論文の概要: A Comparative Explainability Framework for DeBERTa-v3 in Zero-Shot Medical Abstract Classification

• arxiv url: http://arxiv.org/abs/2610.02116v1
• Date: Thu, 01 Oct 2026 17:34:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.334833
• Title: A Comparative Explainability Framework for DeBERTa-v3 in Zero-Shot Medical Abstract Classification
• Title（参考訳）: ゼロショット医用要約分類におけるDeBERTa-v3の比較説明可能性フレームワーク
• Abstract要約: この研究は、説明可能な人工知能(Explainable Artificial Intelligence)における不一致の問題に対処する。 診断カテゴリ毎に5つの豊富な仮説を持つ医療抽象化コーパス上に自然言語推論エンジンが実装されている。 高い予測精度は、明確に定義された臨床領域で達成されるが、性能は高い意味的曖昧さの下で低下する。
• 参考スコア（独自算出の注目度）: 0.5732204366512351
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A comparative explainability framework is presented to audit DeBERTa-v3 under zero-shot classification of medical abstracts. The work addresses the disagreement problem in Explainable Artificial Intelligence, where different attribution methods produce divergent explanations for the same input and prediction. A natural language inference engine is implemented over the Medical Abstracts corpus with five enriched hypotheses per diagnostic category and a balanced sample of one thousand texts per class. Five explanation methods are compared: SHAP and LIME as model-agnostic approaches, occlusion and Input x Gradient as deep-learning-specific approaches, and Attention x Gradient as a transformer-specific approach. Explanations are standardized through top-token attribution, and pairwise agreement is quantified using the Jaccard index. High predictive accuracy is achieved across well-defined clinical domains, whereas performance degrades under high semantic ambiguity. Explanatory stability directly mirrors predictive certainty, exhibiting strong convergence in univalent categories and a marked drop under diagnostic uncertainty. Furthermore, qualitative error auditing uncovers three systemic failure mechanisms: lexical hypersensitivity, semantic overlap, and loss of attribution coherence. The results support the combined use of several explanation methods and quantitative agreement metrics when auditing transformer-based models in medical text classification, and suggest prioritizing specific clinical ontologies over broad diagnostic labels.
• Abstract（参考訳）: 医用要約のゼロショット分類の下でDeBERTa-v3を監査するために、比較説明可能性フレームワークが提示される。 この研究は、説明可能な人工知能(Explainable Artificial Intelligence)における不一致の問題に対処する。 自然言語推論エンジンは、診断カテゴリ毎に5つの豊富な仮説と、クラス毎に1000テキストのバランスの取れたサンプルを持つ医療抽象コーパス上に実装されている。 モデルに依存しないアプローチとして SHAP と LIME 、ディープラーニング固有のアプローチとして occlusion と Input x Gradient 、トランスフォーマー固有のアプローチとして Attention x Gradient を比較した。 説明はトップツーケン属性によって標準化され、ペアワイズ合意はジャカード指数を用いて定量化される。 高い予測精度は、明確に定義された臨床領域で達成されるが、性能は高い意味的曖昧さの下で低下する。 説明的安定性は予測的確実性を直接反映し、一価のカテゴリに強い収束を示し、診断の不確実性の下で顕著な低下を示す。 さらに、定性的エラー監査により、語彙過敏性、意味的重複、帰属コヒーレンス喪失という3つのシステム障害機構が明らかになった。 この結果は,医療用テキスト分類におけるトランスフォーマーモデル監査におけるいくつかの説明法と量的合意尺度の併用を支持し,幅広い診断ラベルを用いた特定の臨床オントロジーの優先順位付けを提案する。

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)
• Toward Automated Detection of Documentation Inconsistencies in Electronic Health Records [16.68744679025527]
  一般ドメイン大言語モデル(LLM)は、実世界の放電サマリーから表れる。 LLMは3,460人の候補者の不一致を表面化し、69.7%が入院した。
  論文  参考訳（メタデータ） (2026-07-24T23:43:35Z)
• Diagnosable ColBERT: Debugging Late-Interaction Retrieval Models Using a Learned Latent Space as Reference [1.6904475483445454]
  臨床知識に基づく参照潜在空間にColBERTトークンを埋め込むフレームワークを提案する。 このアライメントは、ドキュメントエンコーディングを、モデルが何を理解しているかの検査可能な証拠に変える。
  論文  参考訳（メタデータ） (2026-04-21T15:19:03Z)
• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
  本研究は,AI支援医療診断における信頼性の重要課題について論じる。 本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。 我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:21Z)
• Inherently Interpretable Multi-Label Classification Using Class-Specific Counterfactuals [9.485195366036292]
  医療画像解析などの高度な応用分野における機械学習アルゴリズムの解釈性は不可欠である。 マルチラベル分類のための本質的に解釈可能なモデルであるAttri-Netを提案する。 Attri-Netは,臨床知識と整合した高品質なマルチラベル説明を生成する。
  論文  参考訳（メタデータ） (2023-03-01T13:32:55Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Classification with Rejection Based on Cost-sensitive Classification [83.50402803131412]
  学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。 実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
  論文  参考訳（メタデータ） (2020-10-22T14:05:05Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。