[論文レビュー] Interpretable Aneurysm Classification via 3D Concept Bottleneck Models: Integrating Morphological and Hemodynamic Clinical Features

Toqa Khaled, Ahmad Al-Kabbany|arXiv (Cornell University)|Mar 8, 2026

Intracranial Aneurysms: Treatment and Complications被引用数 0

ひとこと要約

要約：論⽂は CTA を用いた頭蓋内動脈瘤分類のための3D Soft Concept Bottleneck Model (Soft-CBM) を提案し、3D 形態学的特徴と CFD に基づく血行動態概念を統合し、解釈可能な臨床ボトルネックで高い精度を実現する。

ABSTRACT

We are concerned with the challenge of reliably classifying and assessing intracranial aneurysms using deep learning without compromising clinical transparency. While traditional black-box models achieve high predictive accuracy, their lack of inherent interpretability remains a significant barrier to clinical adoption and regulatory approval. Explainability is paramount in medical modeling to ensure that AI-driven diagnoses align with established neurosurgical principles. Unlike traditional eXplainable AI (XAI) methods -- such as saliency maps, which often provide post-hoc, non-causal visual correlations -- Concept Bottleneck Models (CBMs) offer a robust alternative by constraining the model's internal logic to human-understandable clinical indices. In this article, we propose an end-to-end 3D Concept Bottleneck framework that maps high-dimensional neuroimaging features to a discrete set of morphological and hemodynamic concepts for aneurysm identification. We implemented this pipeline using a pre-trained 3D ResNet-34 backbone and a 3D DenseNet-121 to extract features from CTA volumes, which were subsequently processed through a soft bottleneck layer representing human-interpretable clinical concepts. The model was optimized using a joint-loss function to balance diagnostic focal loss and concept mean squared error (MSE), validated via stratified five-fold cross-validation. Our results demonstrate a peak task classification accuracy of 93.33% +/- 4.5% for the ResNet-34 architecture and 91.43% +/- 5.8% for the DenseNet-121 model. Furthermore, the implementation of 8-pass Test-Time Augmentation (TTA) yielded a robust mean accuracy of 88.31%, ensuring diagnostic stability during inference. By maintaining an accuracy-generalization gap of less than 0.04, this framework proves that high predictive performance can be achieved without sacrificing interpretability.

研究の動機と目的

• intracranial aneurysm 分類における予測性能と臨床解釈性の橋渡し。
• 3D 画像特徴と血行動態特徴を人が解釈しやすい臨床概念に対応づけ。
• 段階的な訓練と多段階データ増強によるデータリークの低減と一般化能力の向上。

提案手法

• CTA から体積特徴を抽出する 3D バックボーン（MedicalNet で事前学習済みの ResNet-34 と scratch で学習した DenseNet-121）を使用。
• 最終層を恒等埋め込みに置換し、26 の臨床概念を予測するソフトボトルネックを追加。
• 潜在視覚埋め込みと予測概念を連結して最終診断を行う（z ⊕ c）。
• 損失関数はジョイント損失で最適化：Ltotal = β Ltask + α Lconcept、β=1.0、α=0.01。
• エンコーダを凍結して段階的にファインチューニングを行い、次に解凍、5-fold stratified CV を使用。
• ロバスト性を高めるため多段階の 3D 増強と 8 パスのテスト時増強（TTA）を適用。

実験結果

リサーチクエスチョン

• RQ1 3D Soft Concept Bottleneck Model は、解釈可能な臨床推論を提供しつつ動脈瘤分類で高い精度を達成できるか。
• RQ2 事前学習済みの 3D バックボーンと scratch から学習した場合で、CBM フレームワークの精度と一般化にどのような影響があるか。
• RQ3 多段階増強と TTA は、解釈性を損なうことなく推論の安定性を改善するか。
• RQ4 概念を 26 の臨床的に意味のある指標に制限することが、性能とリーク回避にどのような影響を与えるか。

主な発見

• タスクの最高精度：ResNet-34 の merged 戦略で 93.33% ± 4.5%。
• 最高精度：DenseNet-121（scratch で学習）で 91.43% ± 5.8%。
• 8-pass TTA により平均精度 88.31%、推論の堅牢性を確保。
• トライアル間の accuracy-generalization gap ≤ 0.04、過学習が小さいことを示唆。
• ResNet-34 合併構成の ROC AUC 平均 0.960 ± 0.032、TTA で 0.899、DenseNet-121 で 0.899。
• 標準推論で ResNet-34 merged の感度は約 97.8% 付近でピーク、TTA は特異度を改善。