arXiv cs.AI· Ahmed Jaheen·· 11 小时前AI 评分31
显著性图在致密乳腺上失效？乳腺钼靶解释公平性的机会归一化与混杂因素审计
Do Saliency Maps Fail Dense Breasts? A Chance-Normalized, Confounder-Aware Audit of Explanation Fairness in Mammography
AI 导读
研究在 1,345 张 CBIS-DDSM 恶性视图上评估三种 CNN 的 Grad-CAM、Integrated Gradients 与遮挡图，发现未校正时 Grad-CAM 峰值在致密乳腺病灶上的命中率为 44%，非致密为 58%。
正文 · AI 翻译
摘要：显著性图常被用作乳腺 X 线分类器利用了癌症病灶的证据，但尚未在可能掩盖癌症的致密乳腺中接受检验。我们测试了它们在致密乳腺中定位癌症是否更差，以及原因。在 1,345 张恶性 CBIS-DDSM 视图上，我们按峰值是否命中病灶以及经随机归一化的病灶-背景显著性比（单位：比特；+1 表示翻倍）对三个 CNN 的 Grad-CAM、Integrated Gradients 和遮挡图进行评分。未调整的差距很大：Grad-CAM 峰值在致密病灶中命中 44%，在非致密病灶中命中 58%。病例构成，主要是致密乳腺中更多的钙化，解释了每个差距约一半或更多。遮挡图保留了显著的 -0.56 比特平均差距。对照实验也指向分类器：未调整的差距超过了仅图像显著图的差距，且模型对致密乳腺病灶的依赖更少。我们建议按分类器报告病例构成调整前后的密度差距，并附上显著图和病灶依赖对照。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.05909 [cs.CV] |
| （或 arXiv:2611.05909v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.05909 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ahmed Jaheen [查看电子邮件]
[v1]
2026 年 11 月 4 日星期三 04:01:32 UTC（1,027 KB）
来源：arXiv cs.AI · arxiv.org