面向肺癌检测的可解释性：基于人类中心设计的 XAI
人工智能
2026-04-17 v3
摘要
深度学习模型在胸片肺病理检测方面显示出前景，但由于模型决策过程不透明，仍难以实现广泛的临床应用。我们之前引入了 ClinicXAI，这是一种以人类为中心、由专家引导的概念瓶颈模型（CBM），用于可解释的肺癌诊断。我们现将其扩展，提出 XpertXAI，这是一种通用性的、由专家驱动的模型，旨在保持人类可解释的临床概念的同时，扩展到检测多种肺部病变。我们采用高性能的InceptionV3分类器，并使用带有放射科报告的公开胸片数据集，对 XpertXAI 与领先的事后可解释性方法和无监督 CBM（XCBs）进行比较。我们通过与专家放射科医师注释及医学真实值的比较来评估解释。尽管 XpertXAI 用于多病变检测，但我们的专家验证主要聚焦于肺癌。我们发现现有技术常常未能产生临床上有意义的解释，遗漏关键诊断特征，与放射科医师判断不一致。XpertXAI 不仅在预测准确性上超越这些基线方法，还能提供更贴合专家推理的概念层次解释。虽然本文的焦点仍在肺癌检测的可解释性，但本工作说明了人类中心模型设计如何有效扩展到更广泛的诊断情境——为医疗诊断中临床上有意义的可解释 AI 提供了可扩展的路径。
引用
@article{arxiv.2505.09755,
title = {Explainability Through Human-Centric Design for XAI in Lung Cancer Detection},
author = {Amy Rafferty and Rishi Ramaesh and Ajitha Rajan},
journal= {arXiv preprint arXiv:2505.09755},
year = {2026}
}