Ảnh nhiệt hồng ngoại là một phương pháp không xâm lấn đầy tiềm năng trong sàng lọc ung thư vú. Tuy nhiên, việc bảo đảm độ tin cậy lâm sàng của các mô hình học sâu trong điều kiện dữ liệu hạn chế vẫn là một thách thức lớn. Nghiên cứu thăm dò này phân tích sự đánh đổi giữa hiệu năng dự đoán và khả năng diễn giải của mô hình. Hai kiến trúc DenseNet121 và VGG16 được đánh giá trên bốn cấu hình đầu vào: ảnh toàn bộ so với ảnh đã phân đoạn, có hoặc không có kênh tăng cường biên. Mặc dù DenseNet121 đạt hiệu năng cao nhất trên ảnh toàn bộ, phân tích bằng Trí tuệ nhân tạo giải thích được (Grad-CAM) cho thấy mô hình phụ thuộc vào các yếu tố không mang tính bệnh lý, chẳng hạn như nếp gấp vùng nách. Hiện tượng “học lối tắt” này được xác nhận khi hiệu năng suy giảm đáng kể sau khi áp dụng phân đoạn và phát hiện biên nhằm loại bỏ các tín hiệu môi trường này. Ngược lại, VGG16 thể hiện tính ổn định cao hơn và tập trung giải phẫu nhất quán hơn, duy trì hiệu năng tương đối ổn định trước các biến đổi đầu vào dù độ nhạy thấp hơn. Các kết quả này cung cấp bằng chứng thực nghiệm cho thấy độ chính xác cao có thể che giấu các thiên lệch trong quá trình ra quyết định khi làm việc với bộ dữ liệu hạn chế. Do đó, khả năng diễn giải cần được xem là một thành tố thiết yếu để xác thực độ tin cậy lâm sàng, thay vì chỉ là một công cụ trực quan hóa.