深度学习在心电图自动诊断解释性研究 ——基于Explainable AI的进展综述 一、学术背景与问题提出 心电图（Electrocardiogram, ECG）作为临床诊断心脏疾病的重要生理信号采集手段，至今已有百年历史。近年来，随着人工智能（Artificial Intelligence, AI）和深度学习（Deep Neural Networks, DNNs）技术的快速发展，基于数据驱动的自动诊断算法在心电图领域获得了卓越的性能，尤其在心律失常等复杂异常识别上显著优于传统方法。深度学习模型通过自动学习和提取信号特征，极大地推动了心电图自动解读和辅助诊断系统的进步。 然而，这类黑箱性质的算法在实际临床应用中的推广仍然受限，最核心障碍之一正是缺乏可解释性（Explainability）。尽...

从空间特征重要性视角提升分布外检测性能的研究 研究背景与问题提出 在深度学习模型的实际应用中，确保模型在面对未知类别的输入时能够可靠地拒绝预测，是保障系统安全性和鲁棒性的关键。这一需求催生了分布外检测（Out-of-Distribution Detection, OOD Detection）的研究领域。OOD检测旨在区分模型训练数据分布范围内的样本（即分布内样本，In-Distribution, ID）和超出该范围的样本（即分布外样本，Out-of-Distribution）。近年来，研究者提出了多种检测准则，如MSP（Maximum Softmax Probability）、Energy Score、GradNorm等，以构建模型的拒绝区域，并将落入该区域的样本识别为分布外样本。 然而，现...