本研究解决了机器学习模型可解释性方法选择的困惑，尤其是在医疗等高风险领域。作者对SHAP和GradCAM两种常用可解释性技术在人类活动识别中的应用进行了比较，揭示了它们各自的优缺点与适用场景，并提出根据具体模型和应用选择适当方法的指导。研究发现，SHAP适合提供详细的特征重要性，而GradCAM适合快速空间解释，二者可根据需求互为补充。

该论文介绍了多种基于Grad-CAM的可解释性技术，提升了卷积神经网络（CNN）模型的透明度和信任度。通过细粒度可视化，帮助用户理解模型决策，适用于图像分类、字幕生成和视觉问答等任务，并探讨了Grad-CAM在医学成像中的潜力及局限性。

本项目提出了一种基于DenseNet和GRADCAM的多标签胸透疾病诊断模型，能够准确检测14种胸部病理，并实现模型可解释性。该模型在超过20万的数据集上训练，平均AUC分数达到0.940，优于其他医学专家，展示了深度学习在胸部疾病自动诊断中的潜力。