针对 OCT 的结构感知可解释学习：面向解剖学对齐的后置解释
计算机视觉与模式识别
2026-05-05 v1 人工智能
摘要
光学相干断层扫描 (OCT) 是一种常用于视网膜成像的模态，对视网膜疾病诊断起着核心作用。尽管深度学习 (DL) 在 OCT 基础的视网膜疾病检测中取得了专家水平的准确率，但其“黑箱”本质在临床应用中造成挑战，因为可解释性对临床信任和监管批准至关重要。现有的后置可解释人工智能 (XAI) 方法常常难以描绘细粒度病灶结构、尊重解剖边界或抑制噪声，限制了其解释的可信度。为弥合这一差距，我们提出一种结构感知可解释学习 (SAIL) 框架，将视网膜解剖先验引入表征层，并通过融合设计将其与语义特征耦合。无需修改标准的后置可解释性方法，本表征即可产生更清晰且更符合解剖学的归因图。对多样化 OCT 数据集进行的全面实验表明，结构感知方法在可解释性方面持续显著提升，产生临床上有意义且解剖感知的解释。消融研究进一步表明，强大的可解释性需要结构先验和语义特征两者，正确融合两者对于实现最佳解释质量至关重要。这些结果共同凸显，结构感知表征是通向 OCT 可靠可解释性的关键一步。
引用
@article{arxiv.2605.02707,
title = {SAIL: Structure-Aware Interpretable Learning for Anatomy-Aligned Post-hoc Explanations in OCT},
author = {Tienyu Chang and Tianhao Li and Ruogu Fang and Jiang Bian and Yu Huang},
journal= {arXiv preprint arXiv:2605.02707},
year = {2026}
}
备注
16 pages, 6 figures, 9 tables