NeuroExplainer：用于揭示早产婴儿皮层发育模式细粒度注意力解码

在跨学科应用中部署可靠的深度学习技术，需要所学模型输出准确且（更为重要的是）可解释的预测。现有方法通常以事后方式解释网络输出，其隐含假设为忠实的解释来自于准确的预测/分类。我们持相反主张：解释促进（甚至决定）分类。亦即，端到端学习解释因子以增强判别性表示提取，可能是一种更直观的策略，从而反向确保细粒度可解释性，例如在那些包含噪声、冗余及任务无关信息的高维数据的神经影像与神经科学研究中。本文提出这样一种可解释的几何深度网络，称为 NeuroExplainer，应用于揭示与早产相关的婴儿皮层发育改变模式。给定基础皮层属性作为网络输入，我们的 NeuroExplainer 采用分层注意力解码框架，学习细粒度注意力及相应判别性表示，以在足月等效年龄准确识别早产儿与足月儿。NeuroExplainer 在受试者级弱监督下结合源自脑发育领域知识的目标正则化项学习分层注意力解码模块。这些先验引导约束在训练中间接最大化可解释性度量（即保真度、稀疏性与稳定性），驱动所学网络输出详细解释与准确分类。在公开 dHCP 基准上的实验结果表明，NeuroExplainer 产生的定量可靠解释结果在定性上与代表性神经影像研究一致。