通过聚类激活解释数字病理模型
计算机视觉与模式识别
2026-05-28 v2
摘要
我们提出了一种基于卷积神经网络的数字病理模型的聚类解释技术。不同于基于显著性图的常用方法，如遮挡、GradCAM 或相关性传播，这些方法仅标记单个切片预测贡献最高的区域；我们的方法显示所关注模型的全局行为，同时提供更细粒度的信息。聚类结果不仅可用于理解模型，也可增加其在临床实践中的信任度，从而加快采用速度。我们还在用于检测前列腺癌的现有模型上评估了我们技术的性能，证明了其有用性。
引用
@article{arxiv.2511.14558,
title = {Explaining Digital Pathology Models via Clustering Activations},
author = {Adam Bajger and Jan Obdržálek and Vojtěch Kůr and Rudolf Nenutil and Petr Holub and Vít Musil and Tomáš Brázdil},
journal= {arXiv preprint arXiv:2511.14558},
year = {2026}
}