論文の概要: KANEx: Translating Kolmogorov-Arnold Networks' Interpretability to Medical Explainability

• arxiv url: http://arxiv.org/abs/2607.24730v1
• Date: Mon, 27 Jul 2026 17:57:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.548434
• Title: KANEx: Translating Kolmogorov-Arnold Networks' Interpretability to Medical Explainability
• Title（参考訳）: KanEx: Kolmogorov-Arnold Networks の解釈可能性と医療説明可能性
• Abstract要約: コンピュータビジョンモデルは医療応用において非常に効果的になっているが、ブラックボックスの性質は臨床医の信頼を弱め続けている。 このアーキテクチャの透明性が、より信頼できる説明を生み出すために活用できるかどうかを調査する。 我々は,kansのシンボリックな透過性を利用してVLM推論を行う,初のフレームワークであるkanExを紹介した。
• 参考スコア（独自算出の注目度）: 4.64163085848251
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer vision models have become highly effective for medical applications, yet their black-box nature continues to undermine clinician trust. In clinical workflows, chest X-ray classifiers are increasingly paired with Vision-Language Models (VLMs) to generate natural-language explanations. However, these systems add linguistic fluency without addressing the underlying opacity of the visual model. With the emergence of Kolmogorov-Arnold Networks (KANs), whose spline-based components provide inherently interpretable functional units, we investigate whether this architectural transparency can be leveraged to produce more trustworthy textual explanations. We introduce KANEx, the first ever framework that leverages the symbolic transparency of KANs to ground VLM reasoning. This interpretability also made it possible to design KAN-Map, a novel heatmap generation method derived directly from KAN models rather than gradient approximations. We feed these grounded contexts into downstream VLMs for enhanced explainability. Benchmarked on the MIMIC-CXR dataset, we demonstrate that KAN-based architectures with ResNet/ViT baselines demonstrate improved semantic similarity while producing significantly more faithful saliency maps. KAN architectures improve visual localization and downstream reasoning quality by 10%. Our findings suggest that grounding linguistic explanations and visual attributions in mathematically interpretable units is a necessary step toward trustworthy medical AI.
• Abstract（参考訳）: コンピュータビジョンモデルは医療応用において非常に効果的になっているが、ブラックボックスの性質は臨床医の信頼を弱め続けている。 臨床ワークフローでは、胸部X線分類器は視覚言語モデル(VLM)とペアになって、自然言語の説明を生成する。 しかし、これらのシステムは、視覚モデルの根底にある不透明さに対処することなく、言語流布を付加する。 スプラインベースのコンポーネントが本質的に解釈可能な機能ユニットを提供するKAN(Kolmogorov-Arnold Networks)の出現にともなって,このアーキテクチャの透明性を活用して,より信頼性の高いテキスト説明を作成できるかどうかを検討する。 我々は,kansのシンボリックな透過性を利用してVLM推論を行う,初のフレームワークであるkanExを紹介した。 この解釈可能性により、勾配近似ではなく、Kanモデルから直接派生した新しい熱マップ生成手法であるKan-Mapを設計できるようになった。 説明可能性を高めるために、これらの接地されたコンテキストを下流のVLMに供給する。 MIMIC-CXRデータセットをベンチマークし,ResNet/ViTベースラインを持つ Kan ベースのアーキテクチャは,より忠実なサリエンシマップを生成するとともに,セマンティックな類似性を向上することを示した。 Kanアーキテクチャは、視覚的なローカライゼーションと下流の推論品質を10%向上させる。 本研究は, 数学的に解釈可能な単位の言語的説明と視覚的帰属が, 信頼できる医療AIに向けての必要なステップであることを示唆している。

