في السنوات الأخيرة، أثبتت نماذج الرؤية الحاسوبية (Computer Vision Models) فعاليتها الكبيرة في التطبيقات الطبية، إلا أن طبيعتها الغامضة طالما أضعفت ثقة الأطباء فيها. في هذا السياق، أصبح من الشائع استخدام مصنفات الأشعة السينية الصدرية (Chest X-ray Classifiers) بالتزامن مع نماذج اللغة الرؤية (Vision-Language Models - VLMs) لتوليد شروحات لغوية طبيعية. ومع ذلك، تضيف هذه الأنظمة طلاقة لغوية دون معالجة الغموض الأساسي للنموذج المرئي.

تظهر الآن نماذج كولموغوروف-أرنولد (Kolmogorov-Arnold Networks - KANs)، والتي تتميز بمكونات تعتمد على المنحنيات مما يوفر وحدات وظيفية قابلة للتفسير. وقد استطعنا من خلالها تطوير KANEx، الإطار الأول من نوعه الذي يستفيد من الشفافية الرمزية لنماذج KAN لتدعيم استدلالات VLM.

تعتبر KANEx سبيلاً جديداً يعزز من وضوح التفسيرات من خلال تصميم خريطة حرارية جديدة (KAN-Map) تستند مباشرة إلى نماذج KAN بدلاً من تقريب التدرجات. هذه الخرائط الحرارية تُغذي النماذج في خطواتها التالية لتحقيق شروح أكثر وضوحاً وموثوقية.

عند مقارنة نتائجنا بمجموعات بيانات MIMIC-CXR، أظهرت البنى المعتمدة على KAN تحسناً في التشابه الدلالي وخرائط البروز بشكل مثير. كما أن معمارية KAN تحسين موضع الرؤية وجودة الاستدلال، مما يعزز الثقة في استخدام الذكاء الاصطناعي في المجال الطبي. إن النتائج التي توصلنا إليها توحي بأن تأصيل التفسيرات اللغوية والنسب المرئية في وحدات رياضية قابلة للتفسير هو خطوة ضرورية نحو بناء ذكاء اصطناعي موثوق في المجال الطبي.