医療画像診断において、AI システムの信頼性と解釈可能性は極めて重要な課題です。本研究では、Concept Bottleneck Models（CBM）という解釈可能性に優れた予測手法を乳房超音波診断に適用する際の課題に取り組んでいます。CBM は人間が理解できる概念を経由して診断を行うため、医療現場での採用が期待されていますが、従来の手法では概念活性化が関連性のない領域によって駆動され、空間的に不正確な説明につながるという問題がありました。 今回提案されている Spatially Grounded CBM（SG-CBM）は、弱教師あり学習を活用して、この課題を解決します。具体的には、粗い病変領域の輪郭線から臨床的に動機付けられた2つのゾーンを導出します。第一に、病変内部の関心領域で形態学的概念に関連する証拠を検出し、第二に、後部の音響帯で後部現象を捉えるという設計になっています。グループ化された空間的グラウンディング目標を用いて概念マップを学習し、線形ボトルネック分類器で意味的忠実性を保証しています。 評価結果は顕著な改善を示しており、診断精度を示すAUROCと概念マクロAUROCの両方が向上し、特に概念証拠の空間的整合性が大幅に改善されました。さらに、教師ラベルの品質がモデルの診断能力と空間的忠実性に与える影響を定量的に検証するため、教師ラベル破損テストを実施しています。これらの結果は、データ品質を考慮した教師設計と、実装可能なヘルスケア AI システムのための体系的な信頼性検証の必要性を強調しています。