空间锚定概念瓶颈模型：实现可信的乳腺超声诊断
本研究提出一种空间锚定概念瓶颈模型（SG-CBM），通过粗粒度病变分割作为弱监督，引导模型关注解剖学相关的区域，从而提高乳腺超声诊断的可解释性和可信度。在五折交叉验证中，SG-CBM显著提升了诊断AUROC和概念宏AUROC，并增强了概念证据的空间对齐。论文还通过Train-corrupt/Test-clean压力测试，量化了标注质量对诊断和空间忠实度的影响，强调了数据质量意识监督设计和系统可信度验证的重要性。
在医学影像诊断中，模型的可解释性和可信度是临床部署的关键要求。概念瓶颈模型（CBM）通过将诊断决策建立在人类可理解的概念（如病变形态、声影等）上，提供了设计上固有的可解释性。然而，在乳腺超声等医学影像任务中，由于可用监督信息的质量和粒度有限，CBM预测的概念激活常常被图像中不相关的解剖区域所驱动，导致空间上不忠实的解释。例如，一个与形态相关的概念可能错误地激活在无关的腺体组织上。为了解决这一空间忠实性问题，来自澳大利亚的Moshiur Rahman Tonmoy及其合作者提出了一种数据驱动的空间锚定概念瓶颈模型（Spatially Grounded Concept Bottleneck Model, SG-CBM）。该模型利用粗粒度的病变分割掩膜作为弱监督信号，引导概念激活聚焦于解剖学上合理的区域。
具体地，针对乳腺超声，研究者从每个病变掩膜中推导出两个临床动机明确的区域：一是病灶内区域（in-lesion ROI），用于分析与病变形态相关的概念（如边缘、形状等）；二是后声学带（posterior acoustic band），用于考察与后部声影相关的概念。SG-CBM采用分组空间锚定目标（grouped spatial grounding objective）来训练概念图，确保每个概念仅在对应的解剖区域内被激活。同时，模型使用线性瓶颈分类器保持语义忠实性，避免在概念到诊断的映射中引入非线性扭曲。
在五折分层分组交叉验证中，SG-CBM在诊断AUROC和概念宏AUROC上均显著优于传统CBM基线，并且概念证据的空间对齐程度大幅提升。研究者还设计了一种“训练污染/测试干净”（Train-corrupt/Test-clean）的标注质量压力测试，通过人为降低训练集标注质量来量化监督质量对诊断性能和空间忠实度的影响。实验结果显示，低质量的病变掩膜标注会严重损害模型的空间忠实度和诊断准确性，这强调了在医疗AI系统部署中必须采用数据质量感知的监督设计策略。该工作已被IEEE/ACM CHASE 2026的医疗健康数据质量感知、高性能与可信AI系统研讨会接收。
总之，SG-CBM通过数据驱动的空间锚定机制，有效提升了概念瓶颈模型在医学影像诊断中的空间忠实性。研究不仅验证了弱监督的空间引导作用，还揭示了标注质量对模型可信度的关键影响。这一工作为开发更可靠、可解释的医疗AI系统提供了新的方法论框架，并提示未来研究应进一步探索自动化的质量感知标注策略。