개념 기반 설명 가능한 인공지능(AI)은 모델 추론을 인간이 이해하기 더 쉽게 만들 수 있지만, 개념 수준의 출력물 자체가 자동으로 신뢰할 수는 없습니다. 우리는 개념 기반 설명을 평가하기 위한 모델 비종속적(model-agnostic) 교란 기반 감사 프레임워크인 ConceptSMILE을 소개합니다. ConceptSMILE은 SMILE을 대체하는 대신, 그 교란 기반 논리를 특징 또는 영역 수준의 기여도(attribution)에서 인간이 이해할 수 있는 개념 설명의 감사를 확장합니다. 이 프레임워크는 입력 영역을 교란하고, 개념 반응 변화를 측정하며, 국소 가중치(locality weighting)를 적용하고, 지역적 개념 행동을 근사화하기 위해 XGBoost 서로게이트(surrogate) 모델을 적합시킵니다. 신뢰성은 기여도 정확도(attribution accuracy), 서로게이트 충실도(surrogate fidelity), 충실성(faithfulness), 안정성(stability), 그리고 일관성(consistency)을 통해 평가됩니다. 우리는 MedSAM에서 파생된 시각적 개념과 VLM 기반의 의미론적 개념을 비교하여 망막 안저 이미지에 ConceptSMILE을 평가합니다. 그 결과, 신뢰성은 개념과 경로에 따라 다름을 보여줍니다: MedSAM은 더 강력한 공간적 기여도와 가장 높은 서로게이트 충실도($R^2 = 0.8503$, $R_w^2 = 0.8465$)를 달성하는 반면, VLM 경로는 더 강력한 혈관 충실성과 선택된 인공물 조건 하에서 더 강력한 안정성을 보여줍니다. ConceptSMILE은 개념 기반 XAI의 신뢰성을 평가하기 위한 독립적인 감사 계층을 제공합니다.