FireGNN：基于可训练模糊规则的神经符号图神经网络用于可解释医学图像分类
图像与视频处理
2025-10-10 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
医学图像分类不仅需要高预测性能，还需要可解释性以确保临床信任和采纳。图神经网络为建模数据集中的关系结构提供了强大的框架；然而，标准 GNN 通常作为黑盒运行，限制了透明度和可用性，尤其是在临床环境中。在本工作中，我们提出了一个名为 FireGNN 的可解释的基于图的学习框架，该框架将可训练的模糊规则集成到 GNN 中用于医学图像分类。这些规则使用可学习的阈值和锐度参数嵌入拓扑描述符——节点度、聚类系数和标签一致性，以实现内在的符号推理。此外，我们探索了辅助自监督任务（例如同质性预测、相似熵）作为基准，以评估拓扑学习的贡献。我们的模糊规则增强模型在五个 MedMNIST 基准和合成数据集 MorphoMNIST 上取得了强劲的表现，同时生成了可解释的基于规则的解释。据我们所知，这是在 GNN 内首次集成可训练的模糊规则。源代码：https://github.com/basiralab/FireGNN
引用
@article{arxiv.2509.10510,
title = {FireGNN: Neuro-Symbolic Graph Neural Networks with Trainable Fuzzy Rules for Interpretable Medical Image Classification},
author = {Prajit Sengupta and Islem Rekik},
journal= {arXiv preprint arXiv:2509.10510},
year = {2025}
}
备注
Accepted at NeurIPS 2025 Conference (Workshop Track), San Diego, USA