MorphXAI：面向血液片图像中原虫形态学分析的可解释框架

原虫感染仍是全球健康面临的紧迫挑战，尤其是在资源匮乏的地区，诊断仍依赖于对血液片的人工检查和专家领域知识的 availability。虽然深度学习模型在自动化原虫检测方面显示出强大的性能，但其临床实用性受限于可解释性有限。现有的可解释性方法主要局限于可视化热图或注意力图，这些方法只标记感兴趣的区域，却未能捕获临床医生依赖的形态特征。在本工作中，我们提出 MorphXAI，一个集成原虫检测与细粒度形态学分析的可解释框架。MorphXAI 将形态学监督直接集成到预测管道中，使模型能够在本地化原虫的同时，同时表征临床相关属性，如形状、曲率、可见点数、鞭毛存在情况及发育阶段。为支持这一任务，我们策划了一个由临床医生标注的三种原虫物种（Leishmania、Trypanosoma brucei 和 Trypanosoma cruzi）的形态标签数据集，建立了一个用于可解释原虫分析的新基准。实验结果表明，MorphXAI 不仅在基线模型上实现了检测性能的提升，还提供了结构化且具有生物学意义的解释。