超越遮挡：面向CNN前列腺癌分类的近实时可解释性研究
计算机视觉与模式识别
2025-12-22 v1
摘要
深度神经网络开始在辅助癌症诊断等关键应用中展现其价值。然而，为了使其输出在实际中获得认可，所提供的结果应以病理学家易于理解的方式进行解释。一种著名且广泛使用的解释技术是遮挡法，然而该方法计算耗时较长，从而减缓了与病理学家的开发和交互进程。在本工作中，我们旨在为检测前列腺癌的成功系统寻找一种比遮挡法更快的替代方法。由于尚无比较各种解释方法性能的既定框架，我们首先确定了合适的比较标准并选择了相应的度量指标。基于结果，我们选择了一种不同的解释方法，在不对输出质量产生任何负面影响的情况下，将所需的解释时间至少缩短了10倍。这种加速使模型开发和调试能够快速迭代，并使我们更接近于在临床环境中采用AI辅助前列腺癌检测。我们提出，寻找遮挡法替代方案的方法可用于评估其他相关应用中的候选方法。
引用
@article{arxiv.2512.17416,
title = {Beyond Occlusion: In Search for Near Real-Time Explainability of CNN-Based Prostate Cancer Classification},
author = {Martin Krebs and Jan Obdržálek and Vít Musil and Tomáš Brázdil},
journal= {arXiv preprint arXiv:2512.17416},
year = {2025}
}