面向医学影像中领域泛化和罕见类别检测的可解释知识引导神经符号框架——XAI-MeD
人工智能
2026-01-06 v1 计算机视觉与模式识别
摘要
可解释性、领域泛化和罕见类别可靠性是医学 AI 中的关键挑战，因为深度模型在现实世界分布偏移下常常失败，并对稀少的临床条件表现出偏见。这篇论文介绍 XAIMeD，一种可解释的医学 AI 框架，通过统一的神经符号架构将临床上准确的专家知识整合到深度学习中。XAIMeD 旨在提高分布偏移下的鲁棒性，增强罕见类别灵敏度，并提供透明且临床对齐的解释。该框架将临床知识编码为对原子医学命题的逻辑连接符，将其转化为机器可检查的、针对特定类别的规则。通过加权特征满足得分量化其诊断效用，使符号推理分支能够补充神经预测。置信度加权融合将符号和深度输出整合，同时基于熵不平衡收益 (EIG) 和罕见类别基尼系数引导的 Hunt 式自适应路由机制可消除类别不平衡、类内变异和不确定性。我们在四个具有挑战性的任务上对 XAIMeD 进行评估：i. 从 rs fMRI 中局部癫痫发作区 (SOZ) 定位 ii. 跨 6 个多中心数据集的糖尿病视网膜病变分级，显示出显著的性能提升，包括在跨域泛化中获得 6 个百分点的提升和在罕见类别 F1 分数中获得 10 个百分点的改进，显著优于最先进的深度学习基线。消融研究确认，基于临床的符号组件充当有效的正则化器，确保对分布偏移的鲁棒性。因此，XAIMeD 提供了一种以临床为依托、具有原则性且可解释的多模态医学 AI 方法。
引用
@article{arxiv.2601.02008,
title = {XAI-MeD: Explainable Knowledge Guided Neuro-Symbolic Framework for Domain Generalization and Rare Class Detection in Medical Imaging},
author = {Midhat Urooj and Ayan Banerjee and Sandeep Gupta},
journal= {arXiv preprint arXiv:2601.02008},
year = {2026}
}
备注
Accepted at AAAI Bridge Program 2026