AFBT GAN：通过反事实生成对抗网络提升认知衰退的解释能力和诊断性能
内容提要
该文综述了脑功能连接与神经影像分析研究，涉及脑部TokenGT、CT-GAN、门控图神经转换器、DiffGAN-F2S等模型，用于神经变性疾病诊断、预后及认知预测；并提出反事实图、对抗解释器等可解释性框架，提升模型透明度与鲁棒性，为阿尔茨海默病等疾病分析提供新思路。
延伸解读
反事实解释在医疗AI中的价值
文章提到，对诊断放射学住院医师的实验表明，反事实解释是唯一能显著提高用户对分类器决策理解的方法。这提示在医疗AI应用中，除了追求诊断准确率，提供符合临床思维的解释同样关键。反事实解释通过展示“如果输入不同，结果会怎样变化”，帮助医生理解模型决策依据，从而建立信任并辅助临床决策。
多模态融合提升阿尔茨海默病诊断
文章介绍了CT-GAN模型，能够融合fMRI和DTI数据，有效识别与阿尔茨海默病相关的大脑连接。多模态融合可以弥补单一模态信息的不足，提高预测性能。此外，DiffGAN-F2S通过fMRI预测结构连接，在ADNI数据集上表现优越，为多模态脑网络融合提供了替代方案。这些方法有助于更全面地捕捉疾病相关的神经影像特征。
可解释性与鲁棒性的统一框架
文章提出一个统一框架，利用GAN生成对抗性样本以增强可解释性和鲁棒性。该框架将分类器和辨别器结合，生成显著性图，并在裂缝分割和水果缺陷检测任务中验证了有效性。生成的显著性图具有高描述性，且模型对PGD攻击的鲁棒性得到改善。这表明可解释性与鲁棒性可以协同提升，为医学图像分析提供更可靠的模型。
反事实图在脑网络分析中的应用
文章提出反事实图作为黑盒图分类器的后解释方法，并比较了多种搜索策略。测试表明，该方法能产生接近最优的反事实图，并可用于构建全局解释，正确捕获不同分类器的行为。这为神经学家提供了有趣的见解，有助于理解脑功能连接与疾病的关系，推动脑网络分析的可解释性研究。
Q&A
AFBT GAN 这个框架的主要目标是什么？
AFBT GAN 旨在通过反事实生成对抗网络提升认知衰退的解释能力和诊断性能，具体是集成诊断和解释，并利用反事实生成对抗网络来增强可解释性和对抗鲁棒性。
AFBT GAN 如何实现诊断和解释的集成？
AFBT GAN 通过将分类器和辨别器结合成一个单一模型，将真实图像归类为相应类别，并将生成的图像标记为“伪造”，从而集成诊断和解释。
AFBT GAN 在阿尔茨海默病分析中有什么具体应用？
AFBT GAN 通过生成反事实的结构性磁共振图像，并将其转化为灰质密度图来衡量感兴趣区域（ROI）中的体积变化，为每个 ROI 提供“与阿尔茨海默病相关性指数”，从而直观理解个体患者和患者组与阿尔茨海默病进展的大脑状态。
AFBT GAN 如何提升模型的对抗鲁棒性？
AFBT GAN 利用图像到图像转换生成对抗网络生成对抗性样本，以增强可解释性并扩充数据集，从而提高对抗性鲁棒性。
AFBT GAN 的可解释性如何评估？
AFBT GAN 生成的显著性地图具有很高的描述性，尽管仅在分类标签上进行训练，但与传统分割模型相比，其竞争性 IoU 值表现良好，并且辨别器的“伪造”值可作为预测的不确定性度量。
AFBT GAN 与反事实图解释方法有何关联？
AFBT GAN 采用了反事实图作为黑盒图分类器的后解释，并比较了几种反事实图搜索策略，测试结果表明该方法可以产生非常接近最优反事实图的结果，并可用于构建全局解释。
