WeNLEX：多标签胸X射线分类的弱监督自然语言解释
计算机视觉与模式识别
2026-03-20 v1 人工智能
摘要
自然语言解释提供了一种天然符合人类理解的方式来解释黑箱模型，紧密反映了放射科医生在文本报告中传达诊断的方式。大多数工作明确地监督解释生成过程，使用带有解释注释的数据集。因此，尽管生成的解释看起来合理，但并不忠实于模型的推理。在本工作中，我们提出WeNLEX，一个用于多标签胸X射线分类的自然语言解释生成器，采用弱监督方法。通过匹配从其对应的自然语言解释生成的图像与原始图像在黑箱模型特征空间中的位置来确保忠实性。通过与小型临床注释解释数据库中的分布对齐来维持合理性。我们通过在多个指标上进行广泛的验证来证明WeNLEX能够产生忠实且合理的解释，仅需每种诊断5个 ground-truth 解释。此外，WeNLEX可在后置和模型内两种设置中运行。在后者，即多标签分类器与其余网络一起训练时，WeNLEX通过2.21%提高了单独分类器的AUC，从而表明将可解释性纳入训练过程实际上可以提高下游任务性能。此外，仅通过更改数据库，WeNLEX的解释就可以适应任何目标受众，我们通过训练面向非医疗用户的简化版WeNLEX来展示了这种灵活性。
引用
@article{arxiv.2603.18752,
title = {WeNLEX: Weakly Supervised Natural Language Explanations for Multilabel Chest X-ray Classification},
author = {Isabel Rio-Torto and Jaime S. Cardoso and Luís F. Teixeira},
journal= {arXiv preprint arXiv:2603.18752},
year = {2026}
}