Dermoscopic概念瓶颈模型中的概念不一致性：基于Derm7pt数据集的粗糙集分析
机器学习
2026-04-22 v1 计算机视觉与模式识别
摘要
概念瓶颈模型（CBM）通过临床导向的概念层路由预测，绑定可解释性于概念-标签一致性。当数据集包含概念层面的不一致时，相同的概念轮廓映射到冲突的诊断标签会导致不可调和的瓶颈，限制可达准确率的上限。本文应用粗糙集理论对Derm7pt皮肤科学基准进行分析，刻画了这种不一致的完整范围和临床结构。在由7个皮肤学标准构成的305个唯一概念轮廓中，50个（16.4%）不一致，涉及306张图像（数据集的30.3%），这导致理论上可达的准确率上限为92.1%，独立于CBM的主干架构或训练策略。此外，我们刻画了冲突严重程分布、识别最负责任边界模糊性的临床特征，并评估了两种过滤策略对数据集组成和CBM可解释性的定量影响。对称移除所有边界区域图像后可得到Derm7pt+，一个完全一致的数据集子集，包含705张图像，分类质量完美，无硬性准确率上限。基于此过滤后的数据集，我们提出一个硬CBM，在EfficientNet、DenseNet、ResNet和Wide ResNet系列的19种主干架构中进行评估。在对称过滤下，EfficientNet-B5在 held-out测试集上实现最佳标签F1分数（0.85）和标签准确率（0.90），概念准确率为0.70。在非对称过滤下，EfficientNet-B7在所有四个指标中领先，达到标签F1分数0.82和概念准确率0.70。这些结果为Dermoscopic数据上的概念一致CBM评估建立了可复现的基准。
引用
@article{arxiv.2604.19323,
title = {Concept Inconsistency in Dermoscopic Concept Bottleneck Models: A Rough-Set Analysis of the Derm7pt Dataset},
author = {Gonzalo Nápoles and Isel Grau and Yamisleydi Salgueiro},
journal= {arXiv preprint arXiv:2604.19323},
year = {2026}
}