論文の概要: Spatially Grounded Concept Bottleneck Models for Trustworthy Breast Ultrasound Diagnosis

• arxiv url: http://arxiv.org/abs/2607.20691v1
• Date: Wed, 22 Jul 2026 19:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.210319
• Title: Spatially Grounded Concept Bottleneck Models for Trustworthy Breast Ultrasound Diagnosis
• Title（参考訳）: 信頼できる乳房超音波診断のための空間接地型概念ボトルネックモデル
• Abstract要約: 概念ボトルネックモデルは、人間の理解可能な概念を通して診断を仲介することにより、解釈可能な設計予測を提供する。 医用画像では、予測されたコンセプトアクティベーションは無関係な領域によって駆動され、空間的に不誠実な説明につながる。 解剖学的に妥当な概念エビデンスを促進するために, 粗い病変のデラインを弱い監督力として活用するデータ中心型空間接地型概念ボトルネックモデル(SG-CBM)について検討した。
• 参考スコア（独自算出の注目度）: 0.769971486557519
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept Bottleneck Models provide interpretable-by-design predictions by mediating diagnosis through human-understandable concepts, but in medical imaging, their trustworthiness is often limited by the quality and granularity of available supervision. In particular, predicted concept activations can be driven by irrelevant regions, leading to spatially unfaithful explanations. We study a data-centric spatially grounded Concept Bottleneck Model (SG-CBM) that leverages coarse lesion delineations as weak supervision to encourage anatomically plausible concept evidence. For breast ultrasound, we derive two clinically motivated zones from each lesion mask: (i) an in-lesion region of interest for morphology-related concepts and (ii) a posterior acoustic band for posterior phenomena. We train concept maps using a grouped spatial grounding objective and preserve semantic faithfulness with a linear bottleneck classifier. Across five-fold stratified group cross-validation, the proposed SG-CBM improves diagnostic AUROC and concept macro-AUROC while markedly increasing spatial alignment of concept evidence. We also perform a Train-corrupt/Test-clean annotation-quality stress test to quantify the impact of supervision quality on diagnosis and spatial faithfulness. Overall, the results underscore the need for data-quality-aware supervision design and systematic trustworthiness validation for deployable healthcare AI systems.
• Abstract（参考訳）: 概念ボトルネックモデルは、人間の理解できない概念を通して診断を仲介することで、解釈可能な設計の予測を提供するが、医療画像においては、その信頼性は、利用可能な監督の質と粒度によって制限されることが多い。 特に、予測された概念活性化は無関係な領域によって駆動され、空間的に不誠実な説明につながる。 解剖学的に妥当な概念エビデンスを促進するために, 粗い病変のデラインを弱い監督力として活用するデータ中心型空間接地型概念ボトルネックモデル(SG-CBM)について検討した。 乳房超音波検査では各病変マスクから2つの臨床的動機付けゾーンを抽出する。 (i)形態学に関する概念及び課題領域 (II)後部現象のための後部音響バンド。 我々は、グループ化された空間的接地目標を用いて概念マップを訓練し、線形ボトルネック分類器を用いて意味的忠実性を維持する。 提案したSG-CBMは, 5倍の層状化群クロスバリデーションを通じて, 診断AUROCと概念マクロAUROCを改善しつつ, 概念証拠の空間的アライメントを著しく高めている。 また,Train-corrupt/Test-cleanアノテーション品質ストレステストを実施し,診断と空間忠実度に対する監督品質の影響を定量化する。 全体として、結果は、データ品質に配慮した監視設計と、デプロイ可能な医療AIシステムに対する体系的な信頼性検証の必要性を強調している。

関連論文リスト

• Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
  CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。 コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。 BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-09-14T10:21:23Z)
• Learning Label-Efficient Interpretable Medical Image Diagnosis via Semi-supervised Hypergraph Concept Bottleneck Model [31.39728021774214]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、臨床的に意味のある中間概念を診断パイプラインに埋め込むことによって、有望な道を提供する。 本研究は,医用イメージング用に設計された新しい半教師付きCBMフレームワークを提案する。 提案手法は,概念レベルのハイパーグラフを拡張推論に組み込むことにより,より優れた解釈性と性能を実現する。
  論文  参考訳（メタデータ） (2026-06-01T05:05:10Z)
• 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)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• AC-MIL: Weakly Supervised Atrial LGE-MRI Quality Assessment via Adversarial Concept Disentanglement [0.06553834611557041]
  Adversarial Concept-MILは、地球規模の画像品質を臨床的に定義された放射線学的概念に分解する弱い教師付きフレームワークである。 当社のフレームワークは,高度に競争力のある順序付け性能を維持しながら,この深い臨床透明性を実現する。
  論文  参考訳（メタデータ） (2026-04-11T18:01:19Z)
• DCG-Net: Dual Cross-Attention with Concept-Value Graph Reasoning for Interpretable Medical Diagnosis [14.035057926904559]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の解釈可能な臨床概念による構造予測である。 既存のCBMは、コンセプト間のコンテキスト依存を概ね見落としている。 本稿では,マルチモーダルアライメントと構造化概念推論を統合した,エンドツーエンドの解釈可能なフレームワークであるemphDCG-Netを提案する。
  論文  参考訳（メタデータ） (2026-03-20T01:11:58Z)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• 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)
• Towards generating more interpretable counterfactuals via concept vectors: a preliminary study on chest X-rays [46.667021835430155]
  我々は、臨床概念を生成モデルの潜在空間にマッピングし、概念活性化ベクトル(CAV)を同定する。 抽出された概念はデータセット全体にわたって安定しており、臨床的に関連する特徴を強調する視覚的説明を可能にする。 胸部X線検査の予備的結果から, 胸部X線検査は, 心筋症などの大きな病態を呈するが, より小さな病態はいまだに困難である。
  論文  参考訳（メタデータ） (2025-06-04T15:23:12Z)
• Concept-Attention Whitening for Interpretable Skin Lesion Diagnosis [7.5422729055429745]
  皮膚病変診断のための新しい概念認識白化(CAW)フレームワークを提案する。 前枝では,CAW層を挿入した畳み込みニューラルネットワーク(CNN)を訓練し,皮膚病変の診断を行った。 後者のブランチでは、マトリクスはコンセプトアテンションマスクのガイダンスに基づいて計算される。
  論文  参考訳（メタデータ） (2024-04-09T04:04:50Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Act Like a Radiologist: Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection [49.14070210387509]
  マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。 AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。 2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-05-21T06:48:34Z)

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。