参加下一期 RISE-MICCAI 教程 – 2026年3月31日

在高风险的临床实践世界中，AI 模型不能充当「黑箱」。可解释 AI（XAI）是算法预测与临床信任之间的桥梁，为医学专业人员验证 AI 驱动的洞见提供所必需的透明度。尽管 XAI 技术在单模态数据上已相当成熟，其在多模态学习中的应用仍是前沿地带。医学诊断很少依赖单一信息来源；它因各种信号的融合而蓬勃发展。
本场深入探讨解释同时处理多种数据流的模型的复杂性——例如 MRI 扫描结合患者电子健康档案（EHR）。我们将借助 PyTorch 强大的模型可解释性库 Captum，越过简单的热力图，理解模型如何权衡并整合多模态信息。
我们将从 XAI 分类体系（归因、扰动与基于梯度的方法）的精炼理论概述入手，随后对三个不同的医学用例动手实践：
每个案例研究都使用开源多模态数据集，确保您能够在自己的研究中复现并扩展这些实验。
Rachid Zeghlache 是专注于医学影像深度学习的 AI 研究员，尤其关注疾病随时间的演化。他在西布列塔尼大学获得博士学位，其工作横跨纵向学习、生成式 AI 与可解释 AI，构建的模型不只分析单次扫描，而是追踪并预测患者在多次就诊与多种模态间的轨迹。
他持有一项关于疾病进展预测方法的欧洲专利，并联合组织了两个 MICCAI 数据挑战赛，其中包括 MARIO AMD（年龄相关性黄斑变性）进展挑战赛。
在实验室之外，Rachid 热衷于弥合 AI 研究与临床现实之间的差距。他目前的兴趣集中于增强型学术研究以及使用智能体化 AI 的临床工作流自动化——设计不仅支持研究者与临床医生、还能在真实医疗流程中主动参与诊断推理、纵向监测与决策支持的智能系统。