医用画像分類の分野では、コンパクトなモデルの効率性と解釈可能性の両立が重要な課題となっている。最近、Athanasios Angelakis氏らの研究チームは、量子化認識型のコンパクト医用画像分類器「qZACH-ViT」と、再帰的アトリビューション安定化最適化（RASO）を提案した。本論文はarXiv（識別子2607.15421）に提出されている。
qZACH-ViTは、ゼロトークン（CLSトークンフリー）かつポジションフリーのZACH-ViTバックボーンを量子化認識に拡張したものである。ZACH-ViTは再帰的な内在パッチレベルのクラス証拠を提供する。qZACH-ViTでは、210のチェックポイントが16の符号付きINT8 MatMulInteger投影（INT32累積）を含む実行可能な混合精度ONNX INT8グラフに変換される。
RASOは、分類勾配とアトリビューション勾配をノルム一致させ、分類と競合するアトリビューション成分を除去することで、説明の安定性と品質を向上させる。実験は7つのMedMNISTデータセットで、クラスあたり50枚のトレーニング画像と10の固定シードを用いて4つの制御条件下で行われ、合計280回の実行が完了した。混合精度INT8 qZACH-ViT（Adam使用）は、すべてのデータセットでFP32 ZACH-ViTベースラインを上回り、データセット固有の主要指標における平均ペア利得は0.0313であった。RASOを使用した場合、平均利得は0.0368に向上した。
展開面では、ONNXアーティファクトは元のチェックポイントより70%小型化され、CPUのエンドツーエンド推論速度はシングルスレッドで1.41倍、4スレッドで2.39倍向上した。964,920回の元モデル対INT8モデルのテスト比較において、予測一致率は99.9751%であり、主要指標の平均絶対変化は0.000133、最大変化は0.004386であった。また、3,600組の内在マップにおいて、平均コサイン類似度は0.999955、平均順位相関は0.9944、平均上位10%オーバーラップは0.9692であった。
RASOは、同じアトリビューション損失を用いたAdamと比較して、十分性誤差を大幅に低減し、入力ノイズ安定性を向上させるが、すべての予測または説明可能AI（XAI）指標で優位に立つわけではない。これらの結果は、qZACH-ViTを展開可能なコンパクト内在的説明可能モデルとして、RASOを安定性指向の最適化手順として確立するものである。本研究は、効率性、解釈可能性、正確性のバランスを重視した医用画像分類の実用的展開に新たな道を開くものである。