論文の概要: Beyond Explanation: Debugging Medical Imaging Models via Concept Intervention

• arxiv url: http://arxiv.org/abs/2610.09031v1
• Date: Tue, 06 Oct 2026 19:31:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.572443
• Title: Beyond Explanation: Debugging Medical Imaging Models via Concept Intervention
• Title（参考訳）: 説明を超えて:概念的介入による医療画像モデルのデバッグ
• Abstract要約: 本稿では,概念に基づく解釈とモデル改良のための,使い易いプラグイン・アンド・プレイフレームワークを提案する。 マヨクリニカル超音波データセットとCheXpert 5x200胸部X線データセットを用いて,本フレームワークの評価を行った。
• 参考スコア（独自算出の注目度）: 4.174041520843928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical imaging models often operate as black boxes, limiting interpretability and systematic debugging. We introduce an easy-to-use, plug-and-play framework for concept-based interpretation and model refinement. By aligning a single-modality encoder to BioMedCLIP, we construct a Concept Bottleneck Model (CBM) that enables concept-level interventions. These interventions allow us to isolate causal versus spuriously correlated concepts, validate insights with domain experts, and generate counterfactual samples for targeted fine-tuning. We evaluate our framework on a Mayo Clinic ultrasound dataset and the CheXpert 5x200 chest X-ray dataset. Results demonstrate that concept intervention enables reliable model diagnosis while maintaining, and occasionally improving predictive performance via guided fine-tuning. Our findings highlight the practical value of this framework for controlled, interpretable refinement of clinical deep learning models.
• Abstract（参考訳）: 医療画像モデルは、しばしばブラックボックスとして機能し、解釈可能性や体系的なデバッグを制限する。 本稿では,概念に基づく解釈とモデル改良のための,使い易いプラグイン・アンド・プレイフレームワークを提案する。 単一モダリティエンコーダをBioMedCLIPにアライメントすることで,概念レベルの介入を可能にする概念ボトルネックモデル(CBM)を構築する。 これらの介入により、因果関係と急激な相関の概念を分離し、ドメインの専門家と洞察を検証し、標的とする微調整のための反事実サンプルを生成することができる。 マヨクリニカル超音波データセットとCheXpert 5x200胸部X線データセットを用いて,本フレームワークの評価を行った。 その結果、概念介入は、維持中の信頼性の高いモデル診断を可能にし、時にはガイド付き微調整による予測性能を向上させることが示されている。 本研究は,臨床深層学習モデルの制御,解釈可能な洗練のためのフレームワークの実用的価値を強調した。

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)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• 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)
• Vision-Language Models Encode Clinical Guidelines for Concept-Based Medical Reasoning [3.2723884637302443]
  概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、AIを解釈するための重要なフレームワークである。 臨床ガイドラインを視覚言語と推論モデルと統合する概念ベースの推論フレームワークであるMedCBRを提案する。 本フレームワークは,医用画像解析から意思決定までの終端ブリッジを構築できる。
  論文  参考訳（メタデータ） (2026-03-09T20:39:46Z)
• 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)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)

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。