皮膚鏡による概念ボトルネックモデルにおける概念の不整合：Derm7ptデータセットの粗集合解析

要旨: 概念ボトルネックモデル（CBM）は、予測を臨床的に根拠づけられた概念層を通してのみルーティングし、解釈可能性を概念ラベルの一貫性に結びつけます。データセットに概念レベルの不整合が含まれる場合、相反する診断ラベルに対応づけられた同一の概念プロファイルは、解消不能なボトルネックを生み出し、達成可能な精度に対して上限（ハードな天井）を課します。本論文では、デンマ7pt（Derm7pt）デスモスコピー・ベンチマークに対してラフ集合（rough set）理論を適用し、この不整合の全範囲と臨床的構造を特徴づけます。7点メラノーマ・チェックリストの7つのデスモスコープ基準によって形成された305のユニークな概念プロファイルのうち、50（16.4%）が不整合であり、306枚の画像（データセットの30.3%）にまたがります。これにより、概念だけをハードに動作させるCBMにおいて、バックボーンのアーキテクチャや学習戦略に依存しない理論上の精度上限は92.1%となります。さらに、競合の深刻度の分布を特徴づけ、境界の曖昧さに最も責任のある臨床的特徴を特定し、データセット構成とCBMの解釈可能性に対する定量化された影響を伴う2つのフィルタリング戦略を評価します。境界領域にある画像を対称的に除去すると、Derm7pt+ が得られます。これは705枚からなる完全に一貫したベンチマーク部分集合で、分類の品質が完全であり、ハードな精度上限はありません。 このフィルタリング済みデータセットに基づき、EfficientNet、DenseNet、ResNet、Wide ResNetの各ファミリに属する19のバックボーン・アーキテクチャで評価したハードCBMを提示します。完全性の観点から検討した対称的フィルタリングのもとでは、EfficientNet-B5 が保持したテストセット上で最良のラベルF1スコア（0.85）とラベル精度（0.90）を達成し、概念精度は0.70です。非対称的フィルタリングのもとでは、EfficientNet-B7 が4つの指標すべてで先行し、ラベルF1スコアが0.82、概念精度が0.70に到達します。これらの結果は、デスモスコピー・データに対する概念整合的CBM評価のための再現可能なベースラインを確立します。