳波による大うつ病 (MDD) の分類がますます正確になっているが、高容量モデルの意思決定プロセスは解釈が難しいままである。 本研究では,脳波MDD検出のためのインセプションタイムアーキテクチャに適用した複数のポストホック説明可能性手法について検討した。 この分析には、DeepSHAP、Integrated Gradients、GradCAM、Occlusion、Permutation Feature Importanceといった、シェープベース、勾配ベース、摂動ベースの属性アプローチが含まれている。 脳波セグメントと被験者間でのグローバルな属性集約を用いて,被験者レベル5倍のクロスバリデーションフレームワーク内で説明可能性分析を行った。 評価の結果,右半球,前頭葉,側頭葉,後部脳波領域,特に右半球では,部分収束帰属パターンが繰り返し強調された。 一方、DeepSHAPは相対的に異なる帰属分布を生成した。 同時に、説明可能性法間のばらつきは、方法論的仮定が結果の説明に与える影響を強調した。 以上の結果から,脳波に基づく抑うつ検出のための深層学習モデルにおいて,様々なポストホック説明可能性アプローチが部分的に重複する関連構造を捉えていることが示唆された。 観察された属性パターンは、MDDの以前の脳波研究と大きく一致しているが、その分析は、決定的な神経生理学的バイオマーカーの証拠や臨床応用性の証拠よりも、探索的なものとして解釈されるべきである。 この研究は、精神医学応用におけるブラックボックス脳波分類器の解釈における、ホック後の説明可能性の有用性と限界の両方を強調した。

関連論文リスト

• ConceptM$^3$oE: Concept-Guided Multimodal Mixture of Experts for Interpretable Computational Pathology [33.27476666910628]
  ConceptM$3$oEは、Interaction-Aware Mixed-of-expertsパスに直接概念形成を組み込む。 このアーキテクチャは、エビデンスをモダリティ固有の、冗長で、シナジスティックな専門家に分解し、その後、構造化された概念ボトルネックに投影する。 データ制限付きレシエーションでは、ConceptM$3$oEはデータ制限性能を改善し、小さなトレーニングサイズでマクロF1を56.41%から66.70%に向上させた。
  論文  参考訳（メタデータ） (2026-05-23T04:55:16Z)
• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• 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)
• PIME: Prototype-based Interpretable MCTS-Enhanced Brain Network Analysis for Disorder Diagnosis [29.231312772459237]
  PIMEは、本質的な解釈可能性と最小十分部分グラフ最適化を橋渡しする解釈可能なフレームワークである。 3つのベンチマークfMRIデータセットの実験は、PIMEが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-02-24T16:04:52Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• Tensor Decomposition of Large-scale Clinical EEGs Reveals Interpretable Patterns of Brain Physiology [0.13980986259786218]
  本稿では,人口レベルの脳波パターンの相似集合を発見するためのテンソル分解手法を提案する。 認知障害のさまざまな段階を含む患者のコホートを用いて臨床評価を行った。
  論文  参考訳（メタデータ） (2022-11-24T20:39:22Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• EEG-based Cross-Subject Driver Drowsiness Recognition with an Interpretable Convolutional Neural Network [0.0]
  我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。 その結果,11名の被験者に対して平均78.35%の精度が得られた。
  論文  参考訳（メタデータ） (2021-05-30T14:47:20Z)

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。