基于概念瓶颈模型的医学机器人自动基因组解释
计算机视觉与模式识别
2026-03-17 v2 其他定量生物学
摘要
我们提出一个自动基因组解释模块, 将原始 DNA 序列转换为可集成到医学自动化和机器人系统中的可操作、可解释决策. 我们的框架将混沌游戏表示(CGR)与概念瓶颈模型(CBM)相结合, 通过强制预测通过诸如 GC 含量、CpG 密度和 k -mer 图案等生物学有意义的概念来实现. 为增强可靠性, 我们包含概念忠诚度监督、先验一致性对齐、KL 分布匹配和不确定性校准. 除了在两个基准数据集(包括内部数据集和 LANL 数据集)上准确分类 HIV 亚型外, 我们的模块还提供可直接验证生物学先验的可解释证据. 成本感知的推荐层进一步将预测输出转化为决策策略, 在准确性、校准和临床实用性之间取得平衡, 减少不必要的复检并提高效率. 大量实验表明, 所提出的系统在分类性能、概念预测忠诚度和成本收益权衡方面均优于现有基线方法. 通过桥接可解释基因组建模与自动决策之间的鸿沟, 本工作为机器人和临床自动化在基因组医学中奠定了可靠基础.
引用
@article{arxiv.2510.01618,
title = {Automated Genomic Interpretation via Concept Bottleneck Models for Medical Robotics},
author = {Zijun Li and Jinchang Zhang and Ming Zhang and Guoyu Lu},
journal= {arXiv preprint arXiv:2510.01618},
year = {2026}
}