Исследователи представили KANEx — архитектуру, адаптирующую сети Колмогорова-Арнольда (KAN) для задач медицинской диагностики. Метод позволяет повысить прозрачность моделей компьютерного зрения, заменяя «черный ящик» на интерпретируемые математические представления. Это решает проблему доверия врачей к ИИ-системам, которые ранее лишь генерировали текстовые описания без объяснения логики принятия визуальных решений.

Современные системы анализа рентгеновских снимков часто полагаются на Vision-Language модели, которые описывают патологии на естественном языке. Однако такая «лингвистическая беглость» не раскрывает, какие именно визуальные признаки привели модель к выводу. KANEx интегрирует принципы KAN, где обучаемые функции находятся на ребрах графа, что позволяет визуализировать вклад конкретных анатомических областей в итоговый диагноз.

Использование KANEx в клинической практике позволяет врачам видеть не только результат классификации, но и математически обоснованную карту активаций, соответствующую медицинским критериям. Это снижает риски ошибок, связанных с галлюцинациями или неверной интерпретацией визуальных данных, обеспечивая более надежный контроль качества в диагностических процессах.

Ключевые факты

  • KANEx переносит принципы интерпретируемости сетей Колмогорова-Арнольда в область анализа медицинских изображений.
  • Архитектура заменяет стандартные веса нейронов на обучаемые функции, что делает процесс принятия решений прозрачным для клиницистов.
  • Метод направлен на устранение проблемы «черного ящика» в классификаторах рентгеновских снимков грудной клетки.
  • Решение дополняет существующие Vision-Language модели, обеспечивая визуальное обоснование диагноза наряду с текстовым описанием.