Integrating Clinical Knowledge into Concept Bottleneck Models

这段摘要介绍了概念瓶颈模型（CBMs）的概念，这种模型可以在预测最终输出（例如细胞类型）之前预测人类可解释的概念（例如细胞图像中的核形状），从而提供模型决策过程的洞察。然而，仅以数据驱动的方式训练CBMs可能会引入不良偏差，尤其是当训练好的模型在不同设备获取的图像（例如，培养方法不同）上进行评估时，可能会影响其预测性能。为了缓解这一挑战，作者提出了将临床知识整合到CBMs中，以更好地与临床医生的决策过程相一致。具体而言，作者指导模型优先考虑临床医生也优先考虑的概念。作者在两个医学图像数据集（白细胞和皮肤图像）上验证了他们的方法。经验证明，整合医学指导可以增强模型在不同培养方法下的未见数据集上的分类性能，从而提高其在实际应用中的适用性。

本论文旨在解决使用数据驱动训练的概念瓶颈模型（CBMs）可能引入偏差的问题，从而影响模型在领域外图像上的预测性能。作者提出了一种将临床知识整合到CBMs中以优化模型的方法。

论文的关键思路是将临床知识融入到CBMs中，以指导模型优先考虑临床医生也优先考虑的概念，从而提高模型的分类性能。

论文在两个医学图像数据集上进行了实验验证，证明了将临床知识整合到CBMs中可以提高模型在不同预处理方法下的分类性能，增加其在实际应用中的适用性。值得关注的是，作者提出的方法可以避免模型的偏差问题，同时提高模型的可解释性。

近期的相关研究包括使用深度学习模型进行医学图像分类的研究，如“Deep Learning for Medical Image Analysis”和“Medical Image Analysis using Convolutional Neural Networks: A Review”。还有一些关于利用临床知识优化模型的研究，如“Integrating Clinical Knowledge into Deep Learning for Medical Image Diagnosis”。