Explainable Transform Learning for Interpretable Medical Image Analysis
Notice bibliographique
Résumé
The rapid adoption of deep learning methods in medical imaging has led to remarkable improvements in detection, segmentation, and diagnosis tasks. However, the widespread use of complex black-box models raises significant concerns regarding interpretability, transparency, and trustworthiness particularly in clinical decision-making where explainability is critical. This paper introduces a novel Explainable Transform Learning (ETL) framework designed to unify the strengths of data-driven representation learning with interpretable mathematical transforms. Unlike conventional convolutional or purely deep architectures, the proposed method explicitly integrates domain-relevant transform functions (e.g., wavelet, Fourier, and Radon transforms) into the learning pipeline, ensuring that intermediate features remain clinically interpretable. We demonstrate the framework’s effectiveness on multiple medical imaging modalities, including MRI, CT, and histopathology, where interpretability is often as important as accuracy. Experimental results show that ETL achieves competitive performance with state-of-the-art deep models while offering clear, human-understandable feature attributions that correlate with clinical markers. Moreover, our method reduces the dependency on large annotated datasets by leveraging structured priors, making it well-suited for data-scarce healthcare applications. This work contributes a step toward transparent and trustworthy artificial intelligence in medicine, highlighting that improved diagnostic performance need not come at the cost of explainability. We conclude with a discussion on how ETL can be extended for real-time clinical workflows and its potential integration into next-generation decision-support systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».