医療画像分析は、専門家が注釈を付けたデータが限られているため、モデルの一般化および臨床応用に困難を経験する。この研究は、放射線専門医によって提供された関心領域（ROI）をモデルトレーニングに統合して分類性能と解釈力を同時に向上させる専門家主導の説明可能ないくつかの学習フレームワークを提案します。空間主義監督のためにGrad-CAMを活用し、Dice類似度に基づく説明損失を導入し、トレーニング中のモデルの注意を診断に関連する領域に合わせる。この説明の喪失は、標準の円形ネットワーク目標と共に最適化され、データが限られた条件下でも臨床的に意味のある特徴に集中するようにモデルを導きます。 BraTS（MRI）とVinDr-CXR（胸部X線）の2つのデータセットでフレームワークを評価した結果、BraTSでは77.09％から83.61％、VinDr-CXRでは54.33％から73.29％に精度が向上しました。 Grad-CAMの可視化は、専門家主導の訓練が注意を診断領域に一貫して合わせて予測信頼性と臨床信頼性の両方を向上させることを確認します。これらの結果は、数回の学習医療画像診断におけるパフォーマンスと解釈力の違いを解消するために専門家主導の監督を統合する効果を示しています。
