医学影像分类中的基于概念的可解释性方法研究综述
来源：计算机工程与应用杂志2026年第13期北京时间：
作者：段刚, 冯艳爽, 冯雪, 郑国敬, 钟青霖, 王祺森
单位：1.荣科科技股份有限公司，沈阳 110000；2.东北大学 计算机科学与工程学院，沈阳 110169；
摘要：近年来，深度学习在医学影像分析中取得了显著进展，但其黑箱特性限制了在高风险临床场景中的应用。可解释人工智能（XAI）作为应对这一问题的重要研究方向，其中基于概念的可解释性方法因能够以符合人类认知的医学语义来解释模型决策，逐渐成为研究热点。然而，现有综述大多聚焦于通用的XAI方法，缺乏面向医学影像任务的系统化总结。围绕医学影像分类任务，系统梳理了基于概念的可解释性方法的发展脉络，从传统概念方法到后验概念方法、自动概念发现方法，再到结合视觉语言模型与大语言模型的多模态生成方法，全面总结了不同方法的技术特点、优势与局限。同时，还对概念评估指标体系进行了归纳，并结合临床应用案例，探讨了概念驱动可解释性方法在实践中的价值与挑战。最后，展望了自动概念发现、概念与医学知识对齐、鲁棒性与不确定性建模以及人机协作等未来研究方向。通过系统化的回顾与分析，不仅为研究者提供了完整的参考框架，也为推动医学人工智能在临床中实现可信落地提供了借鉴。
关键词：可解释性,概念驱动,概念瓶颈模型,医学影像分析,图像分类
基金资助：国家自然科学基金（U22A202）。
