迈向可解释的视网膜眼底图像基础模型

论文页面：迈向可解释的视网膜眼底图像基础模型

来源：https://huggingface.co/papers/2603.18846

摘要

基础模型用于从大量未标记数据中提取可迁移表示，通常通过自监督学习（SSL）实现。然而，其中许多模型依赖的架构可解释性有限，这在医学影像等高风险领域是一个关键问题。我们提出了 DualIFM，一种通过 BagNet 骨干网络实现设计上可解释的基础模型，其小感受野生成的类别证据图忠实于模型的决策过程。此外，DualIFM 在预训练期间引入了 2D 投影层，能够直接可视化表示空间，从而在数据集层面展示学习到的结构，包括有意义的临床聚类以及潜在的虚假相关性。我们在来自不同来源的超过 80 万张彩色眼底照片上训练了 DualIFM，以学习适用于不同下游任务的可泛化表示。我们的模型在提供对分布外数据的可解释预测的同时，达到了与参数多 16 倍的 RETFound 相当的性能。这些结果表明，大规模 SSL 预训练与固有可解释性相结合，可以为视网膜成像带来鲁棒的表示。代码和预训练模型可在 github.com/berenslab/interpretable_FM 获取。

查看 arXiv 页面 (https://arxiv.org/abs/2603.18846) 查看 PDF (https://arxiv.org/pdf/2603.18846) GitHub0 (https://github.com/berenslab/interpretable_FM) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2603.18846)

在你的代理中获取此论文：

hf papers read 2603\.18846

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型1

CamilaR20/Dual-IFM 图像特征提取•更新于约1小时前 (https://huggingface.co/CamilaR20/Dual-IFM)

引用此论文的数据集0

没有链接此论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2603.18846 即可从此页面链接到该数据集。

引用此论文的 Spaces0

没有链接此论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2603.18846 即可从此页面链接到该 Space。

包含此论文的收藏集0

没有包含此论文的收藏集

将此论文添加到收藏集 (https://huggingface.co/new-collection) 即可从此页面链接到该收藏集。