生物医学图像分析中可解释人工智能：综合综述
计算机视觉与模式识别
2025-07-11 v1 机器学习
摘要
可解释人工智能（XAI）在生物医学图像分析中日益重要，旨在促进深度学习模型的透明性、可信度及临床应用。虽然已有多篇综述涵盖XAI技术，但往往缺乏模态感知视角，忽视了多模态和视觉语言范式的最新进展，以及有限的实用指导。本综述通过全面结构化的综合分析弥补这一空白，聚焦生物医学图像分析中的XAI方法。我们系统性地对XAI方法进行分类，分析其在生物医学语境下的基本原理、优势与局限。提出一种以模态为中心的分类法，将XAI方法与特定成像类型对齐，凸显不同模态下解释性挑战。进一步考察了多模态学习和视觉语言模型在可解释生物医学AI中的作用——此主题在以往工作中鲜有探讨。我们的贡献还包括对常用评估指标和开源框架的总结，以及对持久挑战与未来方向的批判性讨论。本综述为生物医学图像分析中的可解释深度学习提供了及时且深入的基础。
引用
@article{arxiv.2507.07148,
title = {Explainable Artificial Intelligence in Biomedical Image Analysis: A Comprehensive Survey},
author = {Getamesay Haile Dagnaw and Yanming Zhu and Muhammad Hassan Maqsood and Wencheng Yang and Xingshuai Dong and Xuefei Yin and Alan Wee-Chung Liew},
journal= {arXiv preprint arXiv:2507.07148},
year = {2025}
}