DCG-Net：面向可解释医疗诊断的双向跨注意力概念-值图推理
计算机视觉与模式识别
2026-03-24 v1
摘要
深度学习模型在医学图像分析中取得了强大的性能，但其内部决策过程仍难以解释。概念瓶颈模型（CBM）通过结构化预测来部分解决这一限制，但现有 CBM 通常忽视概念之间的上下文依赖性。为此，我们提出一种集成多模态对齐与结构化概念推理的端到端可解释框架 DCG-Net。DCG-Net 引入双向跨注意力模块，将余弦相似度匹配替换为视觉标记与标准化文本概念-值原型之间的双向注意力，实现空间局部的证据归因。为捕捉临床概念固有的关系结构，我们开发了以正点互信息先验初始化、通过稀疏控制消息传递 refinement 的参数化概念图。该表述以符合临床领域知识的方式建模概念间的依赖关系。在白血球形态学和皮肤瘤诊断上的实验表明，DCG-Net 在实现最先进分类性能的同时，还能产生临床可解释的诊断解释。
引用
@article{arxiv.2603.20325,
title = {DCG-Net: Dual Cross-Attention with Concept-Value Graph Reasoning for Interpretable Medical Diagnosis},
author = {Getamesay Dagnaw and Xuefei Yin and Muhammad Hassan Maqsood and Yanming Zhu and Alan Wee-Chung Liew},
journal= {arXiv preprint arXiv:2603.20325},
year = {2026}
}