融合统计特征与可视化规则的可解释AI框架在医学影像分类中的创新应用

为解决深度学习模型在医疗影像诊断中"黑箱"决策的信任危机，Naeem Ullah团队开发了SVIS-RULEX框架。该研究创新性地整合统计特征工程、RuleFit规则提取和SFMOV热图可视化技术，在COVID-19胸片等5类医学影像数据集上实现了解释性与准确性的平衡，经临床验证显著提升了模型决策透明度。

　　

在医疗AI领域，深度学习模型虽在MRI、超声等影像诊断中展现出媲美专家的准确率，但其决策过程如同"黑箱"——医生无法理解模型为何做出特定诊断，这在关乎生命的医疗场景引发严重信任危机。现有可解释人工智能(XAI)方法存在明显局限：梯度热图仅能粗定位关注区域，规则提取系统与视觉解释割裂，而深度特征本身又缺乏临床可理解的语义。这种解释力的缺失，直接阻碍了AI辅助诊断系统的临床落地。

针对这一挑战，来自意大利FAIR项目组的研究团队在《Medical Image Analysis》发表创新成果。研究者提出SVIS-RULEX框架，首次将统计特征工程、规则建模与新型可视化技术深度耦合。该工作通过定制MobileNetv2提取深度特征后，创新设计ZFMIS特征选择策略筛选出26个可解释统计特征（如均值、偏度、熵），并开发SFMOV技术生成加权统计热图。在COVID-19胸片等5类医疗影像测试中，该系统不仅保持94.7%的分类准确率，其生成的诊断规则与热图经放射科医生验证，具有显著的临床相关性。

关键技术包含：1）基于MobileNetv2的深度特征提取；2）零基过滤互重要性选择(ZFMIS)特征筛选；3）决策树与RuleFit规则生成；4）统计特征图叠加可视化(SFMOV)技术。实验采用Kaggle公开的胸部X光、乳腺超声、脑部MRI、组织病理和青光眼数据集。

【Related work】
现有研究多聚焦单一解释维度，如Grad-CAM热图或LIME局部解释。本文系统分析了纯视觉解释缺乏量化指标、规则系统忽视特征空间关联等问题，指出医疗场景需要多模态解释的必然性。

【Methodology】
核心创新在于三级解释体系：底层通过ZFMIS从1536维深度特征提炼26个统计特征；中层采用RuleFit生成"若左肺上叶熵值>0.68则判为COVID-19"等可读规则；表层SFMOV将均值、偏度、熵三指标融合为彩色热图，通过密集层权重实现病灶区域量化标注。

【Results and discussion】
在脑肿瘤MRI分类中，系统识别出"瘤周水肿区偏度<-0.42"的关键规则，与放射科经验相符。SFMOV热图显示恶性肿瘤区域具有显著熵值异质性（p<0.01），这一发现在87%的临床评估病例中获得专家认可。

【Conclusions】
该研究突破了传统XAI"解释碎片化"的局限，首次实现统计量化、规则逻辑与空间定位的三维解释。临床验证表明，SFMOV热图能有效辅助医生发现传统方法易忽略的微病灶（如<3mm的乳腺钙化点），为AI辅助诊断系统提供了可信赖的决策依据。未来可扩展至3D医学影像和多模态数据联合解释领域。