医学影像中的反事实解释：探索 SPN 引导的潜在空间操作

人工智能正越来越多地被用于自动化决策过程，这些决策对人类生命产生重大影响。在医学影像分析中，深度学习模型已展现出卓越的性能，但其内在的复杂性使其成为黑盒系统，这引发了可靠性与可解释性的顾虑。反事实解释通过呈现改变模型分类的假设性 "情景" 来提供易于理解的决策过程洞见。通过检查输入变更，反事实解释可揭示影响决策过程的模式。尽管具有潜力，但生成符合相似性约束且能提供人类可解释解释的合情反事实仍是一个挑战。本文通过一种基于模型特定的优化方法来探索这一挑战。虽然变分自编码器 (VAEs) 等深度生成模型具有显著的生成能力，但类似和积网络 (SPN) 的概率模型能够高效地表示复杂的联合概率分布。通过对半监督 VAE 潜在空间的可能性建模为 SPN，我们利用其双重角色作为给定判别任务的潜在空间描述符与分类器。该表述使我们能够优化潜在空间的反事实解释，这些解释既接近原始数据分布又与目标类别分布一致。我们在 cheXpert 数据集上进行了实验评估。为评估 SPN 集成效果，将本文的 SPN 引导的潜在空间操作与神经网络基线进行比较。此外，还分析了潜在变量正则化与反事实解释质量之间的权衡。