論文の概要: Beyond Local Inspection: Global, Guideline-Grounded Evaluation of Post-hoc XAI Methods for ECG Classification

• arxiv url: http://arxiv.org/abs/2607.24035v1
• Date: Mon, 27 Jul 2026 06:16:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.327941
• Title: Beyond Local Inspection: Global, Guideline-Grounded Evaluation of Post-hoc XAI Methods for ECG Classification
• Title（参考訳）: 局所検査を超えて:ECG分類のためのポストホックXAI法の評価
• Abstract要約: 本報告では, 心室筋電図から心室筋電図を抽出し, 臨床的に定義された関心領域に対して評価する枠組みを提案する。 その結果,コンピュータビジョンから転送される手法の体系的失敗が明らかになった。 13の手法のうち9つは、少なくとも1つの条件で失敗し、パターン間の不整合性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Explainable AI (XAI) is used to assess whether artificial intelligence models rely on meaningful patterns, yet explanations that appear plausible for individual predictions may systematically misrepresent model behavior. This is particularly problematic in medicine, where models may rely on irrelevant signal characteristics rather than disease-specific patterns without being recognizable. We address this challenge using electrocardiogram (ECG) data, for which clinical guidelines provide explicit knowledge about diagnostically relevant signal regions. We introduce a global, guideline-grounded framework that aggregates explanations across heartbeats to evaluate them against clinically defined regions of interest. Using four binary classifiers trained on PTB-XL, we assess 13 gradient-based methods across two categories of patterns: low-amplitude segments and high-amplitude QRS morphology. Our results reveal a systematic failure of methods transferred from computer vision. Their explanations often follow signal amplitude rather than clinical relevance, with mean Spearman correlations up to 0.69, leading them to overlook diagnostically decisive low-amplitude regions. For ischemia, LRP-$ε$ assigns only 4.6% of relevance to the ST segment, compared with 63.8% for LRP-SIGN. Nine of 13 methods fall below chance for at least one condition, indicating inconsistent reliability across patterns. These findings show that global, domain-grounded evaluation can uncover systematic explanation failures not obvious from sample-level heatmaps.
• Abstract（参考訳）: 説明可能なAI(XAI)は、人工知能モデルが意味のあるパターンに依存しているかどうかを評価するために使用されるが、個々の予測に当てはまる説明は、モデル動作を体系的に誤って表現する可能性がある。 これは医学において特に問題であり、モデルが認識されることなく、疾患固有のパターンよりも、無関係な信号特性に依存する可能性がある。 我々は心電図(ECG)データを用いてこの課題に対処し、臨床ガイドラインは診断関連信号領域に関する明確な知識を提供する。 本研究は、心臓の鼓動にまたがる説明を集約して、臨床的に定義された関心領域に対して評価する、グローバルなガイドライン付きフレームワークを提案する。 PTB-XLで訓練した4つのバイナリ分類器を用いて、低振幅セグメントと高振幅QRS形態の2つのパターンにまたがる勾配に基づく13の手法を評価する。 その結果,コンピュータビジョンから転送される手法の体系的失敗が明らかになった。 彼らの説明は、臨床関連性よりも信号振幅に従っており、平均的なスピアマン相関は0.69までであり、診断的に決定的な低振幅領域を見落としている。 虚血の場合、LRP-ε$はSTセグメントに4.6%しか関連しないが、LRP-SIGNは63.8%である。 13の手法のうち9つは、少なくとも1つの条件で失敗し、パターン間の不整合性を示す。 これらの結果は, サンプルレベルの熱マップから明らかでない系統的な説明の失敗を, グローバルな領域的評価が発見できることを示唆している。

