[논문 리뷰] Interpretable Aneurysm Classification via 3D Concept Bottleneck Models: Integrating Morphological and Hemodynamic Clinical Features

Toqa Khaled, Ahmad Al-Kabbany|arXiv (Cornell University)|2026. 03. 08.

Intracranial Aneurysms: Treatment and Complications인용 수 0

한 줄 요약

논문은 CTA를 이용한 3D Soft Concept Bottleneck Model (Soft-CBM)을 제시하여 3D 형태학적 및 CFD에서 파생된 혈류역학 개념을 통합하고, 해석 가능한 임상 병목으로 높은 정확도를 달성하는 intracranial aneurysm 분류를 제시한다.

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.

연구 동기 및 목표

• intracranial aneurysm 분류에서 높은 예측 성능과 임상 해석 가능성을 연결한다.
• 3D 영상 및 혈류역학 특징을 인간이 해석 가능한 임상 개념 집합으로 매핑한다.
• 단계적 학습 및 다중 수준 데이터 증강을 통해 데이터 누출을 줄이고 일반화를 개선한다.

제안 방법

• CTA에서体적 특징을 추출하기 위해 3D 백본을 사용한다(의료용 데이터로 사전 학습된 ResNet-34 및 처음부터 학습한 DenseNet-121).
• 최종 계층을 아이덴티티 임베딩으로 교체하고 26개의 임상 개념을 예측하는 소프트 병목을 추가한다.
• 잠재 시각 임베딩을 예측된 개념과 연결하여 최종 진단(z ⊕ c)을 얻는다.
• 합동 손실로 최적화한다: Ltotal = β Ltask + α Lconcept, 이때 β=1.0 및 α=0.01이다.
• 인코더를 동결한 채로 단계적 파인튜닝을 적용한 후 해제하고 5-fold 계층화 교차 검증을 수행한다.
• 강건성을 위해 다중 수준 3D 증강 및 8패스 TTA를 사용한다.

실험 결과

연구 질문

• RQ1 3D Soft Concept Bottleneck Model이 aneurysm 분류에서 높은 정확도를 달성하면서 해석 가능한 임상 추론을 제공할 수 있는가?
• RQ2 사전 학습된 3D 백본과 처음부터 학습한 3D 백본을 이 CBM 프레임워크에서 사용할 때 정확도와 일반화에 미치는 영향은 무엇인가?
• RQ3 다중 수준 증강 및 TTA가 해석 가능성을 희생하지 않으면서 추론 안정성을 개선하는가?
• RQ4 26개의 임상적으로 의미 있는 지수로 개념을 제약하는 것이 성능 및 누출 완화에 어떤 영향을 미치는가?

주요 결과

• 최대 작업 정확도: ResNet-34를 병합 전략으로 사용할 때 93.33% ± 4.5%.
• 최대 작업 정확도: DenseNet-121을 처음부터 학습시켰을 때 91.43% ± 5.8%.
• 8-pass TTA는 평균 정확도 88.31%로 안정적인 추론을 제공.
• 실험 전반에 걸쳐 정확도-일반화 격차가 ≤ 0.04로 과적합이 낮음을 나타냄.
• ResNet-34 병합 구성의 ROC AUC 평균 0.960 ± 0.032; TTA는 0.899, DenseNet-121은 0.899.
• 표준 추론에서 ResNet-34 병합의 민감도는 약 97.8%로 정밀도는 TTA가 향상시킴.