审计Sybil：通过生成式干预归因解释深层肺癌风险预测

肺癌仍是癌症死亡的首要原因，推动了开发自动化筛查工具来减轻放射科医生的工作负担。处于这一努力的最前沿的是Sybil——一个能够仅依据计算机断片（CT）以高精度预测未来风险的深度学习模型。然而，尽管进行了大量临床验证，当前的评估仅依赖于观察性指标。这种基于相关性的方法忽视了模型的实际推理机制，亟需转向因果验证以确保临床部署前的稳健决策。我们提出S(H)NAP（Sybil Auditing via Novel generative interventional Attributions），这是一种模型无关的审计框架，通过构建经由专家放射科医生验证的生成式干预归因来解释。该方法利用逼真的3D扩散桥接模型系统性地修改解剖特征，从而隔离对风险评分作出特定贡献的客体。首次对Sybil进行干预性审计，我们展示了尽管该模型常表现得像专家放射科医生一样——即区分恶性肺结节与良性结节，但它仍存在关键性失效模式，包括对临床无关伪影的危险敏感性以及明显的径向偏差。