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)
• Concept-Enhanced Multimodal RAG: Towards Interpretable and Accurate Radiology Report Generation [12.226029763256962]
  VLM(Vision-Language Models)による放射線学レポート生成は、ドキュメントの負担軽減、レポートの一貫性の向上、臨床導入の加速を約束する。 既存の研究では、解釈可能性と精度を別々の目的として扱い、概念に基づく説明可能性技術は透明性に重点を置いている。 本稿では,視覚表現を解釈可能な臨床概念に分解する統合フレームワークであるCEMRAG(Concept-Enhanced Multimodal RAG)を提案する。
  論文  参考訳（メタデータ） (2026-02-17T15:18:07Z)
• S-Chain: Structured Visual Chain-of-Thought For Medicine [81.97605645734741]
  S-Chainは,有界ボックスと構造化ビジュアルCoT(SV-CoT)を備えた,12,000のエキスパートアノテートされた医用画像の最初の大規模データセットである。 データセットはさらに16言語をサポートし、幅広い多言語適用性のための合計700万VQAペアをサポートする。 S-Chainは、根拠のある医療推論のための新しいベンチマークを確立し、より信頼性が高く説明可能な医療ビジョン言語モデルへの道を開く。
  論文  参考訳（メタデータ） (2025-10-26T15:57:14Z)
• XBench: A Comprehensive Benchmark for Visual-Language Explanations in Chest Radiography [6.447908430647854]
  胸部X線におけるクロスモーダル解釈性を評価するための最初の体系的ベンチマークを示す。 我々は,クロスアテンションと類似性に基づくローカライズマップを用いた視覚的説明を生成する。 複数の病理組織を横断する放射線診断領域とのアライメントを定量的に評価した。
  論文  参考訳（メタデータ） (2025-10-22T13:52:19Z)
• RAU: Reference-based Anatomical Understanding with Vision Language Models [26.06602931463068]
  視覚言語モデル(VLM)を用いた参照型解剖学的理解のためのフレームワークであるRAUを紹介する。 まず,VLMが参照画像と対象画像の相対的空間的推論により解剖学的領域の同定を学習することを示す。 次に, VLM由来の空間的手がかりをSAM2の細粒度セグメンテーション能力とシームレスに統合できることを実証した。
  論文  参考訳（メタデータ） (2025-09-26T14:32:03Z)
• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
  本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。 具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。 そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
  論文  参考訳（メタデータ） (2024-08-08T17:20:08Z)
• Contrastive Learning with Counterfactual Explanations for Radiology Report Generation [83.30609465252441]
  放射線学レポート生成のためのtextbfCountertextbfFactual textbfExplanations-based framework (CoFE) を提案する。 反現実的な説明は、アルゴリズムによってなされた決定をどのように変えられるかを理解するための強力なツールとして、シナリオが何であるかを問うことによって役立ちます。 2つのベンチマークの実験では、反ファクト的な説明を活用することで、CoFEは意味的に一貫性があり、事実的に完全なレポートを生成することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:24:25Z)
• U-KAN Makes Strong Backbone for Medical Image Segmentation and Generation [48.40120035775506]
  Kolmogorov-Arnold Networks (KAN)は、非線形学習可能なアクティベーション関数のスタックを通じてニューラルネットワーク学習を再構築する。 トークン化中間表現であるU-KAN上に専用kan層を統合することにより,確立したU-Netパイプラインを検証,修正,再設計する。 さらに、拡散モデルにおける代替U-Netノイズ予測器としてのU-KANの可能性を探り、タスク指向モデルアーキテクチャの生成にその適用性を実証した。
  論文  参考訳（メタデータ） (2024-06-05T04:13:03Z)
• Dynamic Inference with Neural Interpreters [72.90231306252007]
  本稿では,モジュールシステムとしての自己アテンションネットワークにおける推論を分解するアーキテクチャであるNeural Interpretersを提案する。 モデルへの入力は、エンドツーエンドの学習方法で一連の関数を通してルーティングされる。 ニューラル・インタープリタは、より少ないパラメータを用いて視覚変換器と同等に動作し、サンプル効率で新しいタスクに転送可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-12T23:22:45Z)

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。