चिकित्सा छवि विश्लेषण सीमित विशेषज्ञ-एनोटेट डेटा से ग्रस्त है, जो मॉडल के सामान्यीकरण और नैदानिक प्रयोज्यता में बाधा डालता है। यह अध्ययन एक विशेषज्ञ-नेतृत्व वाले, व्याख्यात्मक, बहु-पास सीखने के ढांचे का प्रस्ताव करता है जो रेडियोलॉजिस्ट द्वारा प्रदान किए गए रुचि के क्षेत्रों (आरओआई) को मॉडल प्रशिक्षण में एकीकृत करता है ताकि वर्गीकरण प्रदर्शन और व्याख्यात्मकता में एक साथ सुधार हो सके। ग्रैड-सीएएम का उपयोग स्थानिक ध्यान पर्यवेक्षण के लिए किया जाता है, जो प्रशिक्षण के दौरान नैदानिक रूप से प्रासंगिक क्षेत्रों पर मॉडल का ध्यान केंद्रित करने के लिए डाइस समानता पर आधारित एक स्पष्टीकरण हानि पेश करता है। यह स्पष्टीकरण हानि एक मानक प्रोटोटाइप नेटवर्क उद्देश्य के साथ अनुकूलित है, जो मॉडल को डेटा की कमी के तहत भी नैदानिक रूप से प्रासंगिक विशेषताओं पर ध्यान केंद्रित करने के लिए प्रोत्साहित करती है। ढांचे का मूल्यांकन दो डेटासेट पर किया गया था: BraTS (MRI) और VinDr-CXR ग्रैड-सीएएम विज़ुअलाइज़ेशन इस बात की पुष्टि करते हैं कि विशेषज्ञ-नेतृत्व वाला प्रशिक्षण लगातार निदान क्षेत्रों पर ध्यान केंद्रित करता है, जिससे पूर्वानुमानात्मक विश्वसनीयता और नैदानिक विश्वसनीयता दोनों में सुधार होता है। ये परिणाम कई प्रशिक्षण चिकित्सा छवि निदानों में प्रदर्शन और व्याख्यात्मकता के बीच के अंतर को पाटने के लिए विशेषज्ञ-नेतृत्व वाले पर्यवेक्षण को शामिल करने की प्रभावशीलता को प्रदर्शित करते हैं।
