XMorph：基于 LLM 辅助的可解释脑肿瘤分析

深度学习显著� advance 了自动脑肿瘤诊断，但由于可解释性和计算约束限制，临床应用仍有限。常规模型常表现为透明的“黑盒”，且无法量化特征恶性生长的复杂不规则肿瘤边界。为解决这些挑战，我们提出 XMorph，一个用于细粒度分类三种主要脑肿瘤类型（腺瘤、脑膜瘤和垂体肿瘤）的可解释且计算高效框架。我们提出信息加权边界归一化 (IWBN) 机制，强调诊断相关边界区域，结合非线性混沌特征和临床验证特征，实现对肿瘤生长形态学表征的丰富化。双通道可解释 AI 模块将 GradCAM++ 可视化线索与 LLM 生成的文本论证相结合，将模型推理翻译为临床可解释洞见。该框架实现了 96.0% 的分类准确率，证明在 AI 医学影像系统中，可解释性与高性能可以共存。XMorph 的源代码和材料已全部公开于：https://github.com/ALSER-Lab/XMorph。