用于医学影像深度学习的潜在概念表示正则化
摘要
医学影像中的深度学习模型通常在分布内表现出强大的性能，但在分布迁移下难以泛化，常常依赖虚假关联而非临床上有意义的特征。我们引入 LCRReg，一种新颖的正则化方法，利用潜在概念表示（LCRs，如概念激活向量（CAVs））引导模型聚焦于语义上可解释的表示。LCRReg 在主训练集中无需概念标签，仅需小规模的辅助数据集来合成高质量、可 disentangled 的概念示例。我们为预定义的相关特征提取 LCRs，并将正则化项纳入卷积神经网络（CNN），引导其在与这些概念相关的潜在子空间中激活。在合成和真实医学任务上评估了 LCRReg。在受控的 toy 数据集上，它显著提高了对注入虚假关联的鲁棒性，并在多概念和多分类设置下仍有效。在糖尿病视网膜病变二分类任务中，LCRReg 在合成虚假扰动和分布外（OOD）泛化下均提升了性能。与基线方法（包括多任务学习、线性探针和后置概念模型）相比，LCRReg 提供了一种轻量级、与网络结构无关的策略，无需密集概念监督即可提升模型鲁棒性。代码已公开：https://github.com/Trustworthy-AI-UU-NKI/lcr_regularization
引用
@article{arxiv.2508.13880,
title = {In-hoc Concept Representations to Regularise Deep Learning in Medical Imaging},
author = {Valentina Corbetta and Floris Six Dijkstra and Regina Beets-Tan and Hoel Kervadec and Kristoffer Wickstrøm and Wilson Silva},
journal= {arXiv preprint arXiv:2508.13880},
year = {2025}
}
备注
13 pages, 13 figures, 2 tables, accepted at PHAROS-AFE-AIMI Workshop in conjunction with the International Conference on Computer Vision (ICCV), 2025. This is the submitted manuscript with added link to the github repo, funding acknowledgments and author names and affiliations, and a correction to numbers in Table 1. Final version not published yet