方法与工具预印本 · 概念瓶颈模型与基准评测

基于临床概念瓶颈模型的脑电图病理检测

EEG Pathology Detection via Clinical Concept Bottleneck Models

一句话提出以临床脑电生物标志物为瓶颈的模型，并揭示预测准确率与概念保真度之间的权衡。

研究问题

将临床 EEG 生物标志物作为概念瓶颈，能否在保持病理检测准确率的同时提供可信的概念解释？预测概念是否忠实于真实生物标志物，提高这种保真度需要付出多大的准确率代价？

数据与样本

使用 TUAB 和 CAUEEG 数据进行 EEG 异常检测与痴呆分类评估；摘要未提供样本量或采集平台。

分析流程

1构建临床概念：从 EEG 信号中通过解析方法计算频带功率、频谱比值、α 峰频率及幅度、半球不对称性和相位锁定值。
2设置模型对照：基于浅层 CNN 骨干，比较黑箱基线、接收骨干特征残差投影的混合 CBM，以及分类器仅接收预测概念的纯 CBM。
3评估分类性能：在 TUAB 和 CAUEEG 上开展异常检测与痴呆分类评估。
4检验概念可信度：评估概念预测质量并开展泄漏分析，将纯 CBM 的预测概念替换为真实值，观察准确率变化。
5调整训练约束：提高概念损失权重，评估概念保真度改善及其对应的准确率代价。

关键方法与工具

concept bottleneck models (CBMs): 以临床概念为预测瓶颈
shallow convolutional neural network (CNN): 作为模型骨干提取特征
TUAB: 评估分类性能
CAUEEG: 评估分类性能

设计思路

以浅层 CNN 为骨干设置黑箱、混合概念瓶颈和纯概念瓶颈对照，比较不同信息路径下的分类性能。除准确率外，还通过真实概念替换和概念损失权重调整，检验预测概念是否忠实于生物标志物，以及保真度与性能之间的权衡。

主要发现

2 种 CBMs 在 TUAB 上的准确率接近黑箱基线：82.7–82.9% vs 83.6%。
2 种 CBMs 在 CAUEEG 上的准确率低于基线 2–5 个百分点：57.9–60.5% vs 62.7%。
纯 CBM 的预测概念偏离真实值；替换为真实概念后，TUAB 和 CAUEEG 上的准确率分别下降 26 和 22 个百分点。
提高概念损失权重可缓解概念保真度问题，但在 TUAB 上有较小的准确率代价，在 CAUEEG 上的代价相对较大。

可借鉴之处

构建可解释临床模型时，可像本文一样将可从原始信号计算的生物标志物设为概念层，并与黑箱基线直接比较。
不要仅凭模型具有概念层就认定解释可信，可采用真实概念替换实验，检验预测概念的语义保真度。
可通过调整概念损失权重，同时观察概念匹配程度与分类准确率，而不是只优化最终分类性能。

数据与代码

实验代码和完整日志公开于 https://www.github.com/mhmdrdwn/cbm 。

局限

纯 CBM 存在概念保真度问题，预测概念可能偏离真实生物标志物值。
提高概念保真度需要付出分类准确率代价，且该代价在 CAUEEG 上相对较大。

摘要（中文翻译）

用于脑电图（EEG）病理检测的深度学习模型取得了具有竞争力的准确率，但可解释性有限。本文引入用于 EEG 病理检测的概念瓶颈模型（CBMs），将从信号中通过解析方法计算的临床 EEG 生物标志物作为预测所用的瓶颈。这些概念包括频带功率、频谱比值、α 峰频率及幅度、半球不对称性和相位锁定值。我们以浅层卷积神经网络（CNN）为骨干，比较了黑箱基线模型与 2 种 CBMs 变体。混合变体的分类器接收骨干特征的残差投影。纯变体是一种分类器仅接收预测概念的 CBM。模型在异常检测和痴呆分类任务上接受评估，随后进行概念预测质量评估和泄漏分析。2 种 CBMs 在 TUAB 上接近基线（82.7–82.9% vs 83.6%），在 CAUEEG 上低 2–5 个百分点（57.9–60.5% vs 62.7%）。纯 CBM 存在概念保真度问题，即预测概念偏离其真实值。将预测概念替换为真实值后，准确率大幅下降，在 TUAB 和 CAUEEG 上分别下降 26 和 22 个百分点。通过提高概念损失的权重，使预测概念与真实概念相匹配，可以缓解概念保真度问题。这种缓解在 TUAB 上带来的准确率代价较小，但在 CAUEEG 上的代价相对较大。实验代码和完整日志可在 https://www.github.com/mhmdrdwn/cbm 获取。

英文原文摘要

Deep learning models for electroencephalography (EEG) pathology detection achieve competitive accuracy but offer limited interpretability. In this paper, we introduce concept bottleneck models (CBMs) for EEG pathology detection which use clinical EEG biomarkers computed analytically from the signal as a bottleneck to be used for prediction. Those concepts include band power, spectral ratios, alpha peak frequency and amplitude, hemispheric asymmetry and phase locking values. With the backbone based on shallow convolutional neural network (CNN), we compare a black box baseline with two variants of CBMs. The hybrid variant is a classifier receives a residual projection of the backbone features. The pure variant is a CBM where the classifier receives only the predicted concepts. Models are evaluated on abnormality detection and dementia classification followed by concept prediction quality and leakage analysis. Both CBMs approach the baseline on TUAB (82.7–82.9% vs 83.6%) and are 2–5 percentage points lower on CAUEEG (57.9–60.5% vs 62.7%). The pure CBM exhibits concept fidelity concern where the predicted concepts deviate from their ground truth values. Replacing them with their true values causes severe cost on accuracy by 26 and 22 points on TUAB and CAUEEG. The concept fidelity concern is mitigated by increasing the weight of the concept loss to match the ground truth concepts. the mitigation comes with small accuracy cost on TUAB but a relatively larger cost on CAUEEG. The code of the experiments and full logs are available at https://www.github.com/mhmdrdwn/cbm .

摘要来自 Europe PMC。翻译与解读由模型根据摘要生成，可能有误，不构成诊疗建议；数据以原文为准，版权归原出版方所有。