背景与目标
深度视频模型以接近专家的准确度从超声心动图中估计左心室射血分数（EF），而后期归因方法（如变压器的 Chefer 相关性和 CNN 的 Grad-CAM）越来越多地用于验证模型是否“关注正确的地方”。然而，这些解释在空间和时间上的可信度尚未经过审计。因为 EF 定义于收缩末期（ES）和舒张末期（ED）帧，因此一个可信的解释必须在空间上定位左心室，并在时间上确定关键帧。
方法
我们在 EchoNet-Dynamic 数据集上微调了两个不同的 EF 回归模型——一个自监督的 VideoMAE 变压器和一个经 Kinetics 预训练的 R(2+1)D CNN，并在三个维度上进行归因审计：相交-相关性（IoR）与 LV 掩膜的比较、删除 AUC 以及 ES/ED 帧的时间定位指数，均相对于机会，并在 50 项研究中提供每个案例的 95% 置信区间。我们使用 tubelet-occlusion 探针区分归因失败与模型行为。
结果
两个模型在空间上均具备真实感——VideoMAE 的 IoR 为 2.91 倍（高于机会），R(2+1)D 为 1.98 倍，但在时间上是盲目的：时间定位与机会无显著区别（0.97–1.00），且不优于随机归因。遮挡实验显示模型并未优先依赖于 ES/ED 帧（0.90 倍机会），因此时间盲目反映的是模型行为，而非归因伪影。
结论
空间的真实并不意味着时间的真实。归因可以验证解剖基础，同时掩盖模型忽视临床决定性帧的事实——这对基于可解释人工智能（XAI）的诊断模型验证提出了警示，也呼吁进行时间感知的训练和评估。
博主点评： 本文揭示了深度学习模型在医学图像分析中的局限性，特别是在时间信息的处理上。尽管模型在空间上的表现令人满意，但时间上的盲目性可能导致临床决策的失误，强调了在模型设计与评估中考虑时间因素的必要性。