空間錨定概念瓶頸模型：實現可信的乳腺超聲診斷
本研究提出一種空間錨定概念瓶頸模型（SG-CBM），通過粗粒度病變分割作為弱監督，引導模型關注解剖學相關的區域，從而提高乳腺超聲診斷的可解釋性和可信度。在五折交叉驗證中，SG-CBM顯著提升了診斷AUROC和概念宏AUROC，並增強了概念證據的空間對齊。論文還通過Train-corrupt/Test-clean壓力測試，量化了標註質量對診斷和空間忠實度的影響，強調了數據質量意識監督設計和系統可信度驗證的重要性。
在醫學影像診斷中，模型的可解釋性和可信度是臨牀部署的關鍵要求。概念瓶頸模型（CBM）通過將診斷決策建立在人類可理解的概念（如病變形態、聲影等）上，提供了設計上固有的可解釋性。然而，在乳腺超聲等醫學影像任務中，由於可用監督信息的質量和粒度有限，CBM預測的概念激活常常被圖像中不相關的解剖區域所驅動，導致空間上不忠實的解釋。例如，一個與形態相關的概念可能錯誤地激活在無關的腺體組織上。為了解決這一空間忠實性問題，來自澳大利亞的Moshiur Rahman Tonmoy及其合作者提出了一種數據驅動的空間錨定概念瓶頸模型（Spatially Grounded Concept Bottleneck Model, SG-CBM）。該模型利用粗粒度的病變分割掩膜作為弱監督信號，引導概念激活聚焦於解剖學上合理的區域。
具體地，針對乳腺超聲，研究者從每個病變掩膜中推導出兩個臨牀動機明確的區域：一是病灶內區域（in-lesion ROI），用於分析與病變形態相關的概念（如邊緣、形狀等）；二是後聲學帶（posterior acoustic band），用於考察與後部聲影相關的概念。SG-CBM採用分組空間錨定目標（grouped spatial grounding objective）來訓練概念圖，確保每個概念僅在對應的解剖區域內被激活。同時，模型使用線性瓶頸分類器保持語義忠實性，避免在概念到診斷的映射中引入非線性扭曲。
在五折分層分組交叉驗證中，SG-CBM在診斷AUROC和概念宏AUROC上均顯著優於傳統CBM基線，並且概念證據的空間對齊程度大幅提升。研究者還設計了一種“訓練污染/測試乾淨”（Train-corrupt/Test-clean）的標註質量壓力測試，通過人為降低訓練集標註質量來量化監督質量對診斷性能和空間忠實度的影響。實驗結果顯示，低質量的病變掩膜標註會嚴重損害模型的空間忠實度和診斷準確性，這強調了在醫療AI系統部署中必須採用數據質量感知的監督設計策略。該工作已被IEEE/ACM CHASE 2026的醫療健康數據質量感知、高性能與可信AI系統研討會接收。
總之，SG-CBM通過數據驅動的空間錨定機制，有效提升了概念瓶頸模型在醫學影像診斷中的空間忠實性。研究不僅驗證了弱監督的空間引導作用，還揭示了標註質量對模型可信度的關鍵影響。這一工作為開發更可靠、可解釋的醫療AI系統提供了新的方法論框架，並提示未來研究應進一步探索自動化的質量感知標註策略。