深入审视神经影像学中可解释深度学习：一项全面综述

深度学习（DL）模型因其能够以端到端范式直接从原始数据学习而广受欢迎，从而缓解了单独且易出错的特征提取阶段的顾虑。近期基于DL的神经影像研究也见证了相较传统机器学习算法的显著性能提升。但深度学习模型面临的挑战依然存在，因其缺乏透明度，阻碍了在现实应用中的成功部署。近年来，可解释人工智能（XAI）迅猛发展，主要旨在直观理解模型如何得出决策，这对医疗、金融和执法等安全关键领域至关重要。尽管可解释性领域正显著推进，研究者仍不清楚事后方法揭示了模型学习的哪些方面，以及如何验证其可靠性。本文全面综述神经影像领域中的可解释深度学习模型。首先，我们总结可解释性资源的现状，聚焦方法进展、相关挑战与观点。其次，我们讨论近期多项神经影像研究如何利用模型可解释性捕捉与模型预测最相关的解剖与功能性脑改变。最后，我们讨论当前实践的局限，并就如何引导未来研究方向以使深度学习模型实质可解释、从而推进对脑疾病的科学理解，提供有价值的见解与指导。