qZACH-ViT：基于递归归因稳定优化的量化感知内在解释
本文提出qZACH-ViT，一种量化感知的紧凑型医学图像分类器，结合零令牌、无位置ZACH-ViT骨干网络和递归内在补丁级类别证据。同时引入递归归因稳定优化（RASO），通过归一化匹配分类和归因梯度并移除冲突成分，提高模型可解释性。在7个MedMNIST数据集上的实验表明，混合精度INT8 qZACH-ViT在指标上超越FP32基线，模型缩小70%，CPU速度提升1.41–2.39倍，预测一致性达99.975%。RASO显著降低充分性误差并增强输入噪声稳定性。
在医学影像分类领域，紧凑型模型的效率和可解释性往往难以兼顾。近日，一项名为qZACH-ViT的研究提出了一种量化感知的紧凑型医学图像分类器，通过创新的递归归因稳定优化（RASO）技术，在保持高性能的同时显著提升了模型的可解释性。该研究由Athanasios Angelakis等人完成，论文已提交至arXiv（编号2607.15421）。
qZACH-ViT是ZACH-ViT骨干网络的量化感知扩展版本。ZACH-ViT本身是一种无需类别令牌（CLS-token）和无位置编码的视觉Transformer架构，通过递归的内在补丁级类别证据实现解释。qZACH-ViT在此基础上引入量化感知训练，使得模型能够部署为混合精度INT8格式，具体表现为将210个检查点转换为包含16个有符号INT8 MatMulInteger投影（INT32累加）的可执行ONNX图。
研究团队还提出了递归归因稳定优化（RASO），该方法通过归一化匹配分类梯度和归因梯度，并移除与分类相冲突的归因成分，从而提升解释的稳定性和质量。在实验中，研究人员在七个MedMNIST数据集上设置了四种受控条件，每类仅使用50张训练图像和十个固定随机种子，共计完成280次运行。结果表明，采用Adam优化器的混合精度INT8 qZACH-ViT在所有数据集上均优于FP32 ZACH-ViT基线，平均配对增益为0.0313（按数据集特定主要指标计算）；而结合RASO后，平均增益进一步达到0.0368。
在模型部署方面，ONNX工具体积比原始检查点缩小70%，端到端CPU推理速度提升1.41倍（单线程）和2.39倍（四线程）。在964,920次原模型到INT8模型的测试比较中，预测一致性高达99.9751%，主要指标的平均绝对变化仅为0.000133，最大变化为0.004386。此外，在3,600对匹配的内在归因图中，平均余弦相似度为0.999955，平均秩相关性为0.9944，平均前10%重叠率为0.9692。
值得注意的是，RASO在充分性误差和输入噪声稳定性方面显著优于使用相同归因损失的Adam，但并非在所有预测或可解释人工智能（XAI）指标上都占优。这些结果确立了qZACH-ViT作为可部署的紧凑型内在可解释模型，而RASO则作为一种针对稳定性的优化程序。该研究为医学图像分类的实用化部署提供了新的思路，平衡了效率、可解释性和准确性。