本研究提出了一种自动报告生成框架，结合概念瓶颈模型和多智能体检索，旨在提升放射科报告的可解释性和可靠性。该系统将胸部X射线特征映射到临床概念，生成透明且基于证据的定制报告，从而提高诊断一致性。

本研究提出了一种因果可靠的概念瓶颈模型（C$^2$BMs），旨在解决传统模型未能反映真实因果机制的问题。该模型通过结构化瓶颈促进推理，提升因果推理任务的表现，增强可解释性和因果可靠性，实验结果表明其优于现有模型。

本研究提出零样本概念瓶颈模型（Z-CBMs），旨在解决目标任务训练中对大量数据和资源的依赖。Z-CBMs无需训练神经网络即可进行概念和标签预测，依靠大型概念库进行检索和回归，实验结果表明其具备可解释性和应用潜力。

本研究提出自适应概念瓶颈模型（CBM），旨在解决基础模型在分布变化下的决策解释性问题。该模型通过动态调整概念向量库和预测层，显著提升测试数据的解释能力和部署准确率，最高提升可达28%。

通过建模概念间的依赖关系和引入分布参数化，提出了一种基于概念瓶颈模型的新方法，通过影响相关概念来提高干预效果。在合成表格和自然图像数据集上展示了其显著提高干预效果的经验证据，并通过对CLIP推导的概念进行检验来展示SCBMs的多功能性和可用性，减少了人工概念注释的需求。

该文章提出了一种使用概念瓶颈模型进行可解释分类的新架构和方法。通过引入概念瓶颈层，CBMs的准确度显著提升，并通过概念矩阵搜索算法改进了复杂数据集上的预测结果。

该文介绍了一种基于概念瓶颈模型的可解释图像分类方法，通过可视化激活评分筛选出含有视觉含义的重要概念，验证了该方法的有效性。

该文介绍了一种新的概念瓶颈模型（CBMs）—— Intervention-aware Concept Embedding models（IntCEMs），通过学习概念干预策略，在测试时显著提高性能。实验证明，IntCEMs 优于概念可解释模型。

本文介绍了概念瓶颈模型（CBMs）的可解释图像分类方法，通过可视化激活评分筛选出重要概念，并验证了其有效性。