本研究评估了三种视觉语言模型（RAD-DINO、CheXagent 和 BiomedCLIP）在胸部X光片气胸和心脏肥大任务中的表现。结果表明，RAD-DINO在分割任务中表现优异，而CheXagent在分类上更具优势。结合全局和局部特征的自定义模型显著提升了所有模型的性能，为选择基础模型提供了实用指导。

本文介绍了一种名为Score-CAM的新型可解释性模型，通过目标类的前向传递得分获得每个激活映射的权重，并通过线性组合得到最终结果。该方法在视觉性能、公平性、识别和定位任务以及调试工具方面表现出色，并通过测试验证了其独立性。