无训练的测试时改进：可解释医学图像分类
计算机视觉与模式识别
2025-06-24 v1
摘要
深度学习方法正在医学图像分析中迅速发展，使得开发在 diverse 临床场景中高效部署的准确可信赖的模型变得至关重要。概念瓶颈模型 (CBM) 首先从图像中预测一组可解释概念，然后基于这些概念进行分类，正在越来越多地用于可解释医学图像分类。然而，CBM 的内在可解释性在将训练好的模型部署到新环境时引入了新挑战。影像协议和染色方法的差异可能导致概念级别的偏移，例如颜色分布和尺度的改变。此外，由于 CBM 训练需要明确的概念标注，仅使用图像级别标签进行微调可能会损害概念预测的准确性和忠实性——这在医疗领域获取专家标注概念标签成本高昂的限制下尤为关键。为此，我们提出一种训练-free 的混淆概念识别策略。通过利用仅带图像级别标签的最小新数据（例如每类 4 张图像），该方法在不牺牲源域准确性的前提下，通过两个关键操作提高了跨域性能：遮蔽误激活的混淆概念并放大未激活的判别性概念。我们在皮肤图像和白血球图像上验证了该方法的有效性。我们的代码可在 https://github.com/riverback/TF-TTI-XMed 获取。
引用
@article{arxiv.2506.18070,
title = {Training-free Test-time Improvement for Explainable Medical Image Classification},
author = {Hangzhou He and Jiachen Tang and Lei Zhu and Kaiwen Li and Yanye Lu},
journal= {arXiv preprint arXiv:2506.18070},
year = {2025}
}
备注
This is the initial version of our work accepted by MICCAI 2025. We'll include a link to the version on SpringerLink after this becomes available