本资源是一篇英文论文翻译成了中文论文，方便阅读
本文提出了一种语义可解释的分类器在医学领域的应用， 累积模糊类隶属度准则（CFCMC），专门用于组织病理学图像中乳腺癌的检测。 与常用的图像分类方法相比，这种分类方法能够人性化的提供有关其分类结果的附加信息。本文提出了一种在医学领域中表示可能有助于决策的附加语义信息的方法。首先，分类器提供关于测试样本的错误分类的可能性的语义解释。除了语义之外，它还提供了不同类的相似和非相似样本的可视化。将 CFCMC 的分类性能与图像分类、卷积神经网络（CNN）、叠层自动编码器（SAE） 和深度多层感知器三种常用分类方法进行了比较。实验结果表明， FCM 不一定是最好的分类， 然而， 它能够提供分类结果的语义和视觉解释，使得分类器可以作为病理学家诊断乳腺癌的辅助工具。癌症检测，
可解释分类，可解释人工智能，图像分类
关键词 *癌症检测； 可解释分类； 可解释人工智能； 图像分类
