DeBERTa-v3 零样本医学摘要分类的可解释性比较框架

该论文提出一个比较性可解释框架，用于审计 DeBERTa-v3 在医学摘要零样本分类中的表现。研究基于 Medical Abstracts 语料构建自然语言推理引擎，每类设五个丰富假设、每类均衡抽取一千条文本，对比 SHAP、LIME、occlusion、Input x Gradient 与 Attention x Gradient 五种归因方法，并用 top-token 归因标准化解释、以 Jaccard 指数衡量两两一致性。结果显示清晰临床领域准确率高，语义模糊时下降。

可解释 AI 长期存在同一输入与预测下不同归因方法给出分歧解释的问题，这削弱了审计结论的可信度。该工作把方法间一致性量化为可比较指标，并首次在 DeBERTa-v3 的零样本医学文本场景中系统比较五类归因方法，把解释稳定性与预测确定性直接关联，为高风险医疗场景下的模型审计提供了可复用的评估路径。

作者以自然语言推理方式重构零样本分类，用每类多个丰富假设和均衡样本控制类别偏置。五种归因方法分别代表模型无关、深度学习专用与 transformer 专用三类视角，通过 top-token 归因把不同方法的输出统一到同一表示空间，再用 Jaccard 指数计算两两一致度，从而把解释分歧转为可量化指标，并与预测置信度对照分析。

对医学文本类 AI 产品，单靠准确率不足以支撑上线决策，需要把多方法归因一致性和预测确定性一并纳入评测。研发流程中应加入归因一致性门槛与错误审计环节，识别词汇敏感、语义重叠和归因失谐三类系统性失败，优先按具体临床本体而非宽泛诊断标签组织类别，以降低模糊输入下的风险。

• 在医疗 AI 评测工具中加入多归因方法一致度评分，作为模型上线前的可解释性门槛指标。
• 针对高语义模糊的临床类别建立专门的失败案例审计集，覆盖词汇敏感与语义重叠两类已知失败模式。
• 将类别体系从宽泛诊断标签细化到具体临床本体，按本体粒度重新评估分类准确率与解释稳定性。
• 为 DeBERTa-v3 类模型封装归因一致性与预测置信度对照看板，供非技术评审人员快速判断可用范围。

• 该框架在医学摘要之外的其他文本领域是否同样适用，证据未涉及。
• 五种归因方法的计算成本与推理延迟开销未在证据中给出，难以评估生产环境的可行性。
• Jaccard 指数作为一致度指标的阈值如何设定才足以支撑审计结论，证据未说明。
• 论文结论建立在单一语料与单一模型上，是否可推广至其他 transformer 架构尚不明确。