arXiv cs.AI· Yuan Liang, Sourav Bhattacharjee, Abraham Campbell·· 3 天前AI 评分12
超越门控权重：RCC 分类中影像组学-图像特征融合的决策级解释
Beyond Gate Weights: Decision-Level Interpretation of Radiomics-Image Feature Fusion for RCC Classification
AI 导读
研究在固定的 3D MedVAE-影像组学模型中发现，门控系数无法反映分支对分类器输出的实际贡献：平均结构影像组学权重为 0.823，而平均有效影像组学主导度仅 0.148，两者案例级关联较弱（ρ = 0.290）。门控图像项保留的判别排序信息明显强于直接影像组学项，且由于影像组学同时生成门控，加性分支贡献不应被解读为总输入影响。该研究提示结构门控权重与决策级分支贡献应分开解释。
正文 · AI 翻译
摘要：门控系数描述了融合层如何对中间特征进行加权，但它们不一定反映分类器输出处各分支贡献的大小。我们在一个固定的 3D MedVAE--影像组学模型中研究了这一区别，用于基于对比增强 CT 的透明细胞与非透明细胞肾细胞癌分类。由于该模型使用线性分类头，二元决策 logit 可以精确分解为门控图像项、直接影像组学项和偏置项。我们将有效影像组学主导性定义为直接影像组学项在非偏置分支贡献绝对值之和中所占的份额，并将其与结构性影像组学加权进行比较。在内部，平均结构性影像组学加权为 0.823，而平均有效影像组学主导性为 0.148，二者存在适度的逐病例关联（\r{ho} = 0.290）。门控图像项保留的判别性排序信息显著强于直接影像组学项。在探索性外部评估中也观察到了相同的结构性到有效性的差异。分支靶向置换、积分梯度和 Shapley 式分析进一步识别出影响直接影像组学项的影像组学描述符。由于影像组学也生成门控，门控图像项仍然依赖于影像组学，因此加性分支贡献不应被解释为总输入影响。这些发现表明，结构性门控加权和决策级分支贡献代表了门控特征融合的不同方面，应分别加以解释。
| 评论： | 12 页，1 幅图。已被 2026 年爱尔兰人工智能与认知科学会议（AICS 2026）接收。论文集即将出版 |
| 主题： | 图像与视频处理（eess.IV）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.14152 [eess.IV] |
| （或 arXiv:2610.14152v1 [eess.IV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14152 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yuan Liang [查看电子邮件]
[v1]
2026 年 10 月 9 日星期五 15:57:04 UTC（287 KB）
来源：arXiv cs.AI · arxiv.org