视网膜图像可解释基础模型 DualIFM：参数仅 1/16 性能媲美 RETFound
UniTuebingen · hf · 2026-08-10
图宾根大学团队提出了 DualIFM，一种在设计上具备可解释性的医疗基础模型，专门针对视网膜眼底图像。现有基于自监督学习的大模型往往缺乏可解释性，这在医疗等高风险领域是一个关键痛点。
核心机制
- BagNet 骨干网络：采用具有小感受野的 BagNet 架构，生成的类别证据图能够忠实反映模型的决策过程。
- 2D 投影层：在预训练阶段引入 2D 投影层，允许直接可视化表征空间，从而揭示数据集层面的结构（如临床聚类和潜在的虚假相关性）。
性能表现
该模型在超过 80 万张彩色眼底照片上进行训练。实验表明，DualIFM 实现了与拥有其 16 倍参数量的 RETFound 模型相媲美的性能，同时在分布外数据上提供了更好的可解释性预测。代码和预训练模型已开源。
「研究」频道最新
- 《哥德尔、艾舍尔、巴赫》早预言了 AI：梯度下降或是终极“怪圈” — AymericRoucher · 2026-08-10
- OneEmo：统一多模态情感推理模型及数据集发布 — Jiahao Huang · 2026-08-10
- DeepMind 论文指出现有 RAG 架构存在硬性数学极限 — solyarisoftware · 2026-08-10
- 北航提出BGA框架：破解加密流量恶意指令检测难题 — 量子位 · 2026-08-10
- MIT科技评论：AI驱动科研突破不能仅靠数据，更需要推理 — nordicinst · 2026-08-10
- 挑战Transformer：欧洲AI创企竞逐下一代更优LLM引擎 — nordicinst · 2026-08-10