MedicalPatchNet：一种基于图像块的胸部X光片分类自解释AI架构
计算机视觉与模式识别
2026-02-26 v2 机器学习
摘要
深度神经网络在放射影像分类中表现出色，但常因可解释性差而限制了临床接受度。我们提出了 MedicalPatchNet，这是一种用于胸部 X 光片分类的、本质上可自解释的架构，能够透明地将决策归因于不同的图像区域。MedicalPatchNet 将图像分割为不重叠的图像块，独立地对每个图像块进行分类，并聚合预测结果，从而无需事后解释技术即可直观地可视化每个图像块的诊断贡献。在 CheXpert 数据集（223,414 张图像）上训练后，MedicalPatchNet 的分类性能（AUROC 0.907 对比 0.908）与 EfficientNetV2-S 相当，同时提高了可解释性：在 CheXlocalize 数据集上，MedicalPatchNet 展现出更高的病理定位准确率（平均命中率 0.485 对比使用 Grad-CAM 的 0.376），从而改善了可解释性。通过提供即使是非 AI 专家也能理解的明确、可靠解释，MedicalPatchNet 降低了与捷径学习相关的风险，从而增强了临床信任。我们的模型已公开，并附有可复现的训练和推理脚本，为跨医学影像领域更安全、可解释的 AI 辅助诊断做出了贡献。我们公开了代码：https://github.com/TruhnLab/MedicalPatchNet
引用
@article{arxiv.2509.07477,
title = {MedicalPatchNet: A Patch-Based Self-Explainable AI Architecture for Chest X-ray Classification},
author = {Patrick Wienholt and Christiane Kuhl and Jakob Nikolas Kather and Sven Nebelung and Daniel Truhn},
journal= {arXiv preprint arXiv:2509.07477},
year = {2026}
}
备注
28 pages, 12 figures