面向头颈癌结果预测的 XAI 方法排名
计算机视觉与模式识别
2026-04-20 v1 数据分析、统计与概率
摘要
对于头颈癌 (HNC) 患者而言，预后预测可支持个体化治疗策略的选择。通过在 PET/CT 数据上使用先进的人工智能 (AI) 技术来提高 HNC 结果预测性能已受到广泛探索。然而，AI 的可解释性仍是其临床应用的关键障碍。不同于以往 HNC 研究中经验性地选择可解释人工智能 (XAI) 技术的做法，本文首次对 13 种 XAI 方法进行全面评估并在 24 项指标上进行排名，这些指标涵盖忠实性、鲁棒性、复杂度和合理性。HECTOR 挑战数据集上的实验结果显示，不同 XAI 方法在不同评估方面存在很大差异，其中 Integrated Gradients (IG) 和 DeepLIFT (DL) 在忠实性、复杂度和合理性方面 consistently 获得了高排名。这一工作凸显了全面评估 XAI 方法的重要性，可扩展到其他医学影像任务。
引用
@article{arxiv.2604.16034,
title = {Ranking XAI Methods for Head and Neck Cancer Outcome Prediction},
author = {Baoqiang Ma and Djennifer K. Madzia-Madzou and Rosa C. J. Kraaijveld and Jin Ouyang},
journal= {arXiv preprint arXiv:2604.16034},
year = {2026}
}
备注
4-page conference paper, accepted at IEEE ISBI 2026 (International Symposium on Biomedical Imaging)