面向胸片解读的放射科医生引导因果概念瓶颈模型
计算机视觉与模式识别
2026-05-15 v2
摘要
医学影像中的概念瓶颈模型 (CBM) 旨在通过预测中间临床概念后再预测最终诊断来提高模型可解释性。然而，大多数现有 CBM 将概念视为疾病标签的判别性预测器，未明确建模疾病产生可观察放射学发现的底层临床生成过程。我们提出 XpertCausal，这是一个由放射科医生引导的因果 CBM，用于胸片解读，该模型使用概率性 noisy-OR 框架建模病原体-概念关系。该生成模型随后通过贝叶斯推断反向推导以从预测概念估计病原体概率。使用放射科医生精选的概念-病原体关联约束模型结构，以放射科医生定义的临床上可信推理路径为约束。我们在 MIMIC-CXR 上评估了 XpertCausal，包括诊断性能、校准、解释质量以及与放射科医生定义的推理路径的一致性。与非因果 CBM 基线和使用无约束学习关联的因果消除实验相比，XpertCausal 在 AUROC、校准和临床相关解释质量方面取得了改进，同时学习到的概念-病原体关系更贴近专家知识。这些结果表明，将临床动机的因果结构和专家领域知识纳入 CBM 可导致更准确、更可解释且更符合临床的胸片解读模型。
引用
@article{arxiv.2605.07785,
title = {Radiologist-Guided Causal Concept Bottleneck Models for Chest X-Ray Interpretation},
author = {Amy Rafferty and Rishi Ramaesh and Ajitha Rajan},
journal= {arXiv preprint arXiv:2605.07785},
year = {2026}
}