Zespół badawczy opracował qZACH-ViT, rozszerzenie modelu ZACH-ViT z możliwością kwantyzacji do INT8, które łączy kompaktowość z interpretowalnym wyjaśnieniami na poziomie poszczególnych fragmentów obrazu. Główną innowacją jest metoda RASO - recursive attribution-stabilized optimization - która normalizuje gradienty klasyfikacji i atrybucji, eliminując komponenty powodujące konflikt między dobrym przewidywaniem a zrozumiałymi wyjaśnieniami.

Wyniki eksperymentów na siedmiu zbiorach MedMNIST są imponujące: wersja z RASO uzyskała średni wzrost metryki głównej o 0,0368 względem baseline'u FP32. Konwersja do formatu ONNX INT8 zmniejszyła rozmiar modeli o 70 procent, a przede wszystkim: predykcje INT8 zgadzały się z wersją pełnej precyzji w 99,98 procent przypadków. Mapy wyjaśnień pozostały prawie identyczne - średnia podobieństwo kosinusowe wyniosło 0,9999.

To osiągnięcie ma znaczenie dla praktycznego wdrażania w klinikach i urządzeniach z ograniczoną mocą obliczeniową. Połączenie kompresji modelu z utrzymaniem interpretacyjności oznacza, że lekarze mogą ufać zarówno przewidywaniom jak i logice stojącej za decyzjami sztucznej inteligencji, co jest kluczowe dla adopcji AI w medycynie.