论文在线性分类头下精确分解融合模型各分支决策贡献

Yuan Liang、Sourav Bhattacharjee 和 Abraham Campbell 发布论文，针对透明细胞与非透明细胞肾癌的对比增强 CT 分类，在固定的 3D MedVAE–影像组学融合模型上提出决策级贡献解释方法：由于模型采用线性分类头，二分类 logit 可被精确分解为门控图像项、直接影像组学项和偏置。 结果显示，门控权重并不等于实际决策贡献：模型内部影像组学的平均结构权重为 0.823，但平均有效贡献仅为 0.148，两者按病例的关联也较弱（ρ = 0.290）。这一结构权重与有效贡献的差距在探索性外部评估中同样观察到。 这项工作的核心增量在于指出仅凭门控权重衡量影像组学特征在融合模型中的作用会高估其贡献，需在线性头下直接分解决策项。结果基于该固定模型和该分类任务，外部评估为探索性。

AI 根据报道生成 · 4 小时前更新