信頼性の高い乳房超音波診断のための空間接地型概念ボトルネックモデル
本研究は、粗い病変描画を弱い教師信号として利用し、解剖学的に妥当な概念エビデンスを促進する空間接地型概念ボトルネックモデル（SG-CBM）を提案する。乳房超音波において、病変マスクから2つの臨床的に関連するゾーン（形態関連の病変内領域と後方音響帯）を導出し、グループ化された空間接地目的関数で概念マップを訓練する。5分割交差検証の結果、診断AUROCと概念マクロAUROCが向上し、概念エビデンスの空間的整合性が顕著に改善された。また、教師信号の品質が診断と空間的忠実性に与える影響を定量化するストレステストも実施した。
医療画像診断において、モデルの解釈可能性と信頼性は臨床導入の鍵である。概念ボトルネックモデル（CBM）は、人間が理解可能な概念（例：病変の形態、後方音響現象など）を介して診断を仲介することで、設計上解釈可能な予測を提供する。しかし、乳腺超音波などの医療画像タスクでは、利用可能な教師信号の品質と粒度が限られているため、CBMの予測される概念活性化が画像内の無関係な解剖領域によって駆動され、空間的に不誠実な説明となることが多い。例えば、形態関連の概念が無関係な腺組織上に誤って活性化される可能性がある。この空間的忠実性の問題に対処するため、オーストラリアの研究者Moshiur Rahman Tonmoyらは、データ中心の空間接地型概念ボトルネックモデル（SG-CBM）を提案した。このモデルは、粗い病変描画（粗粒度病変マスク）を弱い教師信号として活用し、解剖学的に妥当な領域に概念活性化を集中させる。
乳腺超音波を例に、研究者は各病変マスクから2つの臨床的に動機付けられたゾーンを導出した：（i）形態関連概念のための病変内関心領域（in-lesion ROI）、および（ii）後方現象のための後方音響帯（posterior acoustic band）。SG-CBMは、グループ化された空間接地目的関数（grouped spatial grounding objective）を使用して概念マップを訓練し、各概念が対応する解剖領域内でのみ活性化されるようにする。同時に、線形ボトルネック分類器を用いて意味的忠実性を維持し、概念から診断へのマッピングにおける非線形歪みを回避する。
5分割層化グループ交差検証の結果、SG-CBMは診断AUROCと概念マクロAUROCの両方で従来のCBMベースラインを有意に上回り、概念エビデンスの空間的整合性が大幅に向上した。さらに、研究者は「訓練汚染/テストクリーン」（Train-corrupt/Test-clean）のアノテーション品質ストレステストを設計し、訓練セットのアノテーション品質を人為的に低下させることで、教師信号の品質が診断性能と空間的忠実性に与える影響を定量化した。実験結果は、低品質の病変マスクアノテーションが空間的忠実性と診断精度を著しく損なうことを示し、医療AIシステムの展開にはデータ品質を考慮した教師信号設計が不可欠であることを強調している。本研究成果は、IEEE/ACM CHASE 2026の医療におけるデータ品質認識、高性能、信頼性の高いAIシステムワークショップに採択された。この研究は、より信頼性の高い解釈可能な医療AIシステムの開発に向けた新しい方法論的枠組みを提供し、将来的には自動化された品質認識アノテーション戦略の探求が期待される。