医学扩散模型中的可解释性：基于忠诚度的MRI综合分析
机器学习
2026-04-23 v2 人工智能
摘要
本研究聚焦于医学成像领域的生成扩散模型可解释性问题，特别是磁共振成像（MRI）合成。尽管扩散模型在生成逼真的医学图像方面表现出色，但其内部决策过程仍然是大体不透明的。我们提出一种基于忠诚度的可解释性框架，用于分析如何通过原型基可解释性方法（如ProtoPNet（PPNet）、Enhanced ProtoPNet（EPPNet）和ProtoPool）将生成图像与训练特征之间的关系联系起来。我们的研究聚焦于理解通过扩散模型去噪轨迹如何形成图像，随后通过忠诚度分析进行原型可解释性。实验分析显示，EPPNet实现了最高的忠诚度（得分为0.1534），为更可靠的解释和对生成过程的可解释性贡献了重要作用。结果表明，通过忠诚度基础的解释，扩散模型可以更透明和可信赖，为医疗保健领域更安全、更可解释的生成AI应用做出了贡献。
引用
@article{arxiv.2602.09781,
title = {Explainability in Generative Medical Diffusion Models: A Faithfulness-Based Analysis on MRI Synthesis},
author = {Surjo Dey and Pallabi Saikia},
journal= {arXiv preprint arXiv:2602.09781},
year = {2026}
}
备注
Accepted at 3rd World Congress on Smart Computing (WCSC2026) conference