面向MedMNIST的无反向传播的层级分析：可解释的广义度量学习
计算机视觉与模式识别
2026-04-08 v1
摘要
尽管深度学习在医学影像中取得了显著成功，但基于反向传播的模型的"黑箱"性质仍是临床采纳的重大障碍。为弥合这一差距，我们提出了阿基米德式快速对象建模（A-ROM）框架，基于柏拉图表示假设（PRH）。该假设认为，在广泛且多样化的数据集上训练的模型趋向于一种通用且客观的现实表征。通过利用预训练视觉转换器（ViT）的可通用化度量空间，A-ROM实现了对新医学概念的快速建模，而无需额外的计算负担或不透明的基于梯度的微调。我们用人类可读的概念词典和k近邻（kNN）分类器取代传统的、不透明的决策层，以确保模型逻辑保持可解释。在MedMNIST v2套件上的实验表明，A-ROM在保持竞争性能的同时，提供了一个简单且可扩展的"few-shot"解决方案，满足现代临床环境对透明性的严格要求。
引用
@article{arxiv.2604.06017,
title = {Toward Aristotelian Medical Representations: Backpropagation-Free Layer-wise Analysis for Interpretable Generalized Metric Learning on MedMNIST},
author = {Michael Karnes and Alper Yilmaz},
journal= {arXiv preprint arXiv:2604.06017},
year = {2026}
}