本文研究了医学影像学中Vision Transformer (ViT)的可解释性，提出了IA-ViT模型和注意力引导可视化方法，显著提高了解释的准确性和鲁棒性，并探讨了不同解释性方法的分类及应用，强调了未来的研究方向。

本文提出了一种名为ViT-ReciproCAM的视觉解释方法，旨在提高Vision Transformer（ViT）模型的可解释性。该方法通过激活令牌与网络预测的相关性生成显著性地图，表现优于现有方法。研究表明，ViT-ReciproCAM在理解和调试ViT模型方面具有良好的定位性能，尤其在医学影像学领域展现了潜力。

近期，人工智能在初级医疗服务中的应用显著提升，特别是Vision Transformers（ViT）在医学影像学中的表现。可解释的人工智能（XAI）对理解模型决策过程至关重要。研究表明，ViT的逐层相关传播法优于传统模型，提升了医学图像分割的准确性。尽管注意力机制被广泛使用，其对临床决策的实际效益仍需进一步探讨。