종단적(Longitudinal) 교모세포종(glioblastoma) 반응 평가는 RANO와 같은 구조화된 임상 기준을 사용하여 MRI 시점 간의 미세한 종양 변화를 비교해야 합니다. 그러나 대부분의 딥러닝(deep learning) 방법은 영상 특징으로부터 반응 레이블을 직접 예측하며, 이는 임상적 검사, 검증 및 수정을 제한합니다. 우리는 종단적 3D MRI 상에서 해석 가능한 4개 클래스 교모세포종 반응 분류를 위해 RANO 2.0에 정렬된 개념 병목 모델(concept bottleneck model)인 TRACE를 소개합니다. TRACE는 공유된 3D 비전 인코더(vision encoder)를 사용하여 쌍을 이룬 베이스라인(baseline) 및 추적 관찰(follow-up) 다중 모달(multimodal) MRI 스캔을 처리하고, 근본 개념(root concepts)으로서 임상적으로 의미 있는 종양 측정값을 예측하며, 결정론적 규칙(deterministic rules)을 통해 하위 RANO 유도 개념(RANO-derived concepts)을 계산하고, 스캔 간격 및 신규 병변 정보를 통과 개념(passthrough concepts)으로 통합합니다. 이러한 설계는 반응 평가를 직접적인 이미지-레이블 예측이 아닌 구조화된 개념 추론(concept reasoning)으로 프레임화합니다. LUMIERE 데이터셋에 대해 환자별 5-겹 교차 검증(5-fold patient-wise cross-validation)을 사용한 결과, TRACE는 4개 클래스 매크로 F1(macro F1) 0.4769와 질병 진행 대 비진행(progression-versus-non-progression) 이진 매크로 F1 0.7085를 달성했습니다. 이는 개념 병목(concept bottleneck) 베이스라인보다 개선된 수치이며, 기존에 발표된 비해석적(non-interpretable) 딥러닝 접근 방식의 범위 내에 머물러 있습니다. 절제 연구(Ablation studies)는 전문가 RANO 그래프와 개입 일관성 훈련(intervention-consistency training)이 성능에 중요하다는 것을 보여주며, 개입 실험(intervention experiments)은 개념을 수정함으로써 하위 예측을 개선할 수 있음을 입증합니다. 이러한 결과는 구조화된 개념 병목이 종단적 교모세포종 반응 평가를 위해 투명하고 임상적으로 정렬된 방향을 제공함을 시사하는 동시에, 프로토콜에 정렬된 더 큰 데이터셋과 외부 검증의 필요성을 강조합니다.