可解释人工智能：用于解释脑肿瘤检测模型的综合 XAI 框架
人工智能
2026-02-06 v1
摘要
本研究探讨了将多种可解释人工智能（XAI）技术集成以增强深度学习模型用于脑肿瘤检测的可解释性。开发并训练了一个自定义卷积神经网络（CNN），在 BraTS 2021 数据集上实现了 91.24% 的准确率，用于区分肿瘤和非肿瘤区域。本研究将梯度加权类激活映射（GRAD-CAM）、层次相关性传播（LRP）和 SHApley 加法解释（SHAP）相结合，为模型决策过程提供全面的见解。这种多技术方法成功识别了完整肿瘤和部分肿瘤，提供从宽广感兴趣区域到像素级别细节的分层解释。GRAD-CAM 突出显示了重要的空间区域，LRP 提供了像素级别的相关性，SHAP 对特征贡献进行量化。集成方法有效解释了模型预测，包括部分肿瘤可见的情况，显示出比单一 XAI 方法更强的解释力。该研究通过提供更全面的模型推理视角，增强了医学影像分析中基于 AI 的透明度和信任。该研究表明，集成 XAI 技术在提高医疗保健中 AI 系统的可靠性和可解释性方面具有潜力，尤其是对于像脑肿瘤检测这一关键任务。
引用
@article{arxiv.2602.05240,
title = {Explainable AI: A Combined XAI Framework for Explaining Brain Tumour Detection Models},
author = {Patrick McGonagle and William Farrelly and Kevin Curran},
journal= {arXiv preprint arXiv:2602.05240},
year = {2026}
}