从图像潜在空间到模糊规则：胃肠道基础模型的可解释分析

基于摘要分析。该研究面向胃肠道医学图像，研究预训练基础模型的潜在表征如何编码临床相关信息，提出无需微调骨干的原型式模糊规则框架，将 patch 级特征转化为人类可读的 IF-THEN 条件，并用于分析真实与合成医学图像。 核心机制是在特征空间中通过聚类学习类别特异的原型，以紧凑视觉模式表示局部结构；随后将 patch 特征表达为对原型的相似度，再由带有语言化条件的模糊规则完成分类。摘要未提供聚类算法、相似度定义、隶属函数、规则生成及优化细节，这些实现条件尚未验证。 实验使用分别在 ImageNet-1K 与 GastroNet-5M 上预训练的 ViT-S/16，分析其最后两个块的特征。任务包括无线胶囊内镜分类、胃肠道内镜分类和结肠息肉分割；对照为在相同冻结特征上运行的 k-nearest neighbours、kernel SVM 与 linear probing。作者报告，该方法在不微调骨干的条件下达到与这些分类器相当的 Accuracy，并认为领域专属预训练所得特征兼具判别性与符号化压缩能力。摘要没有给出具体分数、任务数据集名称、样本规模或划分，分类与分割各自的指标及结论适用范围需核对全文。 作者还将真实数据提取的原型与规则用于审视合成医学图像，解释生成器复现或未复现哪些真实组织模式，并定位合成图像偏离真实组织的区域，而非仅用单一分数概括。该用途的验证协议、临床专家评估、消融及统计信息尚未验证。研究主要贡献是胃肠道视觉基础模型的表征解释与规则化分析；现有材料未提供与 EEG 或 BCI 的具体对应关系，因此不据此提出迁移效果或复现实验建议。