論文の概要: Architecture-aware Robustness Evaluation of Explainable Deep Learning for Breast Cancer Diagnosis

• arxiv url: http://arxiv.org/abs/2609.31692v1
• Date: Fri, 18 Sep 2026 04:13:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:47:45.586052
• Title: Architecture-aware Robustness Evaluation of Explainable Deep Learning for Breast Cancer Diagnosis
• Title（参考訳）: 乳がん診断のための説明可能な深層学習のアーキテクチャを考慮したロバストネス評価
• Abstract要約: 本研究では,ディープラーニングモデルの4つのカテゴリにまたがる9つの広く使用されているXAI手法の有効性を評価するために,アーキテクチャを意識した評価プロトコルを提案する。 臨床的に整列した空間指標を用いて780個の画像からなる乳房超音波データセットを用いて評価を行った。 その結果,説明品質はモデルアーキテクチャとXAIメソッドの相互作用に影響されていることが示唆された。
• 参考スコア（独自算出の注目度）: 0.43101679743764043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainable Artificial Intelligence (XAI) has become essential in medical image analysis to ensure transparency of deep learning (DL)-based diagnostic systems. However, selecting appropriate XAI techniques for breast cancer recognition remains largely ad hoc, with limited systematic evaluation across different DL architectures. This study presents a systematic architecture-aware evaluation protocol to assess the effectiveness of nine widely used XAI techniques across four categories of DL models: very deep, lightweight, transformer-based and hybrid neural networks. The evaluation is conducted on a breast ultrasound dataset comprising 780 images using clinically aligned spatial metrics, including Pointing Game, Intersection over Union and Mean Coverage, to quantify agreement between generated explanations and expert-annotated lesion regions. Results indicate that explanation quality is primarily influenced by the interaction between model architecture and XAI method, rather than any single technique consistently outperforming others. Hybrid architectures produce more spatially coherent explanations, while lightweight and transformer-based models exhibit greater variability across methods. The findings show that no single technique generalises across architectures and evaluation criteria, emphasising the need for joint selection of DL models and XAI techniques. Explainability depends on both model design and explanation strategy and should not be considered independently. This work provides a structured evaluation protocol and practical guidance for selecting XAI techniques in breast cancer diagnosis, supporting more transparent clinical decision-support systems. \textcolor{blue}{Code is publicly available at https://github.com/Nishan-Charlie/Explainable-AI}
• Abstract（参考訳）: 説明可能な人工知能(XAI)は、深層学習(DL)に基づく診断システムの透明性を確保するために、医用画像解析において欠かせないものとなっている。 しかし, 乳がん認識のための適切なXAI技術の選択は, DLアーキテクチャの異なる分野において, 体系的評価が限られているため, いまだに困難である。 本研究は,超深層,軽量,トランスフォーマーベース,ハイブリッドニューラルネットワークの4つのカテゴリにまたがって,広く使用されている9つのXAI手法の有効性を評価するためのアーキテクチャ・アウェア評価プロトコルを提案する。 本評価は, 臨床に整合した空間計測値を用いて, 780枚の乳房超音波画像からなる乳房超音波データセットを用いて, 生成した説明書と有意な病変領域との一致を定量化する。 その結果,説明品質はモデルアーキテクチャとXAIメソッドの相互作用に影響されていることが示唆された。 ハイブリッドアーキテクチャはより空間的コヒーレントな説明を生成する一方、軽量でトランスフォーマーベースのモデルはメソッド間で大きなばらつきを示す。 これらの結果から, DLモデルとXAI技術の共同選択の必要性を強調し, アーキテクチャと評価基準をまたいだ1つの手法が一般化しないことが示唆された。 説明責任はモデル設計と説明戦略の両方に依存しており、独立して考えるべきではない。 本研究は、乳がん診断におけるXAI技術の選択のための構造化評価プロトコルと実用的なガイダンスを提供し、より透過的な臨床診断支援システムをサポートする。 https://github.com/Nishan-Charlie/Explainable-AI} で \textcolor{blue}{Code が公開されている。

関連論文リスト

• Explainable AI: A Combined XAI Framework for Explaining Brain Tumour Detection Models [0.688204255655161]
  本研究では,脳腫瘍検出のための深層学習モデルの解釈可能性を高めるために,複数の説明可能なAI(XAI)技術の統合について検討する。 独自の畳み込みニューラルネットワーク(CNN)を開発し、BraTS 2021データセットでトレーニングし、腫瘍領域と非腫瘍領域の区別において91.24%の精度を達成した。
  論文  参考訳（メタデータ） (2026-02-05T02:58:30Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
  RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。 システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
  論文  参考訳（メタデータ） (2025-06-17T03:10:33Z)
• Breast Cancer Diagnosis: A Comprehensive Exploration of Explainable Artificial Intelligence (XAI) Techniques [37.9243470221619]
  乳がんの診断・診断における説明可能な人工知能(XAI)技術の適用について検討する。 複雑なAIモデルと実用的な医療アプリケーションの間のギャップを埋めることにおけるXAIの可能性を強調することを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T18:50:03Z)
• Enhancing Breast Cancer Diagnosis in Mammography: Evaluation and Integration of Convolutional Neural Networks and Explainable AI [0.0]
  本研究では,畳み込みニューラルネットワーク(CNN)と説明可能な人工知能(XAI)を組み合わせて乳がんの診断を高度化するための統合フレームワークを提案する。 この方法論は、データセットの制限に対処するために、精巧なデータ前処理パイプラインと高度なデータ拡張技術を含んでいる。 本研究の焦点は,モデル予測の解釈におけるXAIの有効性を評価することである。
  論文  参考訳（メタデータ） (2024-04-05T05:00:21Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。