医学影像诊断越来越依赖机器学习模型，但数据不平衡和可解释性问题一直困扰。本文介绍了一种合成数据生成技术STEM，演示了如何使用它来训练具有可解释性的模型。测试结果表明，使用语法进化产生的模型在保持可解释性的同时具有最佳的AUC。

本文讨论了图神经网络（GNNs）中的可解释性问题，包括确定邻居对于节点分类的重要性和度量任务性能的方法。结果显示基于梯度的技术在GNN领域中提供的解释几乎没有区别。使用没有自环的GNN时，许多可解释性技术未能识别到重要的邻居。