基于3D概念瓶颈模型的可解释性动脉瘤分类：整合形态学与血流动力学临床特征

我们关注的是利用深度学习可靠分类与评估颅内动脉瘤的挑战，而又不牺牲临床透明度。虽然传统的黑箱模型实现了高预测准确率，但其缺乏内在可解释性仍是临床采纳和监管批准的主要障碍。在医学建模中，可解释性至关重要，以确保 AI 驱动的诊断与既定的神经外科原则保持一致。不同于传统可解释 AI (XAI) 方法——如显著性图等常提供事后、非因果的视觉相关性——概念瓶颈模型 (CBM) 提供了一种稳健的替代方案，通过限制模型内部逻辑以人类可理解的临床指数为约束。本文提出了一种端到端 3D 概念瓶颈框架，将高维神经影像特征映射到离散的形态学和血流动力学概念，以实现动脉瘤识别。我们采用预训练的 3D ResNet-34 主干网络和 3D DenseNet-121 提取 CTA 体积特征，随后通过表示人类可解释临床概念的软性瓶颈层进行处理。该模型采用联合损失函数优化，平衡诊断 focal loss 与概念均方误差 (MSE)，通过分层五折交叉验证进行验证。我们的结果显示，ResNet-34 架构实现了峰值任务分类准确率为 $93.33\% \pm 4.5\%$，DenseNet-121 模型为 $91.43\% \pm 5.8\%$。此外，实施 8 次测试时段增强 (Test-Time Augmentation, TTA) 后，实现了稳健的平均准确率为 $88.31\%$，确保推理期间的诊断稳定性。通过保持准确率-泛化间隙小于 $0.04$，本框架证明了在不牺牲可解释性的前提下，仍可实现高预测性能。