用于增强生物医学成像可解释性的解释感知学习

用于医学图像诊断的深度神经网络通常能取得较高的预测准确率，但往往依赖于虚假或与临床无关的视觉线索，这限制了其在实际应用中的可信度。事后解释方法被广泛用于以显著性图的形式可视化模型决策；然而，这些解释并未影响模型在训练期间的学习方式，使得非因果或混淆特征得以持续存在。这促使将解释监督直接纳入训练目标，以引导模型注意力转向具有临床意义的区域，并促进基于临床的决策。本文提出了一种将解释损失整合到模型训练中的系统方法，并分析了不同的解释损失设计和监督强度如何影响预测性能和解释的空间忠实度。为了定量评估可解释性，引入了两个互补的解释性能指标——标注覆盖率和显著性精度——从而能够在定性可视化之外进行严格评估。我们的实验结果揭示了解释质量与解释损失系数之间存在明显的权衡。此外，定量统计分析表明，在保持相当准确率的同时，解释对齐得到了持续改善。实验是在带标注的胸部X光数据集上进行的；然而，所提出的框架适用于广泛的带标注生物医学成像模态。总体而言，这些发现表明解释监督并非单一的设计选择，并为在带有噪声的临床标注下将解释损失纳入训练目标提供了实用指导。