本研究提出了一种概念相似性推理网络（CSR），旨在提升计算机辅助诊断中的模型决策解释与干预能力。CSR通过提供图像区域的概念原型，实现了补丁级别的解释和空间交互，在三个生物医学数据集上可解释性性能最高提高4.5%。

本研究探讨了深度神经网络可解释性的局限性，提出稀疏分布向量表征作为替代方案。实验结果表明，稀疏分布表征更易理解，且对模型决策的贡献更大，突显其在可解释性方面的优势。

Visual Attention-Prompted Prediction and Learning框架通过引入视觉关注提示来改善模型决策，解决信息不完整的问题。该框架采用扰动关注图的修改和优化聚合方法，提升了无关注提示样本的预测能力。实验结果验证了其有效性。