関連論文リスト

• Seeing Beyond the Lesion: Disease Recognition from Reactive CNS Tissue [1.2182821723492487]
  我々は4つの病理基盤モデルを、共有注意に基づく学習フレームワーク内の凍結パッチエンコーダとしてベンチマークする。 まず,スライドサイズだけで粗い疾患カテゴリー予測が再現可能であることを示す。 驚くべきことに、パフォーマンスはすべての基礎モデルエンコーダ間で統計的に区別できない。
  論文  参考訳（メタデータ） (2026-09-02T10:02:43Z)
• SHOVIR: A Benchmark for Evaluating Vision Shortcut Learning in Radiology Report Generation [1.5782980044380892]
  放射線診断におけるビジョン・ランゲージモデルに対する現在の評価プロトコルは、語彙重なりを計測するレポートレベルの指標や、総合的な臨床的正確性に依存している。 本稿では、RRGにおける視覚ショートカット動作を評価するためのベンチマークであるSHOVIRを紹介する。
  論文  参考訳（メタデータ） (2026-06-29T12:17:35Z)
• Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
  既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。 テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
  論文  参考訳（メタデータ） (2026-06-17T08:10:30Z)
• Validating the Clinical Utility of CineECG 3D Reconstructions through Cross-Modal Feature Attribution [6.049628621178308]
  本稿では,CineECG 3次元解剖学的空間に高性能12誘導ECGモデルから特徴属性を投影するクロスモーダル手法を提案する。 本研究は,CineECG信号を直接訓練したモデルにおいて,精度の低下と不整合性に悩まされている一方で,本手法が臨床的に有意な特徴ランキングを効果的に回復させることを示した。
  論文  参考訳（メタデータ） (2026-04-29T12:21:43Z)
• H-LDM: Hierarchical Latent Diffusion Models for Controllable and Interpretable PCG Synthesis from Clinical Metadata [7.158541967057649]
  H-LDMは、構造化メタデータから臨床的に正確で制御可能なPCG信号を生成する階層的潜在拡散モデルである。 我々のアプローチは、生理的に異なる潜伏空間を学習し、リズム、心臓音、大腿骨を分離するマルチスケールのVAEを特徴とする。 PhysioNet CirCorデータセットの実験では、Fréchet Audio Distance 9.7、92%の属性不整合スコア、87.1%の臨床的妥当性が確認された。
  論文  参考訳（メタデータ） (2025-11-18T10:16:22Z)
• Transformer Classification of Breast Lesions: The BreastDCEDL_AMBL Benchmark Dataset and 0.92 AUC Baseline [1.9336815376402718]
  本研究では,ダイナミックコントラスト強調MRIにおける乳腺病変の自動分類のためのトランスフォーマーベースフレームワークを提案する。 患者レベルでは100%の感度と67%の特異性を有する病変レベル分類のAUCを0.92で達成したSegFormerアーキテクチャを実装した。 データセット、モデル、評価プロトコルの公開リリースは、DCE-MRI病変分類のための最初の標準化されたベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-30T15:58:02Z)
• Boosting Pathology Foundation Models via Few-shot Prompt-tuning for Rare Cancer Subtyping [80.92960114162746]
  視覚言語病理基盤モデルの可能性を生かした新しいフレームワークPathPTを提案する。 PathPTは、WSIレベルの監視を、VLモデルのゼロショット機能を活用することで、きめ細かいタイルレベルのガイダンスに変換する。 以上の結果から,PathPTは一貫して優れた性能を示し,サブタイピング精度と癌領域の接地能力を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-08-21T18:04:41Z)
• Reflecting Topology Consistency and Abnormality via Learnable Attentions for Airway Labeling [19.269806092729468]
  気道解剖学的ラベリングは、気管支鏡で複雑な気管支構造を識別し、ナビゲートするために、臨床医にとって不可欠である。 従来の手法は一貫性のない予測を生成する傾向にある。 本稿では, トポロジカルな整合性を高め, 異常な気道分岐の検出を改善する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T12:04:30Z)
• SemioLLM: Evaluating Large Language Models for Diagnostic Reasoning from Unstructured Clinical Narratives in Epilepsy [45.2233252981348]
  臨床知識を符号化するための言語モデル(LLM)が示されている。 6つの最先端モデルをベンチマークする評価フレームワークであるSemioLLMを提案する。 ほとんどのLSMは、脳内の発作発生領域の確率的予測を正確かつ確実に生成できることを示す。
  論文  参考訳（メタデータ） (2024-07-03T11:02:12Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Explaining COVID-19 and Thoracic Pathology Model Predictions by Identifying Informative Input Features [47.45835732009979]
  ニューラルネットワークは胸部X線上の分類および回帰タスクにおいて顕著な性能を示した。 特徴帰属法は、出力予測における入力特徴の重要性を識別する。 本研究では,NIH Chest X-ray8およびBrixIAデータセット上で,人間中心の解釈可能性指標と人間に依存しない特徴重要度指標の両方を用いて評価する。
  論文  参考訳（メタデータ） (2021-04-01T11:42:39Z)
• 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。