近日，我校教师在人工智能与知识工程领域国际知名期刊《Knowledge-Based Systems》（简称《KBS》）连续发表医学影像智能诊断研究成果，围绕乳腺影像计算机辅助诊断（CADx）中的关键问题，在稀疏数据条件下的可解释智能推理方法与可解释深度学习模型构建等方面取得新进展。

在论文“Adaptive fuzzy transformation for abnormal breast mass detection”中，我院彭军教授作为合作者之一，与智能数学与自主智能研究院青年教师周谋博士（第一作者）共同开展研究并撰写论文。我校为第一完成单位。彭军教授、金尚柱教授在研究方案设计等方面作出了重要贡献。

该研究面向乳腺肿块智能检测与诊断中的难点问题，提出一种新型基于马氏距离变换的模糊规则插值方法（MT-FRI），并构建了“特征提取—特征选择—模糊规则生成—插值推理”的完整诊断流程。研究表明，在稀疏数据条件下，该方法不仅实现了优于传统机器学习模型与深度神经网络的分类性能，还能够生成透明、可解释的诊断规则，为临床医生提供更具可验证性的辅助决策支持。

论文在INbreast、CBIS-DDSM、BCDR-D01和BCDR-F01四个国际乳腺影像数据库上进行了系统评估。实验结果验证了MT-FRI在乳腺影像CADx任务中的有效性与应用潜力，为稀疏数据场景下可解释人工智能在医学影像分析领域的深入应用提供了新思路。

此外，周谋博士作为第二作者，与英国亚伯大学团队在同一期刊合作发表论文“An interpretable CNN-based model for mass classification in mammography”。该研究提出了一种基于可解释卷积神经网络（CNN）的乳腺X线摄影肿块分类框架，不仅实现对肿块良恶性的预测，还力求模拟影像阅片者在识别临床相关语义特征（如肿块形状特征）时的推理过程。该框架在模型训练中融合原始图像数据与像素级标注信息，从而提升模型性能；其中，基于DenseNet121的训练策略使肿块分类准确率由67.9 ± 3.8%提升至86.1 ± 3.4%。结果显示，该方法能够更准确突出与分类相关的关键区域，减少对健康组织及干扰信息的关注，并通过面向特定临床特征的解释算法辅助输出解读，使阅片者能够对模型结论进行验证，而非盲目依赖模型结果。

据悉，《KBS》由Elsevier出版，是人工智能与知识工程领域国际权威期刊，中国科学院一区TOP期刊，影响因子7.6，在机器学习理论、智能决策支持系统、计算智能系统以及基于知识的计算机视觉等方向具有广泛国际影响力。相关成果的发表标志着我校在医学影像智能诊断与可解释人工智能研究领域取得新的重要进展。