编辑推荐：
在医学影像领域，深度学习用于皮肤病变分类时面临分类性能提升与预测可解释性难题。研究人员将显著性分数融入损失函数，在 HAM10000 和 PH2 数据集上用多种分类器验证，结果显著提升，为 XAI 技术评估提供新视角。
皮肤癌作为威胁人类健康的重要疾病，早期准确诊断至关重要。计算机辅助诊断（CAD）系统借助深度学习在皮肤病变分类中展现潜力，但如何进一步提升分类性能并让模型预测结果具备可解释性，成为困扰医学界和人工智能领域的两大难题。传统深度学习模型虽能自动提取特征，但其复杂结构导致医生和患者难以信任预测结果，而可解释人工智能（XAI）技术如显著性图等虽能提供可视化解释，却缺乏客观量化评估指标，难以判断解释质量。在此背景下，探索将 XAI 与模型训练结合，兼顾性能提升与解释性增强的方法，成为医学影像分析领域的迫切需求。
为解决上述问题，研究人员开展了相关研究。不过文档中未明确提及研究机构，仅提到 Rym Dakhli 和 Walid Barhoumi 两位作者。他们提出将显著性分数直接融入损失函数的方法，通过在损失函数中引入由显著性分数推导的惩罚权重，构建适用于不同 XAI 方法的定制化损失函数，旨在引导模型关注关键特征，同时实现对 XAI 技术有效性的定量评估。该研究成果发表在《Computers in Biology and Medicine》。
研究中用到的主要关键技术方法包括：采用 Inception-ResNet-v2（IRV2）、EfficientNet-B3 和 ResNeXt 等卷积神经网络（CNN）作为分类器；运用六种 XAI 方法（Vanilla 梯度、GradCam、LIME、SHAP、LRP 和 Guided Backpropagation）生成显著性分数；在 Google Colaboratory（配备 T4 GPU）和搭载 GeForce RTX 3060 GPU 的笔记本电脑上，使用 Python 3.8 进行实验，以 HAM10000（含七种皮肤病变类别）和 PH2 数据集为研究对象。
实验结果
通过将六种 XAI 方法的显著性分数转化为定制化损失函数，对 IRV2 模型进行训练。结果显示，与基准方法和现有先进方法相比，模型分类性能显著提升。在 HAM10000 数据集上，准确率达 94.3%，较标准损失函数提升 7%；在 PH2 数据集上，准确率达 98%，提升 6%。不同 XAI 方法引导的损失函数对模型收敛速度和稳定性影响各异，其中 LRP 引导的损失函数效果尤为突出。
讨论
研究表明，将显著性分数作为动态缩放的惩罚权重 λ 融入损失函数，可增强模型鲁棒性，降低对超参数初始化的敏感性，提升结果可重复性。显著性整合对不同 XAI 方法的模型收敛影响存在差异，这为定量评估 XAI 技术的有效性提供了依据，有助于筛选更优解释方法。该方法无需增加可训练参数，通过优化损失函数即可提升模型性能，为深度学习与 XAI 的结合提供了新范式。
结论
该研究成功将 XAI 显著性分数嵌入深度学习模型的训练过程，通过定制化损失函数实现了皮肤病变分类性能的显著提升，同时为 XAI 技术的定量评估提供了有效框架。实验结果表明，该方法在 HAM10000 和 PH2 数据集上均取得优异表现，为医学影像领域 CAD 系统的可解释性增强和性能优化提供了新方向。未来可进一步探索更多 XAI 方法与损失函数的结合方式，拓展该方法在其他医学影像任务中的应用，推动可解释人工智能在精准医疗中的实际落地。
