知识卡片：KANEx：将Kolmogorov-Arnold网络的可解释性转化为医学可解释性

英文标题：KANEx: Translating Kolmogorov-Arnold Networks' Interpretability to Medical Explainability

英文关键词：Kolmogorov-Arnold Networks, medical explainability, Vision-Language Models, interpretability, saliency maps, KAN-Map, trustworthy AI

一句话结论

KANEx是首个利用KAN（Kolmogorov-Arnold Network）的符号化可解释性来支撑视觉-语言模型（VLM）推理的框架，结合其直接导出的热力图方法KAN-Map，在MIMIC-CXR数据集上使视觉定位与下游推理质量提升约10%，同时生成更忠实的显著性图。

事件概述或研究问题

医学影像分类模型（如胸部X光片分类器）虽高效，但其黑盒特性削弱了临床医生的信任。工业界尝试将分类器与视觉-语言模型（VLM）配对以生成自然语言解释，但这种做法仅增加语言流畅性，并未解决底层视觉模型的不透明性。KAN因其基于样条（spline）的组件具有内在可解释的函数单元，本研究探索能否利用这种架构透明度产生更可信的文本解释。

方法/产品要点

• KANEx框架：首次利用KAN的符号化透明度来“锚定”（ground）VLM的推理，将可解释的上下文输入下游VLM以增强可解释性。
• KAN-Map热力图生成方法：直接从KAN模型派生而非梯度近似，从而获得更忠实、可解释的视觉归因图。
• 基础架构：结合ResNet或ViT作为基线的KAN架构。

主要结果或产业意义

• 在MIMIC-CXR数据集上，基于KAN的架构相比传统ResNet/ViT基线，在语义相似性上有所提升，并产生显著更忠实的显著性图。
• KAN架构使视觉定位（visual localization）和下游推理质量提高10%。
• 结果暗示：将语言解释和视觉归因植根于数学上可解释的单元，是迈向可信医疗AI的必要步骤。

为什么重要

本研究弥合了固有可解释架构（KAN）与下游VLM生成文本解释之间的鸿沟，同时通过不依赖梯度近似的热力图方法增强了视觉解释的忠实度，为医疗场景下的可信AI提供了可验证的路径。

局限与不确定性

• 材料未提及KANEx在非胸部X光片（如其他影像模态或疾病）上的泛化能力，待核实。
• 未讨论KAN架构的计算开销或训练稳定性，待核实。
• 10%提升的具体评估指标（如哪种相似度/定位度量）未在摘要中详细说明，待核实全文。

可用于图书/PPT/简报的角度

• 理解KAN的符号可解释性如何替代传统黑盒视觉模型中的梯度归因方法。
• 强调“可解释性不仅是后处理，更应内建于架构”的思路，适合用于可解释AI与医疗AI交叉主题的演讲。
• 可与PG-KINN（另一张卡片）对比：PG-KINN将KAN用于物理信息求解偏微分方程，KANEx则用于医学影像解释，展示KAN在不同领域的可解释优势。

与既有脉络的关系

与已有卡片“PG-KINN：基于彼得罗夫-伽辽金格式的物理信息KAN网络”同属KAN应用系列，但PG-KINN聚焦于力学/偏微分方程，本卡片关注医疗影像可解释性，并首次将KAN的符号化透明度与VLM结合，是KAN可解释性在人机交互场景下的延伸。

原始材料

• 原文标题：KANEx: Translating Kolmogorov-Arnold Networks' Interpretability to Medical Explainability
• arXiv ID：2607.24730v1
• 作者：Krithi Shailya, Ananya Lakshmi Ravi, Venkatanathan K. V., Sowmya S. Sundaram, Gokul S. Krishnan, Aditi Anand, Balaraman Ravindran
• 发布/更新日期：2026-07-27
• 主要类别：cs.CV
• 摘要原文：见URL https://arxiv.org/abs/2607.24730